logstash概念
logstash是一款开源的数据收集引擎，具备实时管道处理能力。简单来说，logstash作为数据源与数据存储分析工具之间的桥梁，结合elasticsearch以及kibana，能够极大方便数据的处理与分析。通过200多个插件，logstash可以接受几乎各种各样的数据。包括日志、网络请求、关系型数据库、传感器或物联网等等。
logstash工作过程
如上图，logstash的数据处理过程主要包括：inputs,filters,outputs 三部分，另外在inputs和outputs中可以使用codecs对数据格式进行处理。这四个部分均以插件形式存在，用户通过定义pipeline配置文件，设置需要使用的input,filter,output,codec插件，以实现特定的数据采集，数据处理，数据输出等功能 。
- inputs：用于从数据源获取数据，常见的插件如file, syslog, redis, beats 等
- filters：用于处理数据如格式转换，数据派生等，常见的插件如grok, mutate, drop, clone, geoip等
- outputs：用于数据输出，常见的插件如elastcisearch，file, graphite, statsd等
- codecs：codecs(编码插件)不是一个单独的流程，而是在输入和输出等插件中用于数据转换的模块，用于对数据进行编码处理，常见的插件如json，multiline。logstash不只是一个input | filter | output 的数据流，而是一个 input | decode | filter | encode | output 的数据流！codec 就是用来 decode、encode 事件的。
logstash简单实践
我们使用logstash输出一个 “hello world” 。在终端中，像下面这样运行命令来启动 logstash 进程：
# bin/logstash -e 'input{stdin{}}output{stdout{codec=>rubydebug}}'
以上命令表示从控制台输入，然后通过codec插件从控制台输出。然后终端在等待你的输入。敲入 hello world，回车，查看结果：
{
"@version" => "1",
"host" => "sdn-253",
"message" => "hello world",
"@timestamp" => 2019-07-01t12:28:07.207z
}
logstash 就像管道符一样！你输入(就像命令行的 cat )数据，然后处理过滤(就像 awk 或者 uniq之类)数据，最后输出(就像 tee )到其他地方。数据在线程之间以 事件 的形式流传。logstash会给事件添加一些额外信息。最重要的就是 @timestamp，用来标记事件的发生时间。 大多数时候，还可以见到另外几个：
- host 标记事件发生在哪里。
- type 标记事件的唯一类型。
- tags 标记事件的某方面属性。这是一个数组，一个事件可以有多个标签。
你可以随意给事件添加字段或者从事件里删除字段。
小贴士：每个 logstash 过滤插件，都会有四个方法叫 add_tag, remove_tag, add_field 和remove_field。它们在插件过滤匹配成功时生效。
logstash配置语法
数据类型
logstash 支持少量的数据值类型：
bool
debug => true
string
host => "hostname"
number
port => 514
array
match => ["datetime", "unix", "iso8601"]
hash
options => {
key1 => "value1",
key2 => "value2"
}
条件判断
表达式支持下面这些操作符：
相等: ==, !=, <, >, <=, >=
正则: =~(匹配正则), !~(不匹配正则)
包含: in(包含), not in(不包含)
布尔操作: and(与), or(或), nand(非与), xor(非或)
一元运算符:!(取反) ,()(复合表达式), !()(对复合表达式结果取反)
通常来说，你都会在表达式里用到字段引用。比如：
if "_grokparsefailure" not in [tags] {
...
} else if [status] !~ /^2\d\d/ and [url] == "/noc.gif" {
...
} else {
...
}
logstash插件
logstash插件功能很强大，下面会根据每个模块的情况，对常用插件进行分析。
input模块
标准输入
我们已经使用 stdin 输入hello world了。这也应该是 logstash 里最简单和基础的插件了。 input { stdin { } }表示从控制台输入
file插件
从文件读取数据，如常见的日志文件。文件读取通常要解决几个问题：
logstash-input-file配置：
其中path匹配规则如下，路径必须使用绝对路径，不支持相对路径：
/var/log/.log：匹配/var/log目录下以.log结尾的所有文件
/var/log/**/.log：匹配/var/log所有子目录下以.log结尾的文件
/var/log/{app1,app2,app3}/*.log：匹配/var/log目录下app1，app2，app3子目录中以.log结尾的文件
file插件作为input例子如下：
input {
# file为常用文件插件，插件内选项很多，可根据需求自行判断
file {
# 要导入的文件的位置，可以使用*，例如/var/log/nginx/*.log
path => "/var/lib/mysql/slow.log"
# 要排除的文件
exclude =>”*.gz”
# 从文件开始的位置开始读,end表示从结尾开始读
start_position => "beginning"
# 多久之内没修改过的文件不读取，0为无限制，单位为秒
ignore_older => 0
# 记录文件上次读取位置，输出到null表示每次都从文件首行开始解析
sincedb_path => "/dev/null"
# type字段，可表明导入的日志类型
type => "mysql-slow"
}
}
http插件
input {
http { port => 端口号 }
}
redis插件
input {
# redis插件为常用插件，插件内选项很多，可根据需求自行判断
redis {
# eval命令返回的事件数目，设置为5表示一次请求返回5条日志信息
batch_count => 1
# logstash redis插件工作方式
data_type => "list"
# 监听的键值
key => "logstash-test-list"
# redis地址
host => "127.0.0.1"
# redis端口号
port => 6379
# 如果有安全认证，此项为认证密码
password => "123qwe"
# 如果应用使用了不同的数据库，此为redis数据库的编号，默认为0。
db => 0
# 启用线程数量
threads => 1
}
}
filter模块
filter是logstash功能强大的主要原因，它可以对logstash event进行丰富的处理，比如解析数据、删除字段、类型转换等等，常见的有如下几个：
date插件
date插件可以将日期字符串解析为日期类型，然后替换@timestamp字段或者指定其他字段：
filter{
date {
match => ["timestamp","dd/mmm/yyyy:hh:mm:ss z"]
# 记录@timestamp时间，可以设置日志中自定的时间字段，如果日志中没有时间字段，也可以自己生成
target=>“@timestamp”
# 将匹配的timestamp字段放在指定的字段 默认是@timestamp
}
}
grok插件
grok是filter最重要的插件，grok使用正则表达式来生成grok语法，grok支持许多默认的正则表达式规则，grok中常用patterns的配置路径：
[logstash安装路径]\vendor\bundle\jruby\x.x\gems\logstash-patterns-core-x.x.x\patterns\grok-patterns
grok语法
%{syntax:semantic}
syntax为grok pattern的名称，semantic为赋值字段名称。%{number:duration}可以匹配数值类型，但是grok匹配出的内容都是字符串类型，可以通过在最后指定为int或者float来强转类型：%{number:duration:int}
自定义正则表达式
例如，如下定义一个关键字为version的参数，内容为两位的数字。
(?[0-9]{2})
自定义grok pattern
我们通过pattern_definitions参数，以键值对的方式定义pattern名称和内容。也可以通过pattern_dir参数，以文件的形式读取pattern。
filter {
grok {
match => {
"message" => "%{service:service}"
}
pattern_definitions => {
"service" => "[a-z0-9]{10,11}"
}
}
}
dissect插件
基于分隔符原理解析数据，解决grok解析时消耗过多cpu资源的问题。dissect语法简单，能处理的场景比较有限。它只能处理格式相似，且有分隔符的字符串。它的语法如下：
1、%{}里面是字段
2、两个%{}之间是分隔符。
例如，有以下日志：
apr 26 12:20:02 localhost systemd[1]: starting system activity accounting tool
我想要把前面的日期和时间解析到同一个字段中，那么就可以这样来做：
filter {
dissect {
mapping => {
"message" => "%{ts} %{ ts} %{ ts} %{src} %{prog}[%{pid}]: %{msg}"
}
}
}
mutate插件
mutate是使用最频繁的插件，可以对字段进行各种操作，比如重命名、删除、替换、更新等，主要操作如下：
1、convert类型转换
2、gsub字符串替换
3、split、join、merge字符串切割、数组合并为字符串、数组合并为数组
4、rename字段重命名
5、update、replace字段内容更新或替换。它们都可以更新字段的内容，区别在于update只在字段存在时生效，而replace在字段不存在时会执行新增字段的操作
6、remove_field删除字段
json插件
将字段内容为json格式的数据解析出来，如果不指定target的话，那么filter会把解析出来的json数据直接放到根级别。配置实例如下：
filter {
json {
source => "message"
target => "msg_json"
}
}
运行结果：
{
"@version": "1",
"@timestamp": "2014-11-18t08:11:33.000z",
"host": "web121.mweibo.tc.sinanode.com",
"message": "{\"uid\":3081609001,\"type\":\"signal\"}",
"jsoncontent": {
"uid": 3081609001,
"type": "signal"
}
}
geoip插件
geoip 库可以根据 ip 地址提供对应的地域信息，包括国别，省市，经纬度等，对于可视化地图和区域统计非常有用。语法如下：
filter {
geoip {
source => "message"
}
}
运行结果：
{
"message" => "183.60.92.253",
"@version" => "1",
"@timestamp" => "2014-08-07t10:32:55.610z",
"host" => "raochenlindemacbook-air.local",
"geoip" => {
"ip" => "183.60.92.253",
"country_code2" => "cn",
"country_code3" => "chn",
"country_name" => "china",
"continent_code" => "as",
"region_name" => "30",
"city_name" => "guangzhou",
"latitude" => 23.11670000000001,
"longitude" => 113.25,
"timezone" => "asia/chongqing",
"real_region_name" => "guangdong",
"location" => [
[0] 113.25,
[1] 23.11670000000001
]
}
}
output模块
标准输出
标准输出多用于调试，配置示例：
output {
stdout {
codec => rubydebug
}
}
redis插件
output {
redis{ # 输出到redis的插件，下面选项根据需求使用
batch => true
# 设为false，一次rpush，发一条数据，true为发送一批
batch_events => 50
# 一次rpush发送多少数据
batch_timeout => 5
# 一次rpush消耗多少时间
codec => plain
# 对输出数据进行codec，避免使用logstash的separate filter
congestion_interval => 1
# 多长时间进项一次拥塞检查
congestion_threshold => 5
# 限制一个list中可以存在多少个item，当数量足够时，就会阻塞直到有其他消费者消费list中的数据
data_type => list
# 使用list还是publish
db => 0
# 使用redis的那个数据库，默认为0号
host => ["127.0.0.1:6379"]
# redis 的地址和端口，会覆盖全局端口
key => xxx
# list或channel的名字
password => xxx
# redis的密码，默认不使用
port => 6379
# 全局端口，默认6379，如果host已指定，本条失效
reconnect_interval => 1
# 失败重连的间隔，默认为1s
timeout => 5
# 连接超时的时间
workers => 1
# 工作进程
}
}
elasticsearch插件
output {
# stdout { codec => "rubydebug" }
# 筛选过滤后的内容输出到终端显示
elasticsearch { # 导出到es，最常用的插件
codec => "json"
# 导出格式为json
hosts => ["127.0.0.1:9200"]
# es地址 端口
index => "logstash-slow-%{ yyyy.mm.dd}"
# 导出到index内，可以使用时间变量
user => "admin"
password => "xxxxxx"
# es如果有安全认证就使用账号密码验证，无安全认证就不需要
flush_size => 500
# 默认500，logstash一次性攒够500条的数据在向es发送
idle_flush_time => 1
# 默认1s，如果1s内没攒够500，还是会一次性把数据发给es
}
}
logstash配置实例
logstash配置的时候，input和output都可以配置多个不同的入参。filter可以针对input里面的每个数据源做不一样的过滤，通过各自定义的type来匹配。配置示例如下：
input{
kafka{
bootstrap_servers => ["192.168.110.31:9092,192.168.110.31:9093,192.168.110.31:9094"]
client_id => "test"
group_id => "test"
auto_offset_reset => "latest" //从最新的偏移量开始消费
consumer_threads => 5
decorate_events => true //此属性会将当前topic、offset、group、partition等信息也带到message中
topics => ["logq","loge"] //数组类型，可配置多个topic
type => "bhy" //所有插件通用属性,尤其在input里面配置多个数据源时很有用
}
file {
# 要导入的文件的位置，可以使用*，例如/var/log/nginx/*.log
path => "/var/lib/mysql/slow.log"
# 记录文件上次读取位置，输出到null表示每次都从文件首行开始解析
sincedb_path => "/dev/null"
# type字段，可表明导入的日志类型
type => "mysql-slow"
}
}
filter{
if[type] == "bhy"{
grok{
........
}
}
if[type] == "mysql-slow"{
mutate{
........
}
}
}
output {
if[type] == "bhy"{
elasticsearch{
hosts => ["192.168.110.31:9200"]
index => "school"
timeout => 300
user => "elastic"
password => "changeme"
}
}
if[type] == "mysql-slow"{
........
}
}
1、针对如下类型的log：
apr 26 12:20:02 localhost systemd[1]: starting system activity accounting tool
logstash的配置如下：
input {
file {
path => "/home/songfeihu/logstash-6.2.3/config/test.log"
# 要导入的文件的位置，可以使用*，例如/var/log/nginx/*.log
start_position => "beginning"
# 从文件开始的位置开始读,end表示从结尾开始读
ignore_older => 0
# 多久之内没修改过的文件不读取，0为无限制，单位为秒
sincedb_path => "/dev/null"
# 记录文件上次读取位置，输出到null表示每次都从文件首行开始解析
}
}
filter {
dissect {
mapping => {
"message" => "%{ts} %{ ts} %{ ts} %{src} %{prog}[%{pid}]: %{msg}"
}
}
if "starting" in [msg]{
grok{
match => {"msg" => "(?[a-za-z0-9] ).*"}
}
}
mutate {
remove_field => ["message"]
}
}
output {
stdout{codec=>rubydebug}
}
output返回值：
{
"host" => "sdn-253",
"@version" => "1",
"@timestamp" => 2019-06-28t08:08:58.062z,
"msg" => "starting system activity accounting tool",
"test1" => "starting",
"ts" => "apr 26 12:20:02",
"path" => "/home/songfeihu/logstash-6.2.3/config/test.log",
"src" => "localhost",
"prog" => "systemd",
"pid" => "1",
"message" => "apr 26 12:20:02 localhost systemd[1]: starting system activity accounting tool"
}
2、针对如下log：
<188>mar 29 2019 16:57:30 bjq-219-a1-itcloud-fw-e8000e-1 %sec/4/policypermit(l)[1976979]:vsys=public;
logstash配置如下：
input {
stdin { }
}
filter {
grok {
match => {
"message" => "\<(?[0-9] )\>(?([a-za-z] )\s[0-9]{1,2}\s[0-9]{1,4}\s[0-9]{1,2}:[0-9]{1,2}:[0-9]{1,2})\s%{hostname:hostname} \%\%(?[0-9]{2})(?[a-za-z0-9] )\/(?[0-9])\/(?[a-za-z0-9] )\s :(?.*)"
}
}
}
output {
stdout{codec=>rubydebug}
}
output输出如下：
{
"host" => "sdn-253",
"id" => "188",
"timestamp" => "mar 29 2019 16:57:30",
"hostname" => "bjq-219-a1-itcloud-fw-e8000e-1",
"brief" => "policypermit",
"@timestamp" => 2019-06-28t09:54:01.987z,
"severity" => "4",
"@version" => "1",
"version" => "01",
"model" => "sec",
"message" => "<188>mar 29 2019 16:57:30 bjq-219-a1-itcloud-fw-e8000e-1 %sec/4/policypermit(l)[1976979]:vsys=public;",
"description" => "vsys=public;"
}
flume
apache flume是cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。flume有两个版本，分别是flume og和flume ng，目前用的都是flumeng。
flume具有高可用，分布式，配置工具，其设计的原理也是基于将数据流，如日志数据从各种网站服务器上汇集起来存储到hdfs，hbase等集中存储器中。
flume的外部结构
如上图所示，数据发生器（如：facebook,twitter）产生的数据被服务器上的agent所收集，之后数据收容器从各个agent上汇集数据并将采集到的数据存入到hdfs或者hbase中。
flume事件
事件作为flume内部数据传输的最基本单元.它是由一个转载数据的字节数组(该数据组是从数据源接入点传入，并传输给传输器，也就是hdfs/hbase)和一个可选头部构成。
典型的flume 事件如下面结构所示：
flume agent
对于每一个agent来说,它就是一共独立的守护进程(jvm),它从客户端哪儿接收收集,或者从其他的agent哪儿接收,然后迅速的将获取的数据传给下一个目的节点sink,或者agent. 如下图所示flume的基本模型：
source
从数据发生器接收数据,并将接收的数据以flume的event格式传递给一个或者多个通道channal,flume提供多种数据接收的方式,比如avro,thrift,twitter1%等。
channel
channal是一种短暂的存储容器,它将从source处接收到的event格式的数据缓存起来,直到它们被sinks消费掉,它在source和sink间起着一共桥梁的作用,channal是一个完整的事务,这一点保证了数据在收发的时候的一致性.并且它可以和任意数量的source和sink链接. 支持的类型有: jdbc channel , file system channel ,memort channel等.
sink
sink将数据存储到集中存储器比如hbase和hdfs,它从channals消费数据(events)并将其传递给目标地.目标地可能是另一个sink,也可能hdfs,hbase。当sink写出event成功后，就会向channel提交事务。sink事务提交成功，处理完成的event将会被channel删除。否则channel会等待sink重新消费处理失败的event。
interceptor
拦截器是简单的插件式组件，设置在source和channel之间。source接收到的事件event，在写入channel之前，拦截器都可以进行转换或者删除这些事件。每个拦截器只处理同一个source接收到的事件。可以自定义拦截器。预定义的拦截器包含时间戳拦截器timestampinterceptor、主机拦截器hostinterceptor、静态拦截器staticinterceptor、正则过滤拦截器regexextractorinterceptor，通过使用不同的拦截器，实现不同的功能。
但是以上的这些拦截器，不能改变原有日志数据的内容或者对日志信息添加一定的处理逻辑，当一条日志信息有几十个甚至上百个字段的时候，在传统的flume处理下，收集到的日志还是会有对应这么多的字段，也不能对你想要的字段进行对应的处理。根据实际业务的需求，为了更好的满足数据在应用层的处理，通过自定义flume拦截器，过滤掉不需要的字段，并对指定字段加密处理，将源数据进行预处理。减少了数据的传输量，降低了存储的开销。
logstash和flume对比
1、logstash比较偏重于字段的预处理，在异常情况下可能会出现数据丢失，只是在运维日志场景下，一般认为这个可能不重要；而flume偏重数据的传输，几乎没有数据的预处理，仅仅是数据的产生，封装成event然后传输；传输的时候flume比logstash多考虑了一些可靠性。因为数据会持久化在channel中，数据只有存储在下一个存储位置（可能是最终的存储位置，如hdfs；也可能是下一个flume节点的channel），数据才会从当前的channel中删除。这个过程是通过事务来控制的，这样就保证了数据的可靠性。
2、logstash有几十个插件，配置比较灵活，flume强调用户自定义开发；
3、logstash的input和filter还有output之间都存在buffer，进行缓冲；flume直接使用channel做持久化
4、logstash性能以及资源消耗比较严重，且不支持缓存；