基于Flume的美团日志收集系统(二)改进和优化

时间 2019-11-26

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。正则表达式

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：缓存

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；服务器

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

c. 系统的管理问题：配置升级，模块重启等；app

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。分布式

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。ide

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：oop

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：性能

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。测试

 1 /**
 2    * Rename bucketPath file from .tmp to permanent location.
 3    */
 4   private void renameBucket() throws IOException, InterruptedException {
 5       if(bucketPath.equals(targetPath)) {
 6               return;
 7         }
 8 
 9         final Path srcPath = new Path(bucketPath);
10         final Path dstPath = new Path(targetPath);
11 
12         callWithTimeout(new CallRunner<Object>() {
13               @Override
14               public Object call() throws Exception {
15                 if(fileSystem.exists(srcPath)) { // could block
16                       LOG.info("Renaming " + srcPath + " to " + dstPath);
17                      fileSystem.rename(srcPath, dstPath); // could block
18 
19                       //index the dstPath lzo file
20                       if (codeC != null && ".lzo".equals(codeC.getDefaultExtension()) ) {
21                               LzoIndexer lzoIndexer = new LzoIndexer(new Configuration());
22                               lzoIndexer.index(dstPath);
23                       }
24                 }
25                 return null;
26               }
27     });
28 }

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：

 1 /***
 2  * putToMemChannel indicate put event to memChannel or fileChannel
 3  * takeFromMemChannel indicate take event from memChannel or fileChannel
 4  * */
 5 private AtomicBoolean putToMemChannel = new AtomicBoolean(true);
 6 private AtomicBoolean takeFromMemChannel = new AtomicBoolean(true);
 7 
 8 void doPut(Event event) {
 9         if (switchon && putToMemChannel.get()) {
10               //往memChannel中写数据
11               memTransaction.put(event);
12 
13               if ( memChannel.isFull() || fileChannel.getQueueSize() > 100) {
14                 putToMemChannel.set(false);
15               }
16         } else {
17               //往fileChannel中写数据
18               fileTransaction.put(event);
19         }
20   }
21 
22 Event doTake() {
23     Event event = null;
24     if ( takeFromMemChannel.get() ) {
25         //从memChannel中取数据
26         event = memTransaction.take();
27         if (event == null) {
28             takeFromMemChannel.set(false);
29         } 
30     } else {
31         //从fileChannel中取数据
32         event = fileTransaction.take();
33         if (event == null) {
34             takeFromMemChannel.set(true);
35 
36             putToMemChannel.set(true);
37         } 
38     }
39     return event;
40 }

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：

 1 public class KafkaSink extends AbstractSink implements Configurable {
 2         private String zkConnect;
 3         private Integer zkTimeout;
 4         private Integer batchSize;
 5         private Integer queueSize;
 6         private String serializerClass;
 7         private String producerType;
 8         private String topicPrefix;
 9 
10         private Producer<String, String> producer;
11 
12         public void configure(Context context) {
13             //读取配置，并检查配置
14         }
15 
16         @Override
17         public synchronized void start() {
18             //初始化producer
19         }
20 
21         @Override
22         public synchronized void stop() {
23             //关闭producer
24         }
25 
26         @Override
27         public Status process() throws EventDeliveryException {
28 
29             Status status = Status.READY;
30 
31             Channel channel = getChannel();
32             Transaction tx = channel.getTransaction();
33             try {
34                     tx.begin();
35 
36                     //将日志按category分队列存放
37                     Map<String, List<String>> topic2EventList = new HashMap<String, List<String>>();
38 
39                     //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；
40 
41                     //将Map中的数据经过producer发送给kafka 
42 
43                    tx.commit();
44             } catch (Exception e) {
45                     tx.rollback();
46                     throw new EventDeliveryException(e);
47             } finally {
48                 tx.close();
49             }
50             return status;
51         }
52 }

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：

 1 //从Channel中取batchSize大小的events
 2 for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) {
 3     //对每条日志根据category append到相应的bucketWriter上；
 4     bucketWriter.append(event);
 5 ｝
 6 
 7 for (BucketWriter bucketWriter : writers) {
 8     //而后对每个bucketWriter调用相应的flush方法将数据flush到Hdfs上
 9     bucketWriter.flush();
10 ｝

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；