果断收藏!六大主流大数据采集平台架构分析
随着大数据越来越被重视,数据采集的挑战变的尤为突出。今天为大家介绍几款数据采集平台:
- Apache Flume
- Fluentd
- Logstash
- Chukwa
- Scribe
- Splunk Forwarder
大数据平台与数据采集
任何完整的大数据平台,一般包括以下的几个过程:
数据采集-->数据存储-->数据处理-->数据展现(可视化,报表和监控)
![](http://s3.51cto.com/wyfs02/M01/7A/71/wKioL1apfv6RjLHMAACfbUCEwBE783.jpg)
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六款数据采集的产品,重点关注它们是如何做到高可靠,高性能和高扩展。
1、Apache Flume
官网:https://flume.apache.org/
Flume 是Apache旗下的一款开源、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。
![](http://s3.51cto.com/wyfs02/M02/7A/71/wKiom1apfrfipMnCAAAgSD1BXs8214.jpg)
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。
![](http://s4.51cto.com/wyfs02/M02/7A/71/wKioL1apfv7zXcWpAAAtR6d1qfk632.jpg)
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。
![](http://s3.51cto.com/wyfs02/M01/7A/71/wKiom1apfrfwMHkGAABBf84ZxLA862.jpg)
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。
![](http://s2.51cto.com/wyfs02/M00/7A/71/wKiom1apfrjQ_JWzAAA75xE_cgU248.jpg)
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。
![](http://s2.51cto.com/wyfs02/M00/7A/71/wKioL1apfv7hSQqqAABd7FpG6Zk274.jpg)
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。
![](http://s5.51cto.com/wyfs02/M02/7A/71/wKioL1apfv-DcIfyAABOGFo2If8676.jpg)
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。
2、Fluentd
官网:http://docs.fluentd.org/articles/quickstart
Fluentd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。***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。
![](http://s2.51cto.com/wyfs02/M02/7A/71/wKiom1apfrnyEIKPAABt12YoJe4227.jpg)
Fluentd的部署和Flume非常相似:
![](http://s3.51cto.com/wyfs02/M01/7A/71/wKiom1apfrmCiHs4AAEk4nYLC-U245.jpg)
Fluentd的架构设计和Flume如出一辙:
![](http://s1.51cto.com/wyfs02/M00/7A/71/wKioL1apfwDjFWzaAABe6H4Taec898.jpg)
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:
![](http://s3.51cto.com/wyfs02/M00/7A/71/wKiom1apfrmQND5YAACf4ouSIjE252.jpg)
Fluentd的技术栈如下图:
![](http://s3.51cto.com/wyfs02/M01/7A/71/wKioL1apfwGDpCGSAAC8hmDRg6o566.jpg)
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。
![](http://s2.51cto.com/wyfs02/M01/7A/71/wKioL1apfwHDS-7lAABlFsh2l7w034.jpg)
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。
3、Logstash
https://github.com/elastic/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。
![](http://s1.51cto.com/wyfs02/M02/7A/71/wKiom1apfrrRjtnHAABarz0Wc44538.jpg)
一个典型的Logstash的配置如下,包括了Input,filter的Output的设置。
![](http://s1.51cto.com/wyfs02/M02/7A/71/wKioL1apfwHCT9EHAACu2SxCUsc213.jpg)
几乎在大部分的情况下ELK作为一个栈是被同时使用的。所有当你的数据系统使用ElasticSearch的情况下,logstash是***。
4、Chukwa
官网:https://chukwa.apache.org/
Apache Chukwa是apache旗下另一个开源的数据收集平台,它远没有其他几个有名。Chukwa基于Hadoop的HDFS和Map Reduce来构建(显而易见,它用Java来实现),提供扩展性和可靠性。Chukwa同时提供对数据的展示,分析和监视。很奇怪的是它的上一次 github的更新事7年前。可见该项目应该已经不活跃了。
Chukwa的部署架构如下:
![](http://s4.51cto.com/wyfs02/M00/7A/71/wKiom1apfrvhX_WYAACTQZBLVOU641.jpg)
Chukwa的主要单元有:Agent,Collector,DataSink,ArchiveBuilder,Demux等等,看上去相当复杂。由于该项目已经不活跃,我们就不细看了。
5、Scribe
代码托管:https://github.com/facebookarchive/scribe
Scribe是Facebook开发的数据(日志)收集系统。已经多年不维护,同样的,就不多说了。
![](http://s5.51cto.com/wyfs02/M01/7A/71/wKiom1apfruxNl4CAACITJdYESc170.jpg)
6、Splunk Forwarder
官网:http://www.splunk.com/
以上的所有系统都是开源的。在商业化的大数据平台产品中,Splunk提供完整的数据采金,数据存储,数据分析和处理,以及数据展现的能力。
Splunk是一个分布式的机器数据平台,主要有三个角色:
- Search Head负责数据的搜索和处理,提供搜索时的信息抽取。
- Indexer负责数据的存储和索引
- Forwarder,负责数据的收集,清洗,变形,并发送给Indexer
![](http://s1.51cto.com/wyfs02/M02/7A/71/wKioL1apfwLAK0csAADDa5Ml5JQ563.jpg)
Splunk内置了对Syslog,TCP/UDP,Spooling的支持,同时,用户可以通过开发 Input和Modular Input的方式来获取特定的数据。在Splunk提供的软件仓库里有很多成熟的数据采集应用,例如AWS,数据库(DBConnect)等等,可以方便的从云或者是数据库中获取数据进入Splunk的数据平台做分析。
这里要注意的是,Search Head和Indexer都支持Cluster的配置,也就是高可用,高扩展的,但是Splunk现在还没有针对Farwarder的Cluster的功能。也就是说如果有一台Farwarder的机器出了故障,数据收集也会随之中断,并不能把正在运行的数据采集任务Failover到其它的 Farwarder上。
总结
我们简单讨论了几种流行的数据收集平台,它们大都提供高可靠和高扩展的数据收集。大多平台都抽象出了输入,输出和中间的缓冲的架构。利用分布式的网络连接,大多数平台都能实现一定程度的扩展性和高可靠性。
其中Flume,Fluentd是两个被使用较多的产品。如果你用ElasticSearch,Logstash也许是***,因为ELK栈提供了很好的集成。Chukwa和Scribe由于项目的不活跃,不推荐使用。
Splunk作为一个优秀的商业产品,它的数据采集还存在一定的限制,相信Splunk很快会开发出更好的数据收集的解决方案。
相关文章
- 惊喜与局限并存,12c Sharding内测报告抢先看!
- Linux 3.10完全无滴嗒特性详解
- 科普|文本分析浅析——文档分类
- 不看这篇,你可能学不好音乐:音乐可视化与可视分析
- 选择WebSockets还是REST?
- 解忧杂货店:关于MySQL 5.7的188个精彩问答
- Iptables DDOS/CC 自动屏蔽脚本
- 三十项调整助力 Ubuntu 13.04 更上一层楼
- 通过Backtrack Linux 来加强你的安全防御
- 如何定制Linux Mint 15 Cinnamon?
- ping 的 mdev 值
- ubuntu 13.04 安装 GRUB customizer
- 使用 Ubuntu builder 来构建自己的 Ubuntu发行版
- 你的WEP网络很安全?分分钟破解给你看
- 在CentOS 6.4中支持exfat格式的U盘
- 如何设置一个永远无法删除的Cookie
- 用virtualbox搭建私有云计算平台
- 在CentOS/RHEL 6.4上安装Chromium
- 在CentOS/RHEL/Scientific Linux 6下安装 LAMP
- 为 Vim 添加 Sublime Text 的多重选取特性