大数据系统数据采集产品的架构分析

大数据系统数据采集产品的架构分析

任何完整的大数据平台，一般包括以下的几个过程：

1.数据采集

2.数据存储

3.数据处理

4.数据展现（可视化，报表和监控）

其中，数据采集是所有数据系统必不可少的，随着大数据越来越被重视，数据采集的挑战也变的尤为突出。这其中包括：

∙数据源多种多样

∙数据量大，变化快

∙如何保证数据采集的可靠性的性能

∙如何避免重复数据

∙如何保证数据的质量

我们今天就来看看当前可用的一些数据采集的产品，重点关注一些它们是如何做到高可靠，高性能和高扩展。

Apache Flume

Flume是Apache旗下，开源，高可靠，高扩展，容易管理，支持客户扩展的数据采集系统。Flume使用JRuby来构建，所以依赖Java运行环境。

Flume最初是由Cloudera的工程师设计用于合并日志数据的系统，后来逐渐发展用于处理流数据事件。

Flume设计成一个分布式的管道架构，可以看作在数据源和目的地之间有一个Agent的网络，支持数据路由。

每一个agent都由Source，Channel和Sink组成。

∙Source

Source负责接收输入数据，并将数据写入管道。Flume的Source支持HTTP，JMS，RPC，NetCat，Exec，Spooling Directory。其中Spooling 支持监视一个目录或者文件，解析其中新生成的事件。

∙Channel

Channel 存储，缓存从source到Sink的中间数据。可使用不同的配置来做Channel，例如内存，文件，JDBC等。使用内存性能高但不持久，有可能丢数据。使用文件更可靠，但性能不如内存。

∙Sink

Sink负责从管道中读出数据并发给下一个Agent或者最终的目的地。Sink 支持的不同目的地种类包括：HDFS，HBASE，Solr，ElasticSearch，File，Logger或者其它的Flume Agent

Flume在source和sink端都使用了transaction机制保证在数据传输中没有数据丢失。

Source上的数据可以复制到不同的通道上。每一个Channel也可以连接不同数量的Sink。这样连接不同配置的Agent就可以组成一个复杂的数据收集网络。通过对agent的配置，可以组成一个路由复杂的数据传输网络。

配置如上图所示的agent结构，Flume支持设置sink的Failover和Load Balance，这样就可以保证即使有一个agent失效的情况下，整个系统仍能正常收集数据。

Flume中传输的内容定义为事件（Event），事件由Headers（包含元数据，Meta Data）和Payload组成。

Flume提供SDK，可以支持用户定制开发：

Flume客户端负责在事件产生的源头把事件发送给Flume的Agent。客户端通常和产生数据源的应用在同一个进程空间。常见的Flume客户端有Avro，log4J，syslog和HTTP Post。另外ExecSource支持指定一个本地进程的输出作为Flume 的输入。当然很有可能，以上的这些客户端都不能满足需求，用户可以定制的客户端，和已有的FLume的Source进行通信，或者定制实现一种新的Source类型。同时，用户可以使用Flume的SDK定制Source和Sink。似乎不支持定制的Channel。Fluentd

Fluentd（Github 地址）是另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的部署和Flume非常相似：

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。Fluentd的配置非常方便，如下图：

Fluentd的技术栈如下图：

FLuentd和其插件都是由Ruby开发，MessgaePack提供了JSON的序列化和异步的并行通信RPC机制。

Cool.io是基于libev的事件驱动框架。

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。相对去Flumed，配置也相对简单一些。Logstash

Logstash是著名的开源数据栈ELK（ElasticSearch，Logstash

，Kibana）中的那个L。

Logstash用JRuby开发，所有运行时依赖JVM。

Logstash的部署架构如下图，当然这只是一种部署的选项。

一个典型的Logstash的配置如下，包括了Input，filter的Output的设置。

1 2 3 4 5 6 7 input {

file {

type => "apache-access"

path => "/var/log/apache2/other_vhosts_access.log" }

file {