基于Flume的美团日志收集系统(二)改进和优化

时间 2019-11-12

标签基于 flume 团日收集系统改进优化栏目日志分析繁體版

原文原文链接

在《基于Flume的美团日志收集系统(一)架构和设计》中，咱们详述了基于Flume的美团日志收集系统的架构设计，以及为何作这样的设计。在本节中，咱们将会讲述在实际部署和使用过程当中遇到的问题，对Flume的功能改进和对系统作的优化。web

1 Flume的问题总结

在Flume的使用过程当中，遇到的主要问题以下：正则表达式

a. Channel“水土不服”：使用固定大小的MemoryChannel在日志高峰时常报队列大小不够的异常；使用FileChannel又致使IO繁忙的问题；缓存

b. HdfsSink的性能问题：使用HdfsSink向Hdfs写日志，在高峰时间速度较慢；服务器

c. 系统的管理问题：配置升级，模块重启等；架构

2 Flume的功能改进和优化点

从上面的问题中能够看到，有一些需求是原生Flume没法知足的，所以，基于开源的Flume咱们增长了许多功能，修改了一些Bug，而且进行一些调优。下面将对一些主要的方面作一些说明。app

2.1 增长Zabbix monitor服务

一方面，Flume自己提供了http, ganglia的监控服务，而咱们目前主要使用zabbix作监控。所以，咱们为Flume添加了zabbix监控模块，和sa的监控服务无缝融合。分布式

另外一方面，净化Flume的metrics。只将咱们须要的metrics发送给zabbix，避免 zabbix server形成压力。目前咱们最为关心的是Flume可否及时把应用端发送过来的日志写到Hdfs上，对应关注的metrics为：ide

Source : 接收的event数和处理的event数
Channel : Channel中拥堵的event数
Sink : 已经处理的event数

2.2 为HdfsSink增长自动建立index功能

首先，咱们的HdfsSink写到hadoop的文件采用lzo压缩存储。 HdfsSink能够读取hadoop配置文件中提供的编码类列表，而后经过配置的方式获取使用何种压缩编码，咱们目前使用lzo压缩数据。采用lzo压缩而非bz2压缩，是基于如下测试数据：oop

event大小(Byte)	sink.batch-size	hdfs.batchSize	压缩格式	总数据大小(G)	耗时(s)	平均events/s	压缩后大小(G)
544	300	10000	bz2	9.1	2448	6833	1.36
544	300	10000	lzo	9.1	612	27333	3.49

其次，咱们的HdfsSink增长了建立lzo文件后自动建立index功能。Hadoop提供了对lzo建立索引，使得压缩文件是可切分的，这样Hadoop Job能够并行处理数据文件。HdfsSink自己lzo压缩，但写完lzo文件并不会建索引，咱们在close文件以后添加了建索引功能。性能

/**
   * Rename bucketPath file from .tmp to permanent location.
   */
  private void renameBucket() throws IOException, InterruptedException {
      if(bucketPath.equals(targetPath)) {
              return;
        }

        final Path srcPath = new Path(bucketPath);
        final Path dstPath = new Path(targetPath);

        callWithTimeout(new CallRunner<Object>() {
              @Override
              public Object call() throws Exception {
                if(fileSystem.exists(srcPath)) { // could block
                      LOG.info("Renaming " + srcPath + " to " + dstPath);
                     fileSystem.rename(srcPath, dstPath); // could block

                      //index the dstPath lzo file
                      if (codeC != null && ".lzo".equals(codeC.getDefaultExtension()) ) {
                              LzoIndexer lzoIndexer = new LzoIndexer(new Configuration());
                              lzoIndexer.index(dstPath);
                      }
                }
                return null;
              }
    });
}

2.3 增长HdfsSink的开关

咱们在HdfsSink和DualChannel中增长开关，当开关打开的状况下，HdfsSink再也不往Hdfs上写数据，而且数据只写向DualChannel中的FileChannel。以此策略来防止Hdfs的正常停机维护。

2.4 增长DualChannel

Flume自己提供了MemoryChannel和FileChannel。MemoryChannel处理速度快，但缓存大小有限，且没有持久化；FileChannel则恰好相反。咱们但愿利用二者的优点，在Sink处理速度够快，Channel没有缓存过多日志的时候，就使用MemoryChannel，当Sink处理速度跟不上，又须要Channel可以缓存下应用端发送过来的日志时，就使用FileChannel，由此咱们开发了DualChannel，可以智能的在两个Channel之间切换。

其具体的逻辑以下：

/***
 * putToMemChannel indicate put event to memChannel or fileChannel
 * takeFromMemChannel indicate take event from memChannel or fileChannel
 * */
private AtomicBoolean putToMemChannel = new AtomicBoolean(true);
private AtomicBoolean takeFromMemChannel = new AtomicBoolean(true);

void doPut(Event event) {
        if (switchon && putToMemChannel.get()) {
              //往memChannel中写数据
              memTransaction.put(event);

              if ( memChannel.isFull() || fileChannel.getQueueSize() > 100) {
                putToMemChannel.set(false);
              }
        } else {
              //往fileChannel中写数据
              fileTransaction.put(event);
        }
  }

Event doTake() {
    Event event = null;
    if ( takeFromMemChannel.get() ) {
        //从memChannel中取数据
        event = memTransaction.take();
        if (event == null) {
            takeFromMemChannel.set(false);
        } 
    } else {
        //从fileChannel中取数据
        event = fileTransaction.take();
        if (event == null) {
            takeFromMemChannel.set(true);

            putToMemChannel.set(true);
        } 
    }
    return event;
}

2.5 增长NullChannel

Flume提供了NullSink，能够把不须要的日志经过NullSink直接丢弃，不进行存储。然而，Source须要先将events存放到Channel中，NullSink再将events取出扔掉。为了提高性能，咱们把这一步移到了Channel里面作，因此开发了NullChannel。

2.6 增长KafkaSink

为支持向Storm提供实时数据流，咱们增长了KafkaSink用来向Kafka写实时数据流。其基本的逻辑以下：

public class KafkaSink extends AbstractSink implements Configurable {
        private String zkConnect;
        private Integer zkTimeout;
        private Integer batchSize;
        private Integer queueSize;
        private String serializerClass;
        private String producerType;
        private String topicPrefix;

        private Producer<String, String> producer;

        public void configure(Context context) {
            //读取配置，并检查配置
        }

        @Override
        public synchronized void start() {
            //初始化producer
        }

        @Override
        public synchronized void stop() {
            //关闭producer
        }

        @Override
        public Status process() throws EventDeliveryException {

            Status status = Status.READY;

            Channel channel = getChannel();
            Transaction tx = channel.getTransaction();
            try {
                    tx.begin();

                    //将日志按category分队列存放
                    Map<String, List<String>> topic2EventList = new HashMap<String, List<String>>();

                    //从channel中取batchSize大小的日志，从header中获取category，生成topic，并存放于上述的Map中；

                    //将Map中的数据经过producer发送给kafka 

                   tx.commit();
            } catch (Exception e) {
                    tx.rollback();
                    throw new EventDeliveryException(e);
            } finally {
                tx.close();
            }
            return status;
        }
}

2.7 修复和scribe的兼容问题

Scribed在经过ScribeSource发送数据包给Flume时，大于4096字节的包，会先发送一个Dummy包检查服务器的反应，而Flume的ScribeSource对于logentry.size()=0的包返回TRY_LATER，此时Scribed就认为出错，断开链接。这样循环反复尝试，没法真正发送数据。如今在ScribeSource的Thrift接口中，对size为0的状况返回OK，保证后续正常发送数据。

3. Flume系统调优经验总结

3.1 基础参数调优经验

HdfsSink中默认的serializer会每写一行在行尾添加一个换行符，咱们日志自己带有换行符，这样会致使每条日志后面多一个空行，修改配置不要自动添加换行符；

lc.sinks.sink_hdfs.serializer.appendNewline = false

调大MemoryChannel的capacity，尽可能利用MemoryChannel快速的处理能力；
调大HdfsSink的batchSize，增长吞吐量，减小hdfs的flush次数；
适当调大HdfsSink的callTimeout，避免没必要要的超时错误；

3.2 HdfsSink获取Filename的优化

HdfsSink的path参数指明了日志被写到Hdfs的位置，该参数中能够引用格式化的参数，将日志写到一个动态的目录中。这方便了日志的管理。例如咱们能够将日志写到category分类的目录，而且按天和按小时存放：

lc.sinks.sink_hdfs.hdfs.path = /user/hive/work/orglog.db/%{category}/dt=%Y%m%d/hour=%H

HdfsS ink中处理每条event时，都要根据配置获取此event应该写入的Hdfs path和filename，默认的获取方法是经过正则表达式替换配置中的变量，获取真实的path和filename。由于此过程是每条event都要作的操做，耗时很长。经过咱们的测试，20万条日志，这个操做要耗时6-8s左右。

因为咱们目前的path和filename有固定的模式，能够经过字符串拼接得到。然后者比正则匹配快几十倍。拼接定符串的方式，20万条日志的操做只须要几百毫秒。

3.3 HdfsSink的b/m/s优化

在咱们初始的设计中，全部的日志都经过一个Channel和一个HdfsSink写到Hdfs上。咱们来看一看这样作有什么问题。

首先，咱们来看一下HdfsSink在发送数据的逻辑：

//从Channel中取batchSize大小的events
for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) {
    //对每条日志根据category append到相应的bucketWriter上；
    bucketWriter.append(event);
｝

for (BucketWriter bucketWriter : writers) {
    //而后对每个bucketWriter调用相应的flush方法将数据flush到Hdfs上
    bucketWriter.flush();
｝

假设咱们的系统中有100个category，batchSize大小设置为20万。则每20万条数据，就须要对100个文件进行append或者flush操做。

其次，对于咱们的日志来讲，基本符合80/20原则。即20%的category产生了系统80%的日志量。这样对大部分日志来讲，每20万条可能只包含几条日志，也须要往Hdfs上flush一次。

上述的状况会致使HdfsSink写Hdfs的效率极差。下图是单Channel的状况下每小时的发送量和写hdfs的时间趋势图。

鉴于这种实际应用场景，咱们把日志进行了大小归类，分为big, middle和small三类，这样能够有效的避免小日志跟着大日志一块儿频繁的flush，提高效果明显。下图是分队列后big队列的每小时的发送量和写hdfs的时间趋势图。

4 将来发展

目前，Flume日志收集系统提供了一个高可用，高可靠，可扩展的分布式服务，已经有效地支持了美团的日志数据收集工做。

后续，咱们将在以下方面继续研究：

日志管理系统：图形化的展现和控制日志收集系统；
跟进社区发展：跟进Flume 1.5的进展，同时回馈社区；