【推荐收藏】六大主流大数据采集平台架构分析

钱塘大数据



▲ 长按二维码,加入社群

钱塘号官网:www.qthmedia.com

公众号后台回复:“社群”,进入资料分享社群

热门推荐:

德国:认真是一种可怕的力量

华为人均工资高达70万,看看华为员工的15项标准


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。


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


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。

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。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。

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。

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。最后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。

Fluentd的部署和Flume非常相似:

Fluentd的架构设计和Flume如出一辙:

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:

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。

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。

一个典型的Logstash的配置如下,包括了Input,filter的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。所有当你的数据系统使用ElasticSearch的情况下,logstash是首选。


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:

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。


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 

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。



扫码进入知识分享社群

交流~共享~学习~进步


公众号后台回复“sq”,加入社群






干货▶

【干货】45G微信小程序开发合集 

【干货】2000本Kindle电子书免费领取

1000位专家推荐,20本区块链必读书籍(附PDF)

【干货】罗辑思维推荐书单全集,给大脑充电!

苹果发布会PPT源文件,让你的PPT逼格满满!

抖音最火快闪PPT模板,让你的PPT逼格提升

【干货】10本人工智能豆瓣高分书籍,免费领取


科技

大神爬了这些网站的数据,发现价值巨大!

不装X地说,在Google十年,到底学到啥?

中国这7位年轻人正在改变世界

又一位“海归”回美任教,临别赠言值千金

美国斯坦福大学发布2025计划, 创立"开环大学"

美国公布《2016-2045年新兴科技趋势报告》

大数据分析5万首《全唐诗》,发现了这些秘密

【干货】67页PPT,终于把大数据大趋势讲清楚了

德勤财务机器人正式上岗,效率相当惊人

如何用大数据构建精准用户画像?


腾讯发布95页重磅报告:全面预测中国互联网未来

40页PPT看懂麦肯锡的思考方式和沟通法则

程序员之间的十八层鄙视网络

几张图看懂高级经理人与普通管理者的区别

那个16岁盗走马化腾QQ的少年如今怎么样了?


区块链

《2018区块链整体架构及应用》发布

张泉灵:区块链一天,互联网十年

中国首个区块链标准《区块链参考架构》发布

哈佛商业评论:关于区块链的真相

工信部发布《区块链数据格式规范》标准

《腾讯区块链方案白皮书》重磅发布(附全文)

高盛发布区块链报告:从理论到实践(中文版)


其他

日本人眼中的中国制造企业:聪明反被聪明误

中科院教授:举国上下身陷功利漩涡

这是一个残忍的提问:中国的钱都到哪里去了?

北大出疯子,清华出傻子,人大出混混

那盆被骂30天的植物终于死了:语言到底有多恐怖

清华北大现任省部级校友名录

中国的街道都被“统一店招”毁了

北大数学天才柳智宇出家多年,首次接受记者采访

深度长文:中国产业大迁移全景图

深圳十几万打工者“大撤退”

日本人制作汉字版俄罗斯方块,虐哭一票中国人





科技质感丨文化温度丨艺术魅力

▲长按二维码

关注钱塘大数据

拇指代眼阅读时代,很高兴和你相遇




    发送中

    + 关注

    + 订阅

    扫描二维码推荐公众号

    微信公众号