在構(gòu)建大數(shù)據(jù)流水線時(shí)，我們需要考慮處理數(shù)據(jù)的數(shù)量，種類和速度，這些數(shù)據(jù)通常出現(xiàn)在Hadoop生態(tài)系統(tǒng)的入口。在決定采用哪種工具來(lái)滿足我們的要求時(shí)，都會(huì)考慮到可擴(kuò)展性、可靠性、適應(yīng)性、開(kāi)發(fā)時(shí)間方面的成本等初步因素。在本文中，我們將簡(jiǎn)要介紹三種Apache處理工具：Flume，Kafka和NiFi。這三種產(chǎn)品都具有出色的性能，可以橫向擴(kuò)展，并提供插件機(jī)制，可通過(guò)自定義組件擴(kuò)展功能。

Apache Flume

Flume部署由一個(gè)或多個(gè)使用拓?fù)渑渲玫拇斫M成。Flume代理是一個(gè)JVM進(jìn)程，它承載Flume拓?fù)涞幕緲?gòu)建塊，即源、通道和接收器。Flume客戶機(jī)將事件發(fā)送到源，該源將這些事件成批放置到名為channel的臨時(shí)緩沖區(qū)中，然后從該緩沖區(qū)中數(shù)據(jù)流到連接到數(shù)據(jù)最終目的地的接收器。接收器也可以是其他Flume代理的后續(xù)數(shù)據(jù)源。代理可以被鏈接，并且每個(gè)代理都有多個(gè)源、通道和接收器。

Flume是一個(gè)分布式系統(tǒng)，可用于收集、聚合流事件并將其傳輸?shù)紿adoop中。它有許多內(nèi)置的源、通道和接收器，例如Kafka通道和Avro接收器。Flume是基于配置的，它有攔截器來(lái)對(duì)通道中的數(shù)據(jù)執(zhí)行簡(jiǎn)單的轉(zhuǎn)換。

如果不小心，使用Flume很容易丟失數(shù)據(jù)。例如，為高吞吐量選擇內(nèi)存通道有一個(gè)缺點(diǎn)，即當(dāng)代理節(jié)點(diǎn)關(guān)閉時(shí)，數(shù)據(jù)將丟失。文件通道將以增加延遲為代價(jià)提供持久性。即使如此，由于數(shù)據(jù)沒(méi)有復(fù)制到其他節(jié)點(diǎn)，因此文件通道僅與底層磁盤一樣的可靠性。Flume通過(guò)多跳/扇入扇出流提供了可伸縮性。對(duì)于高可用性（HA），可以水平擴(kuò)展代理。

Apache Kafka

Kafka是一種分布式、高吞吐量的消息總線，它將數(shù)據(jù)生產(chǎn)者與消費(fèi)者分離開(kāi)來(lái)。消息被組織成主題，主題被拆分成分區(qū)，分區(qū)被跨集群中的節(jié)點(diǎn)（稱為代理）復(fù)制。與Flume相比，Kafka具有更好的可擴(kuò)展性和消息持久性。Kafka現(xiàn)在有兩種風(fēng)格：一種是“經(jīng)典”的生產(chǎn)者/消費(fèi)者模型，另一種是新的Kafka-Connect，它為外部數(shù)據(jù)存儲(chǔ)提供可配置的連接器（源/接收器）。

Kafka可用于大型軟件系統(tǒng)組件之間的事件處理和集成。此外，Kafka附帶了Kafka流，它可以用于簡(jiǎn)單的流處理，而不需要像Apache Spark或Apache Flink那樣的單獨(dú)集群。

由于消息被持久化在磁盤上，并且在集群中被復(fù)制，因此數(shù)據(jù)丟失情況不像Flume那樣常見(jiàn)。也就是說(shuō)，無(wú)論是使用Kafka客戶端還是通過(guò)Connect API，生產(chǎn)者/來(lái)源和消費(fèi)者/接收器通常都需要自定義編碼。與Flume一樣，消息大小也有限制。最后，為了能夠進(jìn)行通信，Kafka的生產(chǎn)者和消費(fèi)者必須就協(xié)議、格式和架構(gòu)達(dá)成一致，這在某些情況下可能會(huì)有問(wèn)題。

Apache NiFi

與Flume和Kafka不同，NiFi可以處理任意大小的消息。在基于Web的拖放式用戶界面后面，NiFi在集群中運(yùn)行，并提供實(shí)時(shí)控制，使您可以輕松管理任何源和任何目標(biāo)之間的數(shù)據(jù)移動(dòng)。它支持不同格式、模式、協(xié)議、速度和大小的分散和分布式源。

NiFi可以用于具有嚴(yán)格安全性和合規(guī)性要求的關(guān)鍵任務(wù)數(shù)據(jù)流中，在那里我們可以可視化整個(gè)過(guò)程并實(shí)時(shí)進(jìn)行更改。在撰寫本文時(shí)，它有近200個(gè)隨時(shí)可用的處理器（包括Flume和Kafka處理器），可以進(jìn)行拖放、配置和立即投入使用。NiFi的一些關(guān)鍵特性是優(yōu)先級(jí)排隊(duì)、數(shù)據(jù)跟蹤和每個(gè)連接的背壓閾值配置。 

盡管NiFi用于創(chuàng)建容錯(cuò)生產(chǎn)管道，但它還沒(méi)有像Kafka那樣復(fù)制數(shù)據(jù)。如果一個(gè)節(jié)點(diǎn)發(fā)生故障，那么可以將流定向到另一個(gè)節(jié)點(diǎn)，但是排隊(duì)等待故障節(jié)點(diǎn)的數(shù)據(jù)必須等待該節(jié)點(diǎn)恢復(fù)。NiFi不是一個(gè)成熟的ETL工具，也不是復(fù)雜計(jì)算和事件處理（CEP）的理想選擇。為此，它應(yīng)該連接到Apache Flink，Spark Streaming或Storm等流式傳輸框架。

組合

沒(méi)有哪個(gè)工具滿足您的所有要求。組合以更好方式執(zhí)行不同操作的工具可以實(shí)現(xiàn)功能的增強(qiáng)，并提高處理更多場(chǎng)景的靈活性。根據(jù)您的需求，NiFi和Flume都可以充當(dāng)Kafka生產(chǎn)者或消費(fèi)者。

Flume-Kafka集成非常受歡迎，它有自己的名字：Flafka（我不是這樣做的）。Flafka包括Kafka源，Kafka通道和Kafka池。結(jié)合Flume和Kafka，Kafka可以避免自定義編碼并利用Flume經(jīng)過(guò)實(shí)戰(zhàn)考驗(yàn)的資源和接收器，通過(guò)Kafka通道的Flume事件將在Kafka代理中進(jìn)行存儲(chǔ)和復(fù)制，以實(shí)現(xiàn)彈性。

組合工具可能看起來(lái)很浪費(fèi)，因?yàn)樗坪踉诠δ鼙容^重疊。例如，NiFi和Kafka都提供了代理來(lái)連接生產(chǎn)者和消費(fèi)者。但是，它們的做法不同：在NiFi中，大部分?jǐn)?shù)據(jù)流邏輯不在生產(chǎn)者/消費(fèi)者內(nèi)部，而是在代理中，允許集中控制。NiFi的構(gòu)建是為了做一件重要的事情：數(shù)據(jù)流管理。通過(guò)兩種工具的結(jié)合，NiFi可以充分利用Kafka可靠的流數(shù)據(jù)存儲(chǔ)，同時(shí)解決Kafka無(wú)法解決的數(shù)據(jù)流挑戰(zhàn)。

END

總結(jié)：