ELK集中化日誌解決方案——看這一篇全搞定

• 2022 年 1 月 4 日
• 筆記
• 技術知識體系

一、前言

在軟體發開技術管理里有兩個永恆經典的問題，適合我們初到一家軟體企業或一家公司的科技團隊，來判斷自己該從哪裡入手幫助整個團隊提升科技水平和產能。問題一是「在我們團隊里，只涉及一行程式碼的變更需要多久才能上線？」，問題二是「在我們團隊里，定位一個線上問題需要多久？流程是什麼？」。問題一關注的是「交付」，問題二關注的是「保障」。今天寫這邊文章跟大家聊聊有關問題二的故事。

不怕大家笑話，我最初的公司每個服務生產上就兩台Tomcat。定位生產問題，就是連上一台機器，然後用使用 cd / tail / grep / sed / awk 等 Linux 腳本去日誌里查找故障原因。如果發現不在這台機器上，就去另一台機器上查日誌。（如果你現在的公司還是這樣干，記住出去面試的時候也不要說是這樣干，不然很容易由於你之前的公司的整體技術水平太low而把你pass掉）

但在應用伺服器規模較大的場景中，此方法效率低下，面臨問題包括日誌量太大如何歸檔、文本搜索太慢怎麼辦、如何多維度查詢。需要集中化的日誌管理，所有伺服器上的日誌收集匯總。常見解決思路是建立集中式日誌收集系統，將所有節點上的日誌統一收集，管理，訪問。一般大型系統是一個分散式部署的架構，不同的服務模組部署在不同的伺服器上，問題出現時，大部分情況需要根據問題暴露的關鍵資訊，定位到具體的伺服器和服務模組，構建一套集中式日誌系統，可以提高定位問題的效率。

以搜索引擎聞名世界的開源軟體提供商-Elastic為我們大家提供了一套完整的日誌收集以及展示的解決方案——ELK。是三個產品的首字母縮寫，分別是ElasticSearch、Logstash 和 Kibana。

二、ELK簡介

Logstash主要是用來負責搜集、分析、過濾日誌的工具，支援大量的數據獲取方式。一般工作方式為c/s架構，client端安裝在需要收集日誌的主機上，server端負責將收到的各節點日誌進行過濾、修改等操作在一併發往elasticsearch上去。

ElasticSearch用來負責存儲最終數據、建立索引和對外提供搜索日誌的功能。它是個開源分散式搜索引擎，提供搜集、分析、存儲數據三大功能。它的特點有：分散式，零配置，自動發現，索引自動分片，索引副本機制，restful風格介面，多數據源，自動搜索負載等。

Kibana是一個優秀的前端日誌展示框架，它可以非常詳細的將日誌轉化為各種圖表，為用戶提供強大的數據可視化支援。

三、不同級別的ELK架構

1、入門級

這是最簡單的ELK架構，這種架構下我們把 Logstash實例與Elasticsearch實例直接相連，主要就是圖一個簡單。我們的程式App將日誌寫入Log，然後Logstash將Log讀出，進行過濾，寫入Elasticsearch。最後瀏覽器訪問Kibana，提供一個可視化輸出。

入門級版本的缺點主要是兩個

• 在大並發情況下，日誌傳輸峰值比較大。如果直接寫入ES,ES的HTTP API處理能力有限，在日誌寫入頻繁的情況下可能會超時、丟失，所以需要一個緩衝中間件。
• 注意了，Logstash將Log讀出、過濾、輸出都是在應用伺服器上進行的，這勢必會造成伺服器上佔用系統資源較高，性能不佳，需要進行拆分。

於是我們作為公司最牛的架構師，提出了一個升級版的ELK架構，解決如上兩個問題。

2、升級版

在這版中，加入一個緩衝中間件（消息隊列）。另外對Logstash拆分為Shipper和Indexer。先說一下，LogStash自身沒有什麼角色，只是根據不同的功能、不同的配置給出不同的稱呼而已。Shipper來進行日誌收集，Indexer從緩衝中間件接收日誌，過濾輸出到Elasticsearch。具體如下圖所示

大家會發現，早期的部落格，都是推薦使用redis。因為這是ELK Stack 官網建議使用 Redis 來做消息隊列，但是很多大佬已經通過實踐證明使用Kafka更加優秀。原因如下:

• Redis無法保證消息的可靠性，這點Kafka可以做到
• Kafka的吞吐量和集群模式都比Redis更優秀
• Redis受限於機器記憶體，當記憶體達到Max，數據就會拋棄。當然，你可以說我們可以加大記憶體啊？但是，在Redis中記憶體越大，觸發持久化的操作阻塞主執行緒的時間越長。相比之下，Kafka的數據是堆積在硬碟中，不存在這個問題。

但這個升級版仍然存在缺陷：

• Logstash Shipper是jvm跑的，非常佔用JAVA記憶體！ 。據《ELK系統使用filebeat替代logstash進行日誌採集》這篇文章說明，8執行緒8GB記憶體下，Logstash常駐記憶體660M（JAVA）。因此，這麼一個巨無霸部署在應用伺服器端就不大合適了，我們需要一個更加輕量級的日誌採集組件。
• 上述架構如果部署成集群，所有業務放在一個大集群中相互影響。一個業務系統出問題了，就會拖垮整個日誌系統。因此，需要進行業務隔離！

於是我們給我們在Elastic公司的朋友打了個電話，說明了他們這個集中型日誌解決方案的弊端——太費CPU也就太費電。Elastic公司的朋友電話中告訴我們最近新研發了一個FileBeat，它是一個輕量級的日誌收集處理工具(Agent)，Filebeat佔用資源少，適合於在各個伺服器上搜集日誌後傳輸給Logstash，官方也推薦此工具。

3、大師版

從上圖可以看到，Elasticsearch根據業務部了3個集群，他們之間相互獨立。避免出現，一個業務拖垮了Elasticsearch集群，整個日誌系統就一起宕機的情況。而且，從運維角度來說，這種架構運維起來也更加方便。

這套架構的缺點在於對日誌沒有進行冷熱分離。因為我們一般來說，一個月之內不排查的錯誤日誌，那都是不重要的錯誤。以30天作為界限，區分冷熱數據，可以大大的優化查詢速度。

4、專家版

這一版，我們對數據進行冷熱分離。每個業務準備兩個Elasticsearch集群，可以理解為冷熱集群。7天以內的數據，存入熱集群，以SSD存儲索引。超過7天，就進入冷集群，以SATA存儲索引。這麼一改動，性能又得到提升

四、ELK的工作原理

1、Filebeat工作原理

Filebeat由兩個主要組件組成：prospectors 和 harvesters。這兩個組件協同工作將文件變動發送到指定的輸出中。

Harvester（收割機）：負責讀取單個文件內容。每個文件會啟動一個Harvester，每個Harvester會逐行讀取各個文件，並將文件內容發送到制定輸出中。Harvester負責打開和關閉文件，意味在Harvester運行的時候，文件描述符處於打開狀態，如果文件在收集中被重命名或者被刪除，Filebeat會繼續讀取此文件。所以在Harvester關閉之前，磁碟不會被釋放。默認情況filebeat會保持文件打開的狀態，直到達到close_inactive（如果此選項開啟，filebeat會在指定時間內將不再更新的文件句柄關閉，時間從harvester讀取最後一行的時間開始計時。若文件句柄被關閉後，文件發生變化，則會啟動一個新的harvester。關閉文件句柄的時間不取決於文件的修改時間，若此參數配置不當，則可能發生日誌不實時的情況，由scan_frequency參數決定，默認10s。Harvester使用內部時間戳來記錄文件最後被收集的時間。例如：設置5m，則在Harvester讀取文件的最後一行之後，開始倒計時5分鐘，若5分鐘內文件無變化，則關閉文件句柄。默認5m）。

Prospector（勘測者）：負責管理Harvester並找到所有讀取源。

Prospector會找到/apps/logs/*目錄下的所有info.log文件，並為每個文件啟動一個Harvester。Prospector會檢查每個文件，看Harvester是否已經啟動，是否需要啟動，或者文件是否可以忽略。若Harvester關閉，只有在文件大小發生變化的時候Prospector才會執行檢查。只能檢測本地的文件。

Filebeat如何記錄文件狀態：

將文件狀態記錄在文件中（默認在/var/lib/filebeat/registry）。此狀態可以記住Harvester收集文件的偏移量。若連接不上輸出設備，如ES等，filebeat會記錄發送前的最後一行，並再可以連接的時候繼續發送。Filebeat在運行的時候，Prospector狀態會被記錄在記憶體中。Filebeat重啟的時候，利用registry記錄的狀態來進行重建，用來還原到重啟之前的狀態。每個Prospector會為每個找到的文件記錄一個狀態，對於每個文件，Filebeat存儲唯一標識符以檢測文件是否先前被收集。

Filebeat如何保證事件至少被輸出一次：

Filebeat之所以能保證事件至少被傳遞到配置的輸出一次，沒有數據丟失，是因為filebeat將每個事件的傳遞狀態保存在文件中。在未得到輸出方確認時，filebeat會嘗試一直發送，直到得到回應。若filebeat在傳輸過程中被關閉，則不會再關閉之前確認所有時事件。任何在filebeat關閉之前為確認的時間，都會在filebeat重啟之後重新發送。這可確保至少發送一次，但有可能會重複。可通過設置shutdown_timeout 參數來設置關閉之前的等待事件回應的時間（默認禁用）。

2、Logstash工作原理

Logstash事件處理有三個階段：inputs → filters → outputs。是一個接收，處理，轉發日誌的工具。支援系統日誌，webserver日誌，錯誤日誌，應用日誌，總之包括所有可以拋出來的日誌類型。

Input：輸入數據到logstash，一些常用的輸入為：

file：從文件系統的文件中讀取，類似於tail -f命令

syslog：在514埠上監聽系統日誌消息，並根據RFC3164標準進行解析

redis：從redis service中讀取

beats：從filebeat中讀取

Filters：數據中間處理，對數據進行操作。

一些常用的過濾器為：

grok：解析任意文本數據，Grok 是 Logstash 最重要的插件。它的主要作用就是將文本格式的字元串，轉換成為具體的結構化的數據，配合正則表達式使用。內置120多個解析語法。（官方提供的grok表達式：//github.com/logstash-plugins/logstash-patterns-core/tree/master/patterns

grok在線調試：//grokdebug.herokuapp.com/）

mutate：對欄位進行轉換。例如對欄位進行刪除、替換、修改、重命名等。

drop：丟棄一部分events不進行處理。

clone：拷貝 event，這個過程中也可以添加或移除欄位。

geoip：添加地理資訊(為前台kibana圖形化展示使用)

Outputs：outputs是logstash處理管道的最末端組件。一個event可以在處理過程中經過多重輸出，但是一旦所有的outputs都執行結束，這個event也就完成生命周期。一些常見的outputs為：

elasticsearch：可以高效的保存數據，並且能夠方便和簡單的進行查詢。

file：將event數據保存到文件中。

graphite：將event數據發送到圖形化組件中，一個很流行的開源存儲圖形化展示的組件。

3、Elasticsearch 基本原理

舉個例子，現在我們要保存唐宋詩詞，關係型資料庫中我們們會怎麼設計？詩詞表我們可能的設計如下：

要根據朝代或者作者尋找詩，都很簡單，比如「select 詩詞全文 from 詩詞表where作者=『李白』」，如果數據很多，查詢速度很慢，怎麼辦？我們可以在對應的查詢欄位上建立索引加速查詢。

但是如果我們現在有個需求：要求找到包含「望」字的詩詞怎麼辦？用

「select 詩詞全文 from 詩詞表 where 詩詞全文 like『%望%』」，這個意味著

要掃描庫中的詩詞全文欄位，逐條比對，找出所有包含關鍵詞「望」字的記錄，。

基本上，資料庫中一般的 SQL 優化手段都是用不上的。數量少，大概性能還能接受，如果數據量稍微大點，就完全無法接受了，更何況在互聯網這種海量數據的情況下呢？

怎麼解決這個問題呢，用倒排索引Inverted index

比如現在有：

　　蜀道難（唐）李白 蜀道之難難於上青天，側身西望長咨嗟。

　　靜夜思（唐）李白 舉頭望明月，低頭思故鄉。

　　春台望（唐）李隆基 暇景屬三春，高台聊四望。

　　鶴衝天(宋)柳永 黃金榜上，偶失龍頭望。明代暫遺賢，如何向？未遂風雲便，爭不恣狂盪。何須論得喪？才子詞人，自是白衣卿相。煙花巷陌，依約丹青屏障。

　　幸有意中人，堪尋訪。且恁偎紅翠，風流事，平生暢。青春都一餉。忍把浮名，換了淺斟低唱！

這些詩詞都有望字，於是我們可以這麼保存

其實，上述詩詞的中每個字都可以作為關鍵字，然後建立關鍵字和文檔之間的對應關係，也就是標識關鍵字被哪些文檔包含。

所以，倒排索引就是，將文檔中包含的關鍵字全部提取處理，然後再將關鍵字和文檔之間的對應關係保存起來，最後再對關鍵字本身做索引排序。用戶在檢索某一個關鍵字是，先對關鍵字的索引進行查找，再通過關鍵字與文檔的對應關係找到所在文檔。

Elasticsearch 索引是映射類型的容器。一個 Elasticsearch 索引非常像關係型世界的資料庫，是獨立的大量文檔集合。

　　當然在底層，肯定用到了倒排索引，最基本的結構就是「keyword」和「PostingList」，Posting list就是一個 int的數組，存儲了所有符合某個 term的文檔 id。

　　另外，這個倒排索引相比特定詞項出現過的文檔列表，會包含更多其它資訊。

　　它會保存每一個詞項出現過的文檔總數，在對應的文檔中一個具體詞項出現的總次數，詞項在文檔中的順序，每個文檔的長度，所有文檔的平均長度等等相關資訊。