大数据摄取：Flume，Kafka和NiFi

初赛

在构建大数据管道时，我们需要考虑如何吸收出现在通常是Hadoop生态系统大门口的数据量，多样性和速度。在决定采用哪种工具来满足我们的要求时，诸如可伸缩性，可靠性，适应性，开发时间成本等方面的初步考虑都将发挥作用。在这篇文章中。我们将简要介绍三个Apache提取工具： Flume ， Kafka和NiFi 。所有这三种产品均具有出色的性能，可以水平缩放，并提供一种插件架构，可以通过自定义组件扩展功能。

阿帕奇水槽

Flume部署由一个或多个配置了拓扑的代理组成。 Flume Agent是一个JVM进程，它承载Flume拓扑的基本构建块，即源，通道和接收器。 Flume客户端将事件发送到源，源将这些事件成批放置到称为通道的临时缓冲区中，然后数据从那里流到连接到数据最终目标的接收器。接收器也可以是其他Flume代理的后续数据源。代理可以链接起来，并且每个都有多个源，通道和接收器。

Flume是一个分布式系统，可用于收集，聚合流事件并将其传输到Hadoop中。它带有许多内置源，通道和接收器，例如Kafka Channel和Avro接收器。 Flume基于配置，并具有拦截器 ，可对运行中的数据执行简单的转换。

如果不小心，很容易使用Flume丢失数据。例如，选择内存通道以实现高吞吐量具有不利的一面，即当代理程序节点发生故障时，数据将丢失。 文件通道将以增加延迟为代价提供持久性。即使这样，由于数据不会复制到其他节点，因此File通道仅与基础磁盘一样可靠。 Flume确实通过多跳/扇入扇出流提供了可伸缩性。对于高可用性（HA），可以水平缩放代理。

阿帕奇·卡夫卡

Kafka是一种分布式的高吞吐量消息总线，可将数据生产者与消费者分离。消息按主题进行组织，主题被划分为多个分区，并且跨集群中的节点（称为代理）复制分区。与Flume相比，Kafka具有更好的可伸缩性和消息持久性。 Kafka现在有两种形式：“经典”生产者/消费者模型，以及新的Kafka-Connect ，它提供了到外部数据存储的可配置连接器（源/接收器）。

Kafka可用于事件处理以及大型软件系统的组件之间的集成。开箱即用地处理数据峰值和背压（快速生产，缓慢消费）。此外，Kafka附带有Kafka Streams ，可以将其用于简单的流处理，而无需像Apache Spark或Apache Flink那样需要单独的集群。

由于消息在磁盘上持久保存并在群集中复制，因此数据丢失的情况比Flume少见。也就是说，使用Kafka客户端或通过Connect API，生产者/源和消费者/接收者通常需要自定义编码。与Flume一样，邮件大小也有限制。最后，为了能够进行通信，Kafka的生产者和消费者都必须就协议，格式和模式达成共识，这在某些情况下可能会出现问题。

Apache NiFi

NiFl与Flume和Kafka不同。可以处理任意大小的消息。 NiFi在基于Web的拖放式UI的背后，在群集中运行，并提供实时控制，可轻松管理任何源与任何目标之间的数据移动。它支持格式，架构，协议，速度和大小不同的分散源。

NiFi可以用于具有严格安全性和合规性要求的关键任务数据流，我们可以在其中可视化整个过程并立即进行实时更改。在撰写本文时，它具有近200个开箱即用的处理器（包括Flume和Kafka处理器），可以立即拖放，配置和投入使用。 NiFi的一些关键功能是优先排序队列，数据可追溯性和每个连接的背压阈值配置。

尽管NiFi用来创建容错生产流水线，但它尚未像Kafka一样复制数据。如果某个节点发生故障，则可以将流定向到另一个节点，但是排队到故障节点的数据将不得不等待，直到该节点恢复正常。 NiFi并不是成熟的ETL工具，也不是复杂计算和事件处理（ CEP ）的理想选择。为此，它应该连接到Apache Flink，Spark Streaming或Storm之类的流框架。

组合方式

没有一个可以同时完成所有任务并满足您所有需求的单一工具。结合使用以更好的方式完成不同任务的工具，可以增强功能，并在处理更多场景时增加灵活性。根据您的需求，NiFi和Flume都可以充当Kafka的生产者和/或消费者。

Flume-Kafka集成非常流行，它有自己的名字： Flafka （我没有做这个）。 Flafka包括一个Kafka源，Kafka频道和Kafka水槽。将Flume和Kafka结合使用可使Kafka避免自定义编码，并利用Flume经过实战检验的源和接收器，而通过Kafka渠道存储的Flume事件将在Kafka经纪人之间存储和复制，以实现弹性。

组合工具可能看起来很浪费，因为它似乎在功能上造成了一些重叠。对于例如，NiFi和Kafka都提供经纪人来联系生产者和消费者。但是，它们的做法有所不同：在NiFi中，大部分数据流逻辑不是位于生产者/消费者内部，而是位于代理中，从而可以进行集中控制。 NiFi的创建是为了做好一件重要的事情： 数据流管理 。结合使用这两种工具，NiFi可以利用Kafka可靠的流数据存储，同时解决Kafka并非旨在解决的数据流挑战。