大数据系统数据采集产品的架构分析.docxVIP

PAGE 1 PAGE 1 大数据系统数据采集产品的架构分析  我们今日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牢靠，高性能和高扩展。  大数据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  数据呈现(可视化，报表和监控)  图1平台架构  其中，数据采集是全部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牢靠性的性能  如何避免重复数据  如何保证数据的质量  我们今日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牢靠，高性能和高扩展。  ApacheFlume  Flume是Apache旗下，开源，高牢靠，高扩展，简单管理，支持客户扩展的数据采集系统。Flume使用JRuby来构建，所以依靠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，后来渐渐发展用于处理流数据事件。  图2ApacheFlume  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。  图3管道架构  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，SpoolingDirectory。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长久，有可能丢数据。使用文件更牢靠，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FlumeAgent  图4sink  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。  图5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。  图6Source  配置如上图所示的agent结构，Flume支持设置sink的Failover和LoadBalance，这样就可以保证即使有一个agent失效的状况下，整个系统仍能正常收集数据。  图7数据收集  Flume中传输的内容定义为事件(Event)，事件由Headers(包含元数据，MetaData)和Payload组成。  Flume供应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HTTPPost。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意需求，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。好像不支持定制的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。最终它也同时供应了高牢靠和很好的扩展性。TreasureData，Inc对该产品供应支持和维护。  图8Fluentd  Fluentd的部署和Flume特别相似：  图9Fluentd的部署  Fluentd的架构设计和Flume