前言

在一个完整的离线大数据处理系统中，除了hdfs+mapreduce+hive组成分析系统的核心之外，还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统，而这些辅助工具在hadoop生态体系中都有便捷的开源框架，如图所示：

Flume基本介绍

Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。
Flume可以采集

• 文件
• socket数据包
• 文件、文件夹
• kafka

等各种形式源数据，又可以将采集到的数据(下沉sink)输出到

• HDFS
• hbase
• hive
• kafka

等众多外部存储系统中
一般的采集需求，通过对flume的简单配置即可实现（使用flume很多时候都是在写配置文件）
Flume针对特殊场景也具备良好的自定义扩展能力，因此，flume可以适用于大部分的日常数据采集场景

运行机制

Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所连接起来形成
每一个agent相当于一个数据传递员，内部有三个组件：

• Source：采集组件，用于跟数据源对接，以获取数据
• Sink：下沉组件，用于往下一级agent传递数据或者往最终存储系统传递数据
• Channel：传输通道组件，用于从source将数据传递到sink

Flume采集系统结构图

简单结构

• 单个agent采集数据
  

复杂结构

• 两个agent之间串联

• 多级agent之间串联

• 多级channel

从上面几个例子可以看出，flume的source和sink之间配置非常灵活