Logstash读取Kafka数据写入HDFS详解

释放双眼,带上耳机,听听看~!

强大的功能,丰富的插件,让logstash在数据处理的行列中出类拔萃

通常日志数据除了要入ES提供实时展示和简单统计外,还需要写入大数据集群来提供更为深入的逻辑处理,前边几篇ELK的文章介绍过利用logstash将kafka的数据写入到elasticsearch集群,这篇文章将会介绍如何通过logstash将数据写入HDFS

本文所有演示均基于logstash 6.6.2版本

数据收集

logstash默认不支持数据直接写入HDFS,官方推荐的output插件是webhdfs,webhdfs使用HDFS提供的API将数据写入HDFS集群

插件安装

插件安装比较简单,直接使用内置命令即可

# cd /home/opt/tools/logstash-6.6.2
# ./bin/logstash-plugin install logstash-output-webhdfs

配置hosts

HDFS集群内通过主机名进行通信所以logstash所在的主机需要配置hadoop集群的hosts信息

# cat /etc/hosts
192.168.107.154 master01
192.168.107.155 slave01
192.168.107.156 slave02
192.168.107.157 slave03

如果不配置host信息,可能会报下边的错

[WARN ][logstash.outputs.webhdfs ] Failed to flush outgoing items

logstash配置

kafka里边的源日志格式可以参考这片文章:ELK日志系统之使用Rsyslog快速方便的收集Nginx日志

logstash的配置如下:

# cat config/indexer_rsyslog_nginx.conf
input {
    kafka {
        bootstrap_servers => \"10.82.9.202:9092,10.82.9.203:9092,10.82.9.204:9092\"
        topics => [\"rsyslog_nginx\"]
        codec => \"json\"
    }
}

filter {
    date {
        match => [\"time_local\",\"dd/MMM/yyyy:HH:mm:ss Z\"]
        target => \"time_local\"
    }

    ruby {
        code => \"event.set(\'index.date\', event.get(\'time_local\').time.localtime.strftime(\'%Y%m%d\'))\"
    }

    ruby {
        code => \"event.set(\'index.hour\', event.get(\'time_local\').time.localtime.strftime(\'%H\'))\"
    }
}

output {
    webhdfs {
        host => \"master01\"
        port => 50070
        user => \"hadmin\"
        path => \"/logs/nginx/%{index.date}/%{index.hour}.log\"
        codec => \"json\"
    }
    stdout { codec => rubydebug }
}

logstash配置文件分为三部分:input、filter、output

input指定源在哪里,我们是从kafka取数据,这里就写kafka集群的配置信息,配置解释:

  • bootstrap_servers:指定kafka集群的地址
  • topics:需要读取的topic名字
  • codec:指定下数据的格式,我们写入的时候直接是json格式的,这里也配置json方便后续处理

filter可以对input输入的内容进行过滤或处理,例如格式化,添加字段,删除字段等等

  • 这里我们主要是为了解决生成HDFS文件时因时区不对差8小时导致的文件名不对的问题,后边有详细解释

output指定处理过的日志输出到哪里,可以是ES或者是HDFS等等,可以同时配置多个,webhdfs主要配置解释:

  • host:为hadoop集群namenode节点名称
  • user:为启动hdfs的用户名,不然没有权限写入数据
  • path:指定存储到HDFS上的文件路径,这里我们每日创建目录,并按小时存放文件
  • stdout:打开主要是方便调试,启动logstash时会在控制台打印详细的日志信息并格式化方便查找问题,正式环境建议关闭

webhdfs还有一些其他的参数例如compression,flush_size,standby_host,standby_port等可查看官方文档了解详细用法

启动logstash

# bin/logstash -f config/indexer_rsyslog_nginx.conf

因为logstash配置中开了stdout输出,所以能在控制台看到格式化的数据,如下:

{
               \"server_addr\" => \"172.18.90.17\",
           \"http_user_agent\" => \"Mozilla/5.0 (iPhone; CPU iPhone OS 10_2 like Mac OS X) AppleWebKit/602.3.12 (KHTML, like Gecko) Mobile/14C92 Safari/601.1 wechatdevtools/1.02.1902010 MicroMessenger/6.7.3 Language/zh_CN webview/ token/e7b92168159736c30401a55589317d8c\",
               \"remote_addr\" => \"172.18.101.0\",
                    \"status\" => 200,
              \"http_referer\" => \"https://ops-coffee.cn/wx02935bb29080a7b4/devtools/page-frame.html\",
    \"upstream_response_time\" => \"0.056\",
                      \"host\" => \"ops-coffee.cn\",
               \"request_uri\" => \"/api/community/v2/news/list\",
              \"request_time\" => 0.059,
           \"upstream_status\" => \"200\",
                  \"@version\" => \"1\",
      \"http_x_forwarded_for\" => \"192.168.106.100\",
                \"time_local\" => 2019-03-18T11:03:45.000Z,
           \"body_bytes_sent\" => 12431,
                \"@timestamp\" => 2019-03-18T11:03:45.984Z,
                \"index.date\" => \"20190318\",
                \"index.hour\" => \"19\",
            \"request_method\" => \"POST\",
             \"upstream_addr\" => \"127.0.0.1:8181\"
}

查看hdfs发现数据已经按照定义好的路径正常写入

$ hadoop fs -ls /logs/nginx/20190318/19.log
-rw-r--r--   3 hadmin supergroup       7776 2019-03-18 19:07 /logs/nginx/20190318/19.log

至此kafka到hdfs数据转储完成

遇到的坑

HDFS按小时生成文件名不对

logstash在处理数据时会自动生成一个字段@timestamp,默认情况下这个字段存储的是logstash收到消息的时间,使用的是UTC时区,会跟国内的时间差8小时

我们output到ES或者HDFS时通常会使用类似于rsyslog-nginx-%{+YYYY.MM.dd}这样的变量来动态的设置index或者文件名,方便后续的检索,这里的变量YYYY使用的就是@timestamp中的时间,因为时区的问题生成的index或者文件名就差8小时不是很准确,这个问题在ELK架构中因为全部都是用的UTC时间且最终kibana展示时会自动转换我们无需关心,但这里要生成文件就需要认真对待下了

这里采用的方案是解析日志中的时间字段time_local,然后根据日志中的时间字段添加两个新字段index.dateindex.hour来分别标识日期和小时,在output的时候使用这两个新加的字段做变量来生成文件

logstash filter配置如下:

filter {
    # 匹配原始日志中的time_local字段并设置为时间字段
    # time_local字段为本地时间字段,没有8小时的时间差
    date {
        match => [\"time_local\",\"dd/MMM/yyyy:HH:mm:ss Z\"]
        target => \"time_local\"
    }

    # 添加一个index.date字段,值设置为time_local的日期
    ruby {
        code => \"event.set(\'index.date\', event.get(\'time_local\').time.localtime.strftime(\'%Y%m%d\'))\"
    }

    # 添加一个index.hour字段,值设置为time_local的小时
    ruby {
        code => \"event.set(\'index.hour\', event.get(\'time_local\').time.localtime.strftime(\'%H\'))\"
    }
}

output的path中配置如下

path => \"/logs/nginx/%{index.date}/%{index.hour}.log\"

HDFS记录多了时间和host字段

在没有指定codec的情况下,logstash会给每一条日志添加时间和host字段,例如:

源日志格式为

ops-coffee.cn | 192.168.105.91 | 19/Mar/2019:14:28:07 +0800 | GET / HTTP/1.1 | 304 | 0 | - | 0.000

经过logstash处理后多了时间和host字段

2019-03-19T06:28:07.510Z %{host}  ops-coffee.cn | 192.168.105.91 | 19/Mar/2019:14:28:07 +0800 | GET / HTTP/1.1 | 304 | 0 | - | 0.000

如果不需要我们可以指定最终的format只取message,解决方法为在output中添加如下配置:

codec => line {
    format => \"%{message}\"
}

同时output到ES和HDFS

在实际应用中我们需要同时将日志数据写入ES和HDFS,那么可以直接用下边的配置来处理

# cat config/indexer_rsyslog_nginx.conf
input {
    kafka {
        bootstrap_servers => \"localhost:9092\"
        topics => [\"rsyslog_nginx\"]
        codec => \"json\"
    }
}

filter {
    date {  
        match => [\"time_local\",\"dd/MMM/yyyy:HH:mm:ss Z\"]
        target => \"@timestamp\"
    }

    ruby {
        code => \"event.set(\'index.date\', event.get(\'@timestamp\').time.localtime.strftime(\'%Y%m%d\'))\"
    }

    ruby {
        code => \"event.set(\'index.hour\', event.get(\'@timestamp\').time.localtime.strftime(\'%H\'))\"
    }


}

output {
    elasticsearch {
        hosts => [\"192.168.106.203:9200\"]
        index => \"rsyslog-nginx-%{+YYYY.MM.dd}\"
    }

    webhdfs {
        host => \"master01\"
        port => 50070
        user => \"hadmin\"
        path => \"/logs/nginx/%{index.date}/%{index.hour}.log\"
        codec => \"json\"
    }
}

这里我使用logstash的date插件将日志中的\"time_local\"字段直接替换为了@timestamp,这样做有什么好处呢?

logstash默认生成的@timestamp字段记录的时间是logstash接收到消息的时间,这个时间可能与日志产生的时间不同,而我们往往需要关注的时间是日志产生的时间,且在ELK架构中Kibana日志输出的默认顺序就是按照@timestamp来排序的,所以往往我们需要将默认的@timestamp替换成日志产生的时间,替换方法就用到了date插件,date插件的用法如下

date {  
    match => [\"time_local\",\"dd/MMM/yyyy:HH:mm:ss Z\"]
    target => \"@timestamp\"
}

match:匹配日志中的时间字段,这里为time_local

target:将match匹配到的时间戳存储到给定的字段中,默认不指定的话就存到@timestamp字段

另外还有参数可以配置:timezone,locale,tag_on_failure等,具体可查看官方文档

Logstash读取Kafka数据写入HDFS详解

如果你觉得文章不错,请点右下角【在看】。如果你觉得读的不尽兴,推荐阅读以下文章:

给TA打赏
共{{data.count}}人
人已打赏
随笔日记

bootstrap-fileinput文件上传控件的亲身实践

2020-11-9 3:53:39

随笔日记

JS的异步世界

2020-11-9 3:54:03

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索