Flume三大核心组件

Flume的三大核心组件：
Source：数据源
Channel：临时存储数据的管道
Sink：目的地

Source：数据源：通过source组件可以指定让Flume读取哪里的数据，然后将数据传递给后面的
channel

Flume内置支持读取很多种数据源，基于文件、基于目录、基于TCP\UDP端口、基于HTTP、Kafka的等等、并且他也是支持自定义的

常用的数据源：

1） Exec Source：实现文件监控，可以实时监控文件中的新增内容，类似于linux中的tail -f 效果。
        在这需要注意 tail -F 和 tail -f 的区别
        tail -F
        等同于–follow=name --retry，根据文件名进行追踪，并保持重试，即该文件被删除或改后，如果再次创建相同的文件名，会继续追踪
        1tail -f
        等同于–follow=descriptor，根据文件描述符进行追踪，当文件改名或被删除，追踪停止
在实际工作中我们的日志数据一般都会通过log4j记录，log4j产生的日志文件名称是固定的，每天定时给文件重命名
        假设默认log4j会向access.log文件中写日志，每当凌晨0点的时候，log4j都会对文件进行重命名，在access后面添加昨天的日期，然后再创建新的access.log记录当天的新增日志数据。
这个时候如果想要一直监控access.log文件中的新增日志数据的话，就需要使用tail -F
2）NetCat TCP/UDP Source： 采集指定端口(tcp、udp)的数据，可以读取流经端口的每一行数据
3）Spooling Directory Source：采集文件夹里新增的文件
4）Kafka Source：从Kafka消息队列中采集数据

其中execsource 和 kafkasource在实际工作中是最常见的，可以满足大部分的数据采集需求。

Channel：接受Source发出的数据，可以把channel理解为一个临时存储数据的管道
Channel的类型有很多：内存、文件，内存+文件、JDBC等

1）Memory Channel：使用内存作为数据的存储
优点是效率高，因为就不涉及磁盘IO
缺点有两个
        1：可能会丢数据，如果Flume的agent挂了，那么channel中的数据就丢失了。
        2：内存是有限的，会存在内存不够用的情况
2）File Channel：使用文件来作为数据的存储
优点是数据不会丢失
缺点是效率相对内存来说会有点慢，但是这个慢并没有我们想象中的那么慢，
所以这个也是比较常用的一种channel。
3）Spillable Memory Channel：使用内存和文件作为数据存储，即先把数据存到内存中，如果内存中数据达到阈值再flush到文件中
优点：解决了内存不够用的问题。
缺点：还是存在数据丢失的风险

Sink：从Channel中读取数据并存储到指定目的地
Sink的表现形式有很多：打印到控制台、HDFS、Kafka等，

注意：Channel中的数据直到进入目的地才会被删除，当Sink写入目的地失败后，可以自动重写，
不会造成数据丢失，这块是有一个事务保证的。

常用的sink组件有：
1）Logger Sink：将数据作为日志处理，可以选择打印到控制台或者写到文件中，这个主要在测试的时候使用
2）HDFS Sink：将数据传输到HDFS中，这个是比较常见的，主要针对离线计算的场景
3）Kafka Sink：将数据发送到kafka消息队列中，这个也是比较常见的，主要针对实时计算场景，数据不落盘，实时传输，最后使用实时计算框架直接处理。