使用Apache Flume抓取數據（1）

使用Apache Flume抓取數據，怎么來抓取呢？不過，在了解這個問題之前，我們必須明確ApacheFlume是什么？

一、什么是Apache Flume

Apache Flume是用于數據采集的高性能系統 ，名字來源于原始的近乎實時的日志數據采集工具，現在廣泛用于任何流事件數據的采集，支持從很多數據源聚合數據到HDFS。

最初由Cloudera開發 ，在2011年貢獻給了Apache基金會 ，在2012年變成了Apache的頂級項目，Flume OG升級換代成了Flume NG。

Flume具有橫向擴展、延展性、可靠性的優勢

二、Flume 體系結構

Source：接受外部系統生成event

Sink：發送event到指定的目的地

Channel：從Source緩存event，直到Sink把event取走

Agent：一個獨立的Flume進程，包含了source，channel和sink組件

三、Flume設計目標：可靠性

Channels提供了Flume可靠性保障 ,那么它通過什么樣的方式來保障呢？默認的模式就是Memory Channel，Memory Channel就是內存，所有的數據存放在內存當中。那么，這里就會存在一個問題？如果Channel的節點出現斷電，數據就會丟失。為解決這一問題，這里有另外一種模式，就是基于磁盤的Channel，基于磁盤的隊列確保出現斷電時數據不丟失 。

另外，Agent和Channel之間的數據傳輸是事務性的 ，傳輸給下游agent失敗的數據會回滾和重試 。相同的任務可以配置多個Agent，

比如，兩個agent完成一個數據采集作業，如果一個agent失敗，則上游的agent會失敗切換到另一個。

四、Flume設計目標：擴展性

當我們采集的數據特別多的時候，可以通過添加更多的系統資源從而線性地增加系統性能。而且Flume可橫向的擴展規模 ，隨著復雜增加，可以添加更多的機器到配置當中 。

五、Flume設計目標：延展性

延展性就是能夠添加新的功能到系統中。Flume通過添加Sources和Sinks到現有的存儲層或數據平臺，常見的Sources包括files、syslog和任何linux進程的標準輸出的數據；常用Sinks包括本地文件系統或HDFS，開發員可以寫自己的Sources或Sinks。

六、常見的Flume數據源

七、大規模部署實例

Flume使用agents收集數據 ，Agents可以從很多源接收數據，包括其他agents。大規模的部署使用多層來實現擴展性和可靠，Flume支持傳輸中數據的檢查和修改。

以上就是關于Apache Flume的部分詳情介紹，后續將會繼續分享。大數據將會是未來的風口，要想很好的站在風口上，就要持續不斷地學習和努力，這里推薦大家關注一個微信公眾號“大數據cn ”,里面有很多關于大數據知識的介紹，對于想要了解和學習大數據的人是一個很好的平臺。