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

文章未完，全部内容请关注公众号【运维咖啡吧】或个人网站https://ops-coffee.cn查看，运维咖啡吧专注于原创精品内容分享，感谢您的支持