大数据工程师入门系列 - 常用数据采集工具（Flume、Logstash 和 Fluentd）

作者：幻好

来源： 恒生LIGHT云社区

大数据的价值在于把数据变成某一行为的结论，这一重要的过程成为数据分析。提到数据分析，大部分人首先想到的都是 Hadoop、流计算、机器学习等数据加工的方式。具体从整个过程来看，数据分析其实可以大致分为四个步骤：数据采集，数据存储，数据计算，数据可视化。

其中大数据的数据采集这一过程是最基础，也是最重要的部分。针对具体的场景使用合适的采集工具，可以大大提高效率和可靠性，并降低资源成本。常用的开源工具 Flume、Logstash 和 Fluentd 等都是可以作为日志采集的工具，本文将对常用数据采集工具使用场景优缺点等进行介绍分析。

Flume 是由 cloudera 软件公司产出的可分布式日志收集系统，后与2009年被捐赠了apache软件基金会，为 Hadoop 相关组件之一。尤其近几年随着 flume 的不断被完善以及升级版本的逐一推出，特别是flume-ng;同时flume内部的各种组件不断丰富，用户在开发的过程中使用的便利性得到很大的改善，现已成为apache top项目之一。

Flume 是一种具备分布式、可靠性和可用性的服务，可以有效地收集、聚合和迁移大量日志数据，是一个简单和灵活基于流数据流架构。它具有较好的健壮性和容错性，具有可调的可靠性机制和许多故障转移和恢复机制。通过一个简单的可扩展数据模型，允许在线分析应用程序。

可靠性

当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume 提供了三种级别的可靠性保障，从强到弱依次分别为： end-to-end （收到数据agent首先将 event 写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。）， Store on failure （这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送）， Best effort （数据发送到接收方后，不会进行确认）。

可扩展性

Flume 采用了三层架构，分别问 agent ， collector 和 storage ，每一层均可以水平扩展。其中，所有 agent 和 collector 由 master 统一管理，这使得系统容易监控和维护，且 master 允许有多个（使用 ZooKeeper 进行管理和负载均衡），这就避免了单点故障问题。

可管理性

所有 agent 和 colletor 由 master 统一管理，这使得系统便于维护。用户可以在 master 上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web 和shell script command两种形式对数据流进行管理。

功能可扩展性

用户可以根据需要添加自己的 agent ，colletor 或者 storage 。此外，Flume 自带了很多组件，包括各种 agent（ file， syslog 等），collector 和 storage（file，HDFS 等）。 技术架构

Flume采用了分层架构，由三层组成，分别为 agent ， collector 和 storage 。其中， agent 和 collector 均由两部分组成： source 和 sink ， source 是数据来源， sink 是数据去向。

agent

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 : 采集源，用于跟数据源对接，以获取数据 sink ：传送数据的目的地，用于往下一级 agent 或者最终存储系统传递数据 channel ： agent 内部的数据传输通道，用于从 source 传输数据到 sink

agent 的作用是将数据源的数据发送给 collector ，Flume 自带了很多直接可用的数据源（source），如：

text(“filename”) ：将文件 filename 作为数据源，按行发送 tail(“filename”) ：探测 filename 新产生的数据，按行发送出去 fsyslogTcp(5140) ：监听 TCP 的5140端口，并且接收到的数据发送出去 Flume 自带了很多 sink ，如：

console[("format")] ：直接将将数据显示在桌面上 text(“txtfile”) ：将数据写到文件 txtfile 中 dfs(“dfsfile”) ：将数据写到 HDFS 上的 dfsfile 文件中 syslogTcp(“host”,port) ：将数据通过 TCP 传递给 host 节点

collector

collector 的作用是将多个 agent 的数据汇总后，加载到 storage 中。它的 source 和 sink 与 agent 类似。 实例：

agent 监听 TCP 的5140端口接收到的数据，并发送给 collector ，由 collector 将数据加载到 HDFS 上。

在大数据时代，平台会通过收集用户的在平台上操作，分析用户的具体行为，然后推送个性化的信息。比如我们在电商平台上搜索一些商品后 ，首页会给用户推送相应品类的商品。而 Flume 在其中充当了一个数据采集的角色，通过快速采集用户的信息，发送给数据计算平台分析后，实现个性化推送。

Logstash 是一个具有实时流水线功能的开源数据收集引擎。Logstash 可以动态地统一来自不同来源的数据，并将数据规范化到我们选择的目的地。为各种高级下游分析和可视化用例清理和普及所有数据。任何类型的事件都可以通过大量的输入、过滤和输出插件来丰富和转换，许多本机编解码器进一步简化了输入过程。

Logstash 是基于 pipeline 方式进行数据处理的，pipeline 可以理解为数据处理流程的抽象。在一条 pipeline 数据经过上游数据源汇总到 消息队列 中，然后由多个工作线程进行数据的转换处理，最后输出到下游组件。一个 Logstash 中可以包含多个 pipeline。

为 Elasticsearch 和更多的摄取工作的主力

具有强大的 Elasticsearch 和 Kibana 协同功能的水平可扩展的数据处理管道 可拔插管道架构

混合、匹配和协调不同的输入、过滤器和输出，在管道中和谐地发挥作用 良好的社区生态系统

开发社区超过200个插件可用，可以扩展创建自定义的插件 工作原理

处理过程

如上图，Logstash的数据处理过程主要包括： Inputs , Filters , Outputs 三部分， 另外在Inputs和Outputs中可以使用 Codecs 对数据格式进行处理。这四个部分均以插件形式存在，用户通过定义pipeline配置文件，设置需要使用的input，filter，output, codec插件，以实现特定的数据采集，数据处理，数据输出等功能

Inputs ：用于从数据源获取数据，常见的插件如 file, syslog, redis, beats 等[ 详细参考 ] Filters ：用于处理数据如格式转换，数据派生等，常见的插件如 grok, mutate, drop, clone, geoip 等[ 详细参考 ] Outputs ：用于数据输出，常见的插件如 elastcisearch，file, graphite, statsd 等[ 详细参考 ] Codecs ：Codecs 不是一个单独的流程，而是在输入和输出等插件中用于数据转换的模块，用于对数据进行编码处理，常见的插件如json，multiline[ 详细参考 ]

2.执行模型：

每个Input启动一个线程，从对应数据源获取数据 Input会将数据写入一个队列：默认为内存中的有界队列（意外停止会导致数据丢失）。为了防止数丢失Logstash提供了两个特性： Persistent Queues ：通过磁盘上的queue来防止数据丢失 Dead Letter Queues ：保存无法处理的event（仅支持Elasticsearch作为输出源） Logstash会有多个 pipeline worker ，每一个 pipeline worker 会从队列中取一批数据，然后执行 filter 和 output（worker数目及每次处理的数据量均由配置确定） 应用场景

Elasticsearch 是当前主流的分布式大数据存储和搜索引擎，可以为用户提供强大的全文本检索能力，广泛应用于日志检索，全站搜索等领域。 Logstash 作为Elasicsearch常用的实时数据采集引擎，可以采集来自不同数据源的数据，并对数据进行处理后输出到多种输出源，是Elastic Stack 的重要组成部分。

Fluentd 是一个开源的数据收集框架。Fluentd 使用C/Ruby开发，使用 JSON 文件来统一日志数据。它的可插拔架构，支持各种不同种类和格式的数据源和数据输出。最后它也同时提供了高可靠和很好的扩展性。Treasure Data, Inc 对该产品提供支持和维护。

FLuentd 的扩展性非常好，客户可以自己定制（Ruby）Input／Buffer／Output。 Fluentd从各方面看都很像Flume，区别是使用Ruby开发，Footprint 会小一些，但是也带来了跨平台的问题，并不能支持 Windows 平台。另外采用 JSON 统一数据／日志格式是它的另一个特点。相对于 Flumed ，配置也相对简单一些。

Fluentd 的优点：

安装方便

占用空间小

半结构化数据日志记录

灵活的插件机制

可靠的缓冲

日志转发

Fluentd 的架构设计和Flume如出一辙，Fluentd 的 Input／Buffer／Output 非常类似于 Flume 的 Source／Channel／Sink 。

Input

Input 负责接收数据或者主动抓取数据。支持 syslog，http，file tail 等。 Buffer

Buffer 负责数据获取的性能和可靠性，也有文件或内存等不同类型的 Buffer 可以配置。 Output

Output 负责输出数据到目的地例如文件，AWS S3 或者其它的 Fluentd 。 总结

框架间的优劣对比：

Flume 更注重于数据的传输，对于数据的预处理不如 Logstash 。 在传输上 Flume 比 Logstash 更可靠一些，因为数据会持久化在 channel 中。 数据只有存储在sink 端中，才会从 channel 中删除，这个过程是通过事物来控制的，保证了数据的可靠性。 Logstash 是ELK组件中的一个，一般都是同 ELK 其它组件一起使用，更注重于数据的预处理，Logstash 有比 Flume 丰富的插件可选，所以在扩展功能上比 Flume 全面。 Logstash 内部没有 persist queue，所以在异常情况下会出现数据丢失的问题 Fluentd 的宣传里有高性能这一项，可能相对于 logstash 的确好很多，但还是不太够。在实际使用中，解析 -> 转换 -> 入库 整个过程性能并不理想。 Fluentd 的性能既因为 Ruby 消耗过多计算和内存资源，又因为 Ruby 难以受益与多核。对数据吞吐量大的业务来说它是很昂贵的。 Fluentd 的插件质量也不够好，第三方插件大多是使用者根据自己业务需要编写，只为实现特定需求，没有足够的泛化，也没有足够的测试和性能评估。