日志系统之Flume采集加morphline解析

jopen 9年前

 

概述

这段时间花了部分时间在处理 消息总线 跟日志的对接上。这里分享一下在日志采集和日志解析中遇到的一些问题和处理方案。

日志采集-flume

logstash VS flume

首先谈谈我们在日志采集器上的选型。由于我们选择采用ElasticSearch作为日志的存储与搜索引擎。而基于 ELK（ElasticSearch，Logstash，Kibana）的技术栈在日志系统方向又是如此流行，所以把Logstash列入考察对象也是顺 理成章，Logstash在几大主流的日志收集器里算是后起之秀，被Elastic收购之后更加成熟，社区也比较活跃。

Logstash的设计：input，filter,output。flume的设计source，channel，sink，当然flume也有interceptor。具体的设计就不多废话，大致上都是 拆分 ， 解耦 ， pipeline(管道) 的思想。同时，它们都支持分布式扩展，比如Logstash既可以作为shipper也可作为indexer，flume可以多个agent组成分布式事件流。

我对flume的接触早于Logstash。最近调研Logstash的时候，对它强大的filter印象深刻，特别是grok。而之前flume阵营强调最多的是它的source,sink,channel对各种开源组件的扩展支持非常强大。

Logstash固然是一个不错的，但它采用JRuby语言（一种形似Ruby语法的JVM平台的语言）实现使得它的 定制性不够灵活 ，这是我放弃Logstash的主要原因。因为生态的原因，我确实需要Java技术栈提供的扩展性（这里主要目标是将 消息总线 作为日志采集的缓存队列），而这正是flume的强项。但flume里很少有提及对日志的解析支持，即便有支持正则的interceptor，也只是很有限的查找、替换之类的。经过一番调研发现其实flume提供了这样一个interceptor——morphline。它可以完成对日志的解析。

日志解析-morphline

morphline简介

morphline是由flume的母公司cloudera开源的一个ETL框架。它用于构建、改变基于Hadoop进行 ETL（extract、transfer、load）的流式处理程序。（值得一提的是flume是由cloudera捐献给Apache的，后来经过重 构成了flume-ng）。morphline使得你在构建ETL Job不需要编码并且不需要大量的MapReduce技巧。

morphline是一个富配置文件可以很简单得定义一个转化链，用于从任何数据源消费任何类型的数据，处理数据然后加载结果到Hadoop组件中。它用简单的配置步骤代替了Java编程。

morphline是一个类库，可以嵌入任何java程序中。morphline是一个内存容器可以存储转化命令。这些命令以插件的形式被加载到 morphline中以执行任务，比如加载、解析、转化或者处理单条记录。一个记录是在内存中的名称-值对的数据结构。而且morphline是可扩展 的，可以集成已存在的功能和第三方系统。

这篇文章不是morphline的软文，所以更多介绍请移步 cloudera的CDK官方文档 。

这里有副图，形象地展示了morphline大致的处理模型：

日志系统之Flume采集加morphline解析

这里还有一幅图，展示了在大数据生态系统中，morphline的架构模型：

日志系统之Flume采集加morphline解析

后来morphline的开发主要由Kite主导，它是构建于Hadoop上的一套抽象的数据模型层的API接口。这里有 kiteSDK关于morphline的文档说明 。

强大的正则提取器——grok

其实我找morphline就是为了找grok，或者找到一种提供grok的切入口。grok利用正则的解析能力从非结构化的日志数据中提取结构化的字 段。因为Logstash已经提供了一大堆的经过验证的grok规则，这是Logstash的优势，如果能够将这些规则直接在flume里使用，那么将能 够直接集成Logstash的能力（其实，只要有文本是规则的，正则都能提取出来，但已经有成熟的东西就没必要自己再花费巨大的功夫去验证）。这里有 grok的说明文档 ，就不再过多介绍了。

服务端使用morphline

flume在agent里利用morphline。在client端对日志进行ETL的优势可以利用客户端PC分散的计算能力以省去服务端解析的 麻烦，但agent的数量非常之多，而且散布在各个生产服务器上，日志的格式也是五花八门。也就是说，在agent做太多的事情将使得我们在应对改变的时 候缺乏灵活性。所以，我们在客户端只收集不解析。而在服务端利用morphline对日志进行解析。相当于启动一个解析服务，从日志采集队列中提取日志， 用morphline进行解析转换，然后再将解析过的更结构化的日志发送到索引队列，等到索引服务将其存入ElasticSearch。整个过程大致如下 图：

日志系统之Flume采集加morphline解析

这种异步的基于队列的pipeline其实跟Storm这样的流处理器的同步pipeline本质上殊途同归，都是在利用廉价的PC来平摊计算量。

程序示例

为了在你的程序中使用morphline，首先需要添加对morphline的maven依赖： 

<dependency>      <groupId>org.kitesdk</groupId>      <artifactId>kite-morphlines-all</artifactId>      <version>${kite.version}</version>      <exclusions>          <exclusion>              <groupId>org.apache.hadoop</groupId>              <artifactId>hadoop-common</artifactId>          </exclusion>      </exclusions>      <type>pom</type>      <optional>true</optional>  </dependency>

版本是 1.0.0 。需要注意的是，这里面有些依赖，需要从推ter的仓库里去下载，所以你懂的：请自备梯子。

示例程序： 

private void process(Message message) {      msgBuffer.add(message);        if (msgBuffer.size() < MESSAGE_BUFFER_SIZE) return;        try {          Notifications.notifyBeginTransaction(morphline);            for (Message msg : msgBuffer) {              Event logEvent = GSON.fromJson(new String(msg.getContent()), Event.class);                String originalLog = new String(logEvent.getBody());              logEvent.getHeaders().put(MORPHLINE_GROK_FIELD_NAME, originalLog);              logEvent.setBody(null);                Record record = new Record();              for (Map.Entry<String, String> entry : logEvent.getHeaders().entrySet()) {                  record.put(entry.getKey(), entry.getValue());              }              byte[] bytes = logEvent.getBody();              if (bytes != null && bytes.length > 0) {                  logger.info("original : " + new String(bytes));                  record.put(Fields.ATTACHMENT_BODY, bytes);              }                Notifications.notifyStartSession(morphline);              boolean success = morphline.process(record);              if (!success) {                  logger.error("failed to process record! from : " + morphlineFileAndId);                  logger.error("record body : " + new String(logEvent.getBody()));              }          }            //do some ETL jobs          List<Record> records = this.extract();            List<Event> events = this.transfer(records);            this.load(events);        } catch (JsonSyntaxException e) {          logger.error(e);          Notifications.notifyRollbackTransaction(morphline);      } finally {          //clear buffer and extractor          this.extracter.getRecords().clear();          this.msgBuffer.clear();          Notifications.notifyCommitTransaction(morphline);          Notifications.notifyShutdown(morphline);      }  }

这里只是部分代码，展示morphline的大致用法。主要的逻辑在配置文件中： 

morphlines : [      {          id : morphline1          importCommands : ["org.kitesdk.**"]            commands : [              {                  grok {                      dictionaryString : """                                           """                      expressions : {                                  original : """"""                      }                      extract : true                      numRequiredMatches : atLeastOnce # default is atLeastOnce                      findSubstrings : false                      addEmptyStrings : false                  }              }                { logInfo { format : "output record: {}", args : ["@{}"] } }          ]      }  ]

如上所述，我们最主要的是想利用grok来解析日志，而logstash已经提供了 大量的grok patterns 供你开箱即用，但对于自定义的日志格式类型，你通常都需要自行解析。这里有个 grok 在线debug工具 。

综述

其实，业界使用flume都是规模较大的互联网公司，比如美团。它们通常会使用flume+kafka+storm+hadoop生态系统。利用 storm stream做实时解析，利用mapreduce做离线分析，这种高度定制化的使用场景，几乎不需要flume的agent在客户端进行解析的能力，因此 flume的morphline也就很少被提及。

但morphline还是不可多得的文本ETL利器，无论你是在采集的时候直接用morphline 做ETL还是在服务端做，flume+morphline加起来带来的灵活性也不输Logstash。