大資料系統資料擷取產品的架構分析

標籤：

任何完整的大資料平台，一般包括以下的幾個過程：

1. 資料擷取

2. 資料存放區

3. 資料處理

4. 資料展現（可視化，報表和監控）

其中，資料擷取是所有資料系統必不可少的，隨著大資料越來越被重視，資料擷取的挑戰也變的尤為突出。這其中包括：

• 資料來源多種多樣

• 資料量大，變化快

• 如何保證資料擷取的可靠性的效能

• 如何避免重複資料

• 如何保證資料的品質

我們今天就來看看當前可用的一些資料擷取的產品，重點關注一些它們是如何做到高可靠，高效能和高擴充。

Apache Flume

Flume 是Apache旗下，開源，高可靠，高擴充，容易管理，支援客戶擴充的資料擷取系統。 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并日誌資料的系統，後來逐漸發展用於處理流資料事件。

Flume設計成一個分布式的管道架構，可以看作在資料來源和目的地之間有一個Agent的網路，支援資料路由。

每一個agent都由Source，Channel和Sink組成。

• Source

  Source負責接收輸入資料，並將資料寫入管道。Flume的Source支援HTTP，JMS，RPC，NetCat，Exec，Spooling Directory。其中Spooling支援監視一個目錄或者檔案，解析其中新產生的事件。

• Channel

  Channel 儲存，緩衝從source到Sink的中間資料。可使用不同的配置來做Channel，例如記憶體，檔案，JDBC等。使用記憶體效能高但不持久，有可能丟資料。使用檔案更可靠，但效能不如記憶體。

• Sink

  Sink負責從管道中讀出資料並發給下一個Agent或者最終的目的地。Sink支援的不同目的地種類包括：HDFS，HBASE，Solr，Elasticsearch，File，Logger或者其它的Flume Agent

Flume在source和sink端都使用了transaction機制保證在資料轉送中沒有資料丟失。

Source上的資料可以複製到不同的通道上。每一個Channel也可以串連不同數量的Sink。這樣串連不同配置的Agent就可以組成一個複雜的資料收集網路。通過對agent的配置，可以組成一個路由複雜的資料轉送網路。

配置如所示的agent結構，Flume支援設定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資料。

Flume中傳輸的內容定義為事件（Event），事件由Headers（包含中繼資料，Meta Data）和Payload組成。

Flume提供SDK，可以支援使用者定製開發：

Flume用戶端負責在事件產生的源頭把事件發送給Flume的Agent。用戶端通常和產生資料來源的應用在同一個進程空間。常見的Flume用戶端有Avro，log4J，syslog和HTTP Post。另外ExecSource支援指定一個本地進程的輸出作為Flume的輸入。當然很有可能，以上的這些用戶端都不能滿足需求，使用者可以定製的用戶端，和已有的FLume的Source進行通訊，或者定製實現一種新的Source類型。

同時，使用者可以使用Flume的SDK定製Source和Sink。似乎不支援定製的Channel。

Fluentd

Fluentd （Github 地址）是另一個開源的資料收集架構。Fluentd使用C/Ruby開發，使用JSON檔案來統一日誌資料。它的可插拔架構，支援各種不同種類和格式的資料來源和資料輸出。最後它也同時提供了高可靠和很好的擴充性。Treasure Data, Inc對該產品提供支援和維護。

Fluentd的部署和Flume非常相似：

Fluentd的架構設計和Flume如出一轍：

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

• Input

  Input負責接收資料或者主動抓取資料。支援syslog，http，file tail等。

• Buffer

  Buffer負責資料擷取的效能和可靠性，也有檔案或記憶體等不同類型的Buffer可以配置。

• Output

  Output負責輸出資料到目的地例如檔案，AWS S3或者其它的Fluentd。

Fluentd的配置非常方便，如：

Fluentd的技術棧如：

FLuentd和其外掛程式都是由Ruby開發，MessgaePack提供了JSON的序列化和非同步並行通訊RPC機制。

Cool.io是基於libev的事件驅動架構。

FLuentd的擴充性非常好，客戶可以自己定製（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，但是也帶來了跨平台的問題，並不能支援Windows平台。另外採用JSON統一資料／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。

Logstash

Logstash是著名的開來源資料棧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，當然這隻是一種部署的選項。

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

input {  file {    type => "apache-access"    path => "/var/log/apache2/other_vhosts_access.log"  }  file {    type => "apache-error"    path => "/var/log/apache2/error.log"  }}filter {  grok {    match => { "message" => "%{COMBINEDAPACHELOG}" }  }  date {  match => [ "timestamp" , "dd/MMM/yyyy:HH:mm:ss Z" ]  }}output {  stdout { }  redis {    host => "192.168.1.200"    data_type => "list"    key => "logstash"  }}

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

Chukwa

Apache Chukwa （github）是apache旗下另一個開源的資料收集平台，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），提供擴充性和可靠性。Chukwa同時提供對資料的展示，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。

Chukwa的主要單元有：Agent，Collector，DataSink，ArchiveBuilder，Demux等等，看上去相當複雜。

由於該項目已經不活躍，我們就不細看了。

Scribe

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

Splunk Forwarder

以上的所有系統都是開源的，在商業化的大資料平台產品中，Splunk提供完整的資料採金，資料存放區，資料分析和處理，以及資料展現的能力。

Splunk是一個分布式的機器資料平台，主要有三個角色：

• Search Head負責資料的搜尋和處理，提供搜尋時的資訊抽取。

• Indexer負責資料的儲存和索引

• Forwarder，負責資料的收集，清洗，變形，並發送給Indexer
  

Splunk內建了對Syslog，TCP/UDP，Spooling的支援，同時，使用者可以通過開發Script Input和Modular Input的方式來擷取特定的資料。在Splunk提供的軟體倉庫裡有很多成熟的資料擷取應用，例如AWS，資料庫（DBConnect）等等，可以方便的從雲或者是資料庫中擷取資料進入Splunk的資料平台做分析。

這裡要注意的是，Search Head和Indexer都支援Cluster的配置，也就是高可用，高擴充的，但是Splunk現在還沒有針對Farwarder的Cluster的功能。也就是說如果有一台Farwarder的機器出了故障，資料收集也會隨之中斷，並不能把正在啟動並執行資料擷取任務Failover到其它的Farwarder上。

總結

我們簡單討論了幾種流行的資料收集平台，它們大都提供高可靠和高擴充的資料收集。大多平台都抽象出了輸入，輸出和中間的緩衝的架構。利用分布是的網路連接，大多數平台都能實現一定程度的擴充性和高可靠性。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棧提供了很好的整合。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，它的資料擷取還存在一定的限制，相信Splunk很快會開發出更好的資料收集的解決方案。

大資料系統資料擷取產品的架構分析