敲代码很是难之logstash之file input插件实现分析

版权声明:本文为横云断岭原创文章,未经博主赞成不得转载。微信公众号:横云断岭的专栏 https://blog.csdn.net/hengyunabc/article/details/25665877

前言

敲代码有时候真的有点难,要考虑各类状况。css

应用在执行中,会不断生成日志文件。html

假如要实现一个日志收集的工具。不考虑其余的分析功能,仅仅考虑收集,有哪些方面要考虑的?node

首先看下通常的log框架是怎样输出日志的:mysql

多是这种:a.log.1,  a.log.2, a.log.3, a.log.4, a.log.5 循环输出。linux

多是这种: a.2014-5-5.log, a.2014-5-6.log, a.2014-5-7.log,天天生成一个日志文件;git

多是这种:log.out。每次从新启动都会生成一个新的log.out,覆盖旧的文件。github


那么,咱们有哪些方面要实现和注意的?redis

  • 提供正则或者globs方式的通配符。
  • 要能推断文件是否是新建的。
  • 怎样推断文件有没有更新?
  • 怎样保存文件的读取进度?
  • 假设咱们在读取文件的过程当中,文件被删除了会怎样?
  • 假设咱们在读取文件过程当中,进程挂了,读取进度有没有及时保存?
  • 在保存文件进度时,假设挂了,从新启动能不能正确恢复文件进度?
  • 能不能保证读取的内容不反复?
  • 假设日志文件很是快生成。又很是快删除了,可否保证不漏掉?
  • 假设日志文件是软连接(soft link)。能不能正确处理?
  • 文件系统的inode会被回收利用,能不能处理这个?
  • 有没有控制读进内存的数据的大小,防止占用过多的内存?

logstash的实现

如下解释下logstash是怎样实现和处理上面的问题的:sql

可以配置path參数(Array),当中支持globs风格的匹配。如:ruby

path => [ "/var/log/messages", "/var/log/*.log" ]

可以配置exclude參数(Array),排除掉不需要的文件。如:

exclude => "*.gz"

利用inode来识别新文件

logstash把进度保存到所谓的sincedb里,实际上即这种一个文本文件,默认是放在home文件夹下的。如:

.sincedb_e794081d6134aace51b759aea8cc3be2

.sincedb_f7a0c8a0def03e0c572511ceea0b9f63

后面是日志文件。即path的hash值。

这样就区分了不一样的文件名称的日志文件的进度保存问题。

sincedb文件中是类似这种内容:

6511055 0 2051 118617881
5495516 0 2051 155859036
6348913 0 2051 148511449

上面的4列各自是:

inode, major number, minor number, pos。

当中major number和minor number是设备相关的数字,參考:http://unix.stackexchange.com/questions/73988/linux-major-and-minor-device-numbers

inode是文件系统给文件分配的是一个号码,參考:http://zh.wikipedia.org/wiki/Inode

所以logstash区分了设备。文件名称,文件的不一样版本号。

这里引出了一个新问题。用inode来推断文件的不一样版本号,是否够准确了?因为inode是会回收再使用的。

比方依次执行如下的命令,可以发现。两个文件的inode是同样的:

touch test
stat test
rm test 
touch test
stat test

但是因为logstash是没有close掉文件,因此是一直持有inode,因此新的同名的日志文件会有一个新的inode。

也正是因为这样,假设logstash监视的日志文件假设被删除了,仍是可以继续把删除的文件的内容处理完。

利用inode这点特性,有时可以作一些补救工做,比方不当心把mysql的文件删掉了,仍是可以把数据dump出来,因为mysql进程还持有数据文件的inode。

另外,logstash默认是每隔1秒就尝试读取文件有没有新内容,默认是15秒就扫描,检查有没有新文件。相应stat_interval和discover_interval參数。


另外一些小细节:

比方每次最多仅仅读取出16394字节的数据,防止占用过多的内存,每5秒推断下是否需要保存新的pos。

假设日志文件被删除了,也会删除sincedb文件。

利用rename原子性地保存pos

当读取到新文件内容时。pos会添加,在保存新的pos到sincedb时,logstash採用了暂时文件的办法:

先创建一个暂时文件,写入新内容。再调用操做系统提供的remane函数。原子性地替换原来的sincedb文件。

这种其实是比較常用的技巧了,redis也是这样子作的。

可否保证不反复,不丢失数据?

很是遗憾。这是不能的,除非是分布式事务。不然,总有可能丢失或者反复发送数据。不论什么日志收集软件或者消息队列软件都是如此。

实现的代码

详细的实现代码就不贴了,因为比較易读,当中logstash使用了filewatch这个库。可以用gem来安装。相关的代码在线查看:

https://github.com/elasticsearch/logstash/blob/v1.4.1/lib/logstash/inputs/file.rb

https://github.com/jordansissel/ruby-filewatch/tree/master/lib/filewatch

和fluentd的in_tail插件比較

fluentd也是一个很是流行的日志收集工具。

简单再看了下fluentd的in_tail插件,发现里面还有本身当年提交的一个防止内存占用过大的建议:)

https://github.com/fluent/fluentd/blob/master/lib/fluent/plugin/in_tail.rb

 
  
                 if lines . size >= MAX_LINES_AT_ONCE
                   # not to use too much memory in case the file is very large
                   read_more = true
即每最多读取1000行,就提交数据。并保存pos。

fluentd的in_tail插件的原理和logstash的file input是几乎相同的,都是用inode来区分文件是否更新。


但是fluentd仅仅保存了inode和pos。没有logstash那样把设备都考虑进去了。

另外fluentd保存pos时,都是以文件追加的方式来保存的,没有像logstash那样是用rename文件来保存到新文件中。显然logstash的实现更加合理。

扯远一点。logstash部署要比fluentd方便。虽然二者都是用ruby写的。不一样的是logstash默认是jruby,仅仅要有JVM就可以跑,fluentd则要安装ruby环境。比較麻烦。

其余的一些东东:

logstash大有一统江湖之势,这句话忘记在哪里看到的了。在github上的logstash的start有2000多个。

logstash + elasticsearch + Kibana的日志收集。搜索,展示的一条龙服务很是流行。

參考:

http://unix.stackexchange.com/questions/73988/linux-major-and-minor-device-numbers

http://zh.wikipedia.org/wiki/Inode

https://github.com/elasticsearch/logstash/blob/v1.4.1/lib/logstash/inputs/file.rb

相关文章
相关标签/搜索