您的位置: 炊烟美食 > 图书

六大主流大数据采集平台架构分析

2019-08-07来源:炊烟美食

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)。

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

今天我们也来看看主流的几个数据采集平台,重点关注它们是如何做到高可靠,高性能和高扩展。

Apache Flume

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。

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。

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。它支持 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。它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。

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。

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。

配置如上图所示。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。

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。

它提供 SDK,可以支持用户定制开发。

其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。不过它似乎不支持定制的 Channel。

Fluentd

Fluentd 是另一个开源数据收集框架。它使用 C/Ruby 开发,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。

它同时也提供高可靠和很好的扩展性。Treasure Data, Inc 对该产品提供支持和维护。

Fluentd 的部署和 Flume 非常相似:

其 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:

Fluentd 的技术栈如下图:

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。

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。

采用 JSON 统一数据/日志格式也是它的另一个特点。相对于 Flumed,配置也简单一些。

Logstash

Logstash 是著名的开源数据栈 ELK (ElasticSearch, Logstash, Kibana) 中的那个 L。

它用 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。

一个典型的 Logstash 配置如下,包括了 Input、filter、Output 的设置。

几乎在大部分的情况下,ELK 作为一个栈是被同时使用的。所以当你的数据系统使用 ElasticSearch 的情况下,logstash 是首选。

Chukwa

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。它同时提供对数据的展示、分析和监视。奇怪的是,它的上一次 github 更新是7年前,可见该项目应该已经不活跃了。

Chukwa 的部署架构如下:

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。

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。

Splunk Forwarder

在商业化的大数据平台产品中,Splunk 提供完整的数据采集、数据存储、数据分析和处理,以及数据展现的能力。

它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 。

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,可以方便地从云或者数据库中获取数据,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

以上讨论的几种数据收集平台,大都提供高可靠和高扩展的数据收集,同时也抽象出了输入,输出和中间的缓冲的架构。

其中 Flume、Fluentd 是两个被使用较多的产品。如果你用 ElasticSearch,Logstash 也许是首选,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。


长按关注公众号


文章采自网络,版权归原作者所有,本公众号只做展示预览,如有侵权,请联系公众号删除

本文由炊烟美食整理,内容仅供参考,未经书面授权禁止转载!图片来源图虫创意,版权归原作者所有。