在第一篇文章中我们是将log4j的日志输出到了agent的日志文件当中。配置文件如下:
tier1.sources=source1
tier1.channels=channel1
tier1.sinks=sink1
tier1.sources.source1.type=avro
tier1.sources.source1.bind=0.0.0.0
tier1.sources.source1.port=44444
tier1.sources.source1.channels=channel1
tier1.channels.channel1.type=memory
tier1.channels.channel1.capacity=10000
tier1.channels.channel1.transactioncapacity=1000
tier1.channels.channel1.keep-alive=30
tier1.sinks.sink1.type=logger
tier1.sinks.sink1.channel=channel1
本次我们把log4j的日志直接采集输出到hdfs中去。需要修改flume.conf中sink的配置:
tier1.sinks.sink1.type=hdfs
tier1.sinks.sink1.hdfs.path=hdfs://master68:8020/flume/events
tier1.sinks.sink1.hdfs.filetype=datastream
tier1.sinks.sink1.hdfs.writeformat=text
tier1.sinks.sink1.hdfs.rollinterval=0
tier1.sinks.sink1.hdfs.rollsize=10240
tier1.sinks.sink1.hdfs.rollcount=0
tier1.sinks.sink1.hdfs.idletimeout=60
简单说明一下修改的部分,我们将sink的type由logger变为hdfs,然后指定输出path, 默认是输出到hdfs后为sequencefile,里面的内容无法直接打开浏览,为了便于直观看到我们输出的日志信息,所以我这里将filetype为datastream, writeformat=text,这样就可以直接打开生成的文件进行查看了。
下面几个roll开头的参数都是用来控制滚动日志输出的,官方文档上的说明也很详细,我这里配置的只按文件大小来滚动rollsize=10240,也就是10k滚动生成一个新的文件用来接收新的events。实际中这个size应该更大一些,我觉得设置成hdfs的blocksize大小应该挺合适的。
idletimeout设置为60秒(默认值为0),这里面的原理是这样的,flume里面每生成一个接收文件时的命名规则如:flumedata.1406251462179.tmp,.tmp表示这个文件正在被使用来接收events,当满10k之后,这个文件会被rename成flumedata.1406251462179,把.tmp后缀去掉,但是如果你停止了应用程序后,flumedata.1406251462179.tmp还没满10k,按照默认的idletimeout设置,不会将它rename,也就是.tmp后缀一直在,造成了这个文件一直在使用当中的一个假象,这是有问题的,我们设置idletimeout=60,即60秒后这个文件还没有被写入数据,就会关闭它然后rename它去掉.tmp,以后新进来的events,会新开一个.tmp文件来接收。
我们再运行第一篇文章中的那个示例应用程序,然后去path指定的目录下面就能看到log4j输出的日志信息了。
补充注意点(针对cm安装的flume):
首先在hdfs上创建/flume目录:hadoop fs -mkdir /flume
给该目录授权给flume用户和组:hadoop fs -chown -r flume:flume /flume
注意给目录授权很重要,不然会报错。