1. 程式人生 > >開發者一定要了解的六款大數據采集平臺

開發者一定要了解的六款大數據采集平臺

lov 取數 序列 hbase 數據庫 選項 avr 情況下 定義

  

  隨著大數據越來越被重視,數據采集的挑戰變的尤為突出。今天為大家介紹幾款數據采集平臺:

  Apache Flume

  Fluentd

  Logstash

  Chukwa

  Scribe

  Splunk Forwarder

  大數據平臺與數據采集

  任何完整的大數據平臺,一般包括以下的幾個過程:

  數據采集

  數據存儲

  數據處理

  數據展現(可視化,報表和監控)

  

技術分享圖片

  其中,數據采集是所有數據系統必不可少的,隨著大數據越來越被重視,數據采集的挑戰也變的尤為突出。這其中包括:

  數據源多種多樣

  數據量大,變化快

  如何保證數據采集的可靠性的性能

  如何避免重復數據

  如何保證數據的質量

  我們今天就來看看當前可用的六款數據采集的產品,重點關註它們是如何做到高可靠,高性能和高擴展。

  分享之前我還是要推薦下我自己創建的大數據學習交流Qun531629188

  無論是大牛還是想轉行想學習的大學生小編我都挺歡迎,晚上20:10都有一節【免費的】

  大數據直播課程,專註大數據分析方法,大數據編程,大數據倉庫,大數據案例,人工智能,數據挖掘都是純幹貨分享,

  1、Apache Flume

  官網:https://flume.apache.org/

  Flume 是Apache旗下的一款開源、高可靠、高擴展、容易管理、支持客戶擴展的數據采集系統。 Flume使用JRuby來構建,所以依賴Java運行環境。

  Flume最初是由Cloudera的工程師設計用於合並日誌數據的系統,後來逐漸發展用於處理流數據事件。

  

技術分享圖片

  Flume設計成一個分布式的管道架構,可以看作在數據源和目的地之間有一個Agent的網絡,支持數據路由。

  

技術分享圖片

  每一個agent都由Source,Channel和Sink組成。

  Source

  Source負責接收輸入數據,並將數據寫入管道。Flume的Source支持HTTP,JMS,RPC,NetCat,Exec,Spooling Directory。其中Spooling支持監視一個目錄或者文件,解析其中新生成的事件。

  Channel

  Channel 存儲,緩存從source到Sink的中間數據。可使用不同的配置來做Channel,例如內存,文件,JDBC等。使用內存性能高但不持久,有可能丟數據。使用文件更可靠,但性能不如內存。

  Sink

  Sink負責從管道中讀出數據並發給下一個Agent或者最終的目的地。Sink支持的不同目的地種類包括:HDFS,HBASE,Solr,ElasticSearch,File,Logger或者其它的Flume Agent。

  

技術分享圖片

  Flume在source和sink端都使用了transaction機制保證在數據傳輸中沒有數據丟失。

  

技術分享圖片

  Source上的數據可以復制到不同的通道上。每一個Channel也可以連接不同數量的Sink。這樣連接不同配置的Agent就可以組成一個復雜的數據收集網絡。通過對agent的配置,可以組成一個路由復雜的數據傳輸網絡。

  

技術分享圖片

  配置如上圖所示的agent結構,Flume支持設置sink的Failover和Load Balance,這樣就可以保證即使有一個agent失效的情況下,整個系統仍能正常收集數據。

  

技術分享圖片

  Flume中傳輸的內容定義為事件(Event),事件由Headers(包含元數據,Meta Data)和Payload組成。

  Flume提供SDK,可以支持用戶定制開發:

  Flume客戶端負責在事件產生的源頭把事件發送給Flume的Agent。客戶端通常和產生數據源的應用在同一個進程空間。常見的Flume客戶端有Avro,log4J,syslog和HTTP Post。另外ExecSource支持指定一個本地進程的輸出作為Flume的輸入。當然很有可能,以上的這些客戶端都不能滿足需求,用戶可以定制的客戶端,和已有的FLume的Source進行通信,或者定制實現一種新的Source類型。

  同時,用戶可以使用Flume的SDK定制Source和Sink。似乎不支持定制的Channel。

  2、Fluentd

  官網:http://docs.fluentd.org/articles/quickstart

  Fluentd是另一個開源的數據收集框架。Fluentd使用C/Ruby開發,使用JSON文件來統一日誌數據。它的可插拔架構,支持各種不同種類和格式的數據源和數據輸出。最後它也同時提供了高可靠和很好的擴展性。Treasure Data, Inc 對該產品提供支持和維護。

  

技術分享圖片

  Fluentd的部署和Flume非常相似:

  

技術分享圖片

  Fluentd的架構設計和Flume如出一轍:

  

技術分享圖片

  Fluentd的Input/Buffer/Output非常類似於Flume的Source/Channel/Sink。

  Input

  Input負責接收數據或者主動抓取數據。支持syslog,http,file tail等。

  Buffer

  Buffer負責數據獲取的性能和可靠性,也有文件或內存等不同類型的Buffer可以配置。

  Output

  Output負責輸出數據到目的地例如文件,AWS S3或者其它的Fluentd。

  Fluentd的配置非常方便,如下圖:

  

技術分享圖片

  Fluentd的技術棧如下圖:

  

技術分享圖片

  FLuentd和其插件都是由Ruby開發,MessgaePack提供了JSON的序列化和異步的並行通信RPC機制。

  

技術分享圖片

  Cool.io是基於libev的事件驅動框架。

  FLuentd的擴展性非常好,客戶可以自己定制(Ruby)Input/Buffer/Output。

  Fluentd從各方面看都很像Flume,區別是使用Ruby開發,Footprint會小一些,但是也帶來了跨平臺的問題,並不能支持Windows平臺。另外采用JSON統一數據/日誌格式是它的另一個特點。相對去Flumed,配置也相對簡單一些。

  3、Logstash

  https://github.com/elastic/logstash

  Logstash是著名的開源數據棧ELK (ElasticSearch, Logstash, Kibana)中的那個L。

  Logstash用JRuby開發,所有運行時依賴JVM。

  Logstash的部署架構如下圖,當然這只是一種部署的選項。

  

技術分享圖片

  一個典型的Logstash的配置如下,包括了Input,filter的Output的設置。

  

技術分享圖片

  幾乎在大部分的情況下ELK作為一個棧是被同時使用的。所有當你的數據系統使用ElasticSearch的情況下,logstash是首選。

  4、Chukwa

  官網:https://chukwa.apache.org/

  Apache Chukwa是apache旗下另一個開源的數據收集平臺,它遠沒有其他幾個有名。Chukwa基於Hadoop的HDFS和Map Reduce來構建(顯而易見,它用Java來實現),提供擴展性和可靠性。Chukwa同時提供對數據的展示,分析和監視。很奇怪的是它的上一次github的更新事7年前。可見該項目應該已經不活躍了。

  Chukwa的部署架構如下:

  

技術分享圖片

  Chukwa的主要單元有:Agent,Collector,DataSink,ArchiveBuilder,Demux等等,看上去相當復雜。由於該項目已經不活躍,我們就不細看了。

  5、Scribe

  代碼托管:https://github.com/facebookarchive/scribe

  Scribe是Facebook開發的數據(日誌)收集系統。已經多年不維護,同樣的,就不多說了。

  

技術分享圖片

  6、Splunk Forwarder

  官網:http://www.splunk.com/

  以上的所有系統都是開源的。在商業化的大數據平臺產品中,Splunk提供完整的數據采金,數據存儲,數據分析和處理,以及數據展現的能力。

  Splunk是一個分布式的機器數據平臺,主要有三個角色:

  Search Head負責數據的搜索和處理,提供搜索時的信息抽取。

  Indexer負責數據的存儲和索引

  Forwarder,負責數據的收集,清洗,變形,並發送給Indexer

  

技術分享圖片

  Splunk內置了對Syslog,TCP/UDP,Spooling的支持,同時,用戶可以通過開發Script Input和Modular Input的方式來獲取特定的數據。在Splunk提供的軟件倉庫裏有很多成熟的數據采集應用,例如AWS,數據庫(DBConnect)等等,可以方便的從雲或者是數據庫中獲取數據進入Splunk的數據平臺做分析。

  這裏要註意的是,Search Head和Indexer都支持Cluster的配置,也就是高可用,高擴展的,但是Splunk現在還沒有針對Farwarder的Cluster的功能。也就是說如果有一臺Farwarder的機器出了故障,數據收集也會隨之中斷,並不能把正在運行的數據采集任務Failover到其它的Farwarder上。

  總結

  我們簡單討論了幾種流行的數據收集平臺,它們大都提供高可靠和高擴展的數據收集。大多平臺都抽象出了輸入,輸出和中間的緩沖的架構。利用分布式的網絡連接,大多數平臺都能實現一定程度的擴展性和高可靠性。

  其中Flume,Fluentd是兩個被使用較多的產品。如果你用ElasticSearch,Logstash也許是首選,因為ELK棧提供了很好的集成。Chukwa和Scribe由於項目的不活躍,不推薦使用。

  Splunk作為一個優秀的商業產品,它的數據采集還存在一定的限制,相信Splunk很快會開發出更好的數據收集的解決方案。

  End.

?

開發者一定要了解的六款大數據采集平臺