Logstash读取Kafka数据写入HDFS详解
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.date和index.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