Filebeat|Filebeat 收集日志的那些事儿 Filebeat收集日志的那些事儿

Filebeat 收集日志的那些事儿前言最近因为云原生日志收集的需要，我们打算使用Filebeat作为容器日志收集工具，并对其进行二次开发。开源日志收集组件众多，之所以选择Filebeat，主要基于以下几点：

功能上能满足我们的需求：收集磁盘日志文件，发送到Kafka集群；支持多行收集和自定义字段等；
性能上相比运行于jvm上的logstash和flume优势明显；
Filebeat基于golang 技术栈，二次开发对于我们来说有一定的技术积累；
部署方便，没有第三方依赖；

本文不涉及过具体的源码分析，其中略去了一些实现上的具体细节，希望通过阅读您可以了解filebeat的基本使用方法和原理，姑且算是filebeat的入门吧。
Filebeat能作什么简单来说Filebeat就是数据的搬运工，只不过除了搬运还可以对数据作一些深加工，为业务增加一些附加值。

Filebeat可以从多种不同的上游input 中接受需要收集的数据，可以从这里看到当前所有被支持的input，其中我们最常用的就是log input了，即从日志文件中收集数据；
Filebeat对收集来的数据进行加工，比如：多行合并，增加业务自定义字段，json等格式的encode;
Filebeat将加工好的数据发送到被称为output的下游，在这里可以看到所有当前被支持的output，其中我们最常用到的就是Elasticsearch, Kafka了；
Filebeat具有ACK反馈确认机制，即成功发送到output后，会将当前进度反馈给input, 这样在进程重启后可以断点续传；
Filebeat在发送output失败后，会启动retry机制，和上一次ACK反馈确认机制一起，保证了每次消息至少发送一次的语义；
Filebeat在发送output时，由于网络等原因发生阻塞，则在input上游端会减慢收集，自适应匹配下游output的状态；
一图以蔽之

文章图片
filebeat_overview.png

Filebeat背后的“老大” 说到Filebeat，它其实只是beats家族众多成员中的一个。除了Filebeat, 还有很多其他的beat小伙伴：

beat	功能
Filebeat	收集日志文件
Metricbeat	收集各种指标数据
Packetbeat	收集网络数据包
Auditbeat	收集审计数据
Heartbeat	收集服务运行状态监测数据
...	...

如果你愿意的话，你也可以按照beat的规范来写自己的beat。
能实现以上这些beat，都离不开beats家族真正的“老大”—— libbeat，它是beat体系的核心库。我们接下来看一下libbeat到底都作了些什么

libbeat提供了publisher组件，用于对接input；
收集到的数据在进入到libbeat后，首先会经过各种 processor的加工处理，比如过滤添加字段，多行合并等等；
input组件通过publisher组件将收集到的数据推送到publisher内部的队列；
libbeat本身实现了前面介绍过的多种output, 因此它负责将处理好的数据通过output组件发送出去；
libbeat本身封装了retry的逻辑；
libbeat负责将ACK反馈通过到input组件；

由此可见，大部分活儿都是libbeat来作，当“老大”不容易啊～。
input仅需要作两件事：

从不同的介质中收集数据后投递给libbeat;
接收libbeat反馈回来的ACK, 作相应的持久化;

Filebeat的简单使用实例 Filebeat本身的使用很简单，我们只需要按需写好相应的input和output配置就好了。下面我们以一个收集磁盘日志文件到Kafka集群的例子来讲一下。
配置Log input

配置inputs.d目录
在filebeat.yml添加如下配置，这样我们可以将每一种等收集的路径写在单独的配置文件里，然后将这些配置文件统一放到inputs.d目录，方便管理

filebeat.config.inputs: enabled: true path: inputs.d/*.yml
在inputs.d目录下创建test1.yml，内容如下：

- type: log# Change to true to enable t enabled: true# Paths that should be crawl paths: - /home/lw/test/filebeat/*.logfields: log_topic: lw_filebeat_t_2

这个配置说明会收集所有匹配/home/lw/test/filebeat/*.log的文件内容，并且我们添加了一个自定义的filed: log_topic: lw_filebeat_t_2, 这个我们后面会讲到。
在filebeat.yml中配置kafka output：

output.kafka: hosts: ["xxx.xxx.xxx.xxx:9092", "xxx.xxx.xxx.xxx:9092", "xxx.xxx.xxx.xxx:9092"] version: 0.9.0.1 topic: '%{[fields.log_topic]}' partition.round_robin: reachable_only: true compression: none required_acks: 1 max_message_bytes: 1000000 codec.format: string: '%{[host.name]}-%{[message]}'

其中：
1. hosts是kafka集群的broker list;
2. topic: '%{[fields.log_topic]}' : 这项指定了我们要写入kafka集群哪个topic, 可以看到它实现上是引用了上面test.yml配置中我们自定义的filed字段，通过这种方式我们就可以将收集的不同路径的数据写入到不同的topic中，但是这个有个限制就是只能写到一个kafka集群，因为当前版本的filebeat不允许同时配置多个output。
3. codec.format: 指定了写入kafka集群的消息格式，我们在从日志文件中读取的每行内容前面加上了当前机器的hostname。

启动filebeat 启动就很简单了，filebeat和filebeat.yml, inputs.d都在同一目录下，然后 ./filebeat run就好了。
filebeat本身有很多全局的配置，每种input和output又有很多各自的配置，关乎日志收集的内存使用，是不是会丢失日志等方方面面，大家在使用时还需要仔细阅读，这里不赘述。
Log input是如何从日志文件中收集日志的 input的创建

根据配置文件内容创建相应的Processors, 用于前面提到的对从文件中读取到的内容的加工处理;
创建Acker, 用于持久化libbeat反馈回来的收集发送进度;
使用libbeat提供的Pipeline.queue.Producer创建producer，用于将处理好的文件内容投递到libbeat的内部队列；

收集文件内容

input会根据配置文件中的收集路径（正则匹配）来轮询是否有新文件产生，文件是否已经过期，文件是否被删除或移动;
针对每一个文件创建一个Harvester来逐行读取文件内容；
【Filebeat|Filebeat 收集日志的那些事儿】将文件内容封装后通过producer发送到libbeat的内部队列；

文章图片
filebeat_input.png

处理文件重命名，删除，截断

获取文件信息时会获取文件的device id + indoe作为文件的唯一标识;
前面我们提过文件收集进度会被持久化，这样当创建Harvester时，首先会对文件作openFile, 以 device id + inode为key在持久化文件中查看当前文件是否被收集过，收集到了什么位置，然后断点续传；
在读取过程中，如果文件被截断，认为文件已经被同名覆盖，将从头开始读取文件；
如果文件被删除，因为原文件已被打开，不影响继续收集，但如果设置了CloseRemoved，则不会再继续收集；
如果文件被重命名，因为原文件已被打开，不影响继续收集，但如果设置了CloseRenamed ，则不会再继续收集；

日志如何被发送发送流程简述

input将日志内容写入libbeat的内部队列后，剩下的事件就都交由libbeat来作了;
libbeat会创建consumer, 负现作libbeat的队列里消费日志event, 封装成Batch对象;
针对每个Batch对象，还会创建ack Channel, 用来将ACK反馈信息写入这个channel;
Batch对象会被源源不断地写入一个叫workQueue的channel中；
以kafka output为例，在创kafka output时首先会创建一个outputs.Group，它内部封装了一组kafka client, 同时启动一组goroutine;
上面创建的每个goroutine都从workQueue队列里读取Batch对象，然后通过kafka client发送出去，这里相当于多线程并发读队列后发送；
若kafka client发送成功，写入信息到ack channel, 最终会通过到input中；
若kafka client发送失败，启动重试机制；

文章图片
filebeat_output.png

重试机制

以kafka output为例，如果msg发送失败，通过读取 ch <-chan *sarama.ProducerError可以获取到所有发送失败的msg；
针对ErrInvalidMessage， ErrMessageSizeTooLarge 和 ErrInvalidMessageSize这三种错误，无需重发；
被发送的 event都会封装成 Batch, 这里重发的时候也是调用Batch.RetryEevnts;
最后会调用到retryer.retry将需要重新的events再次写入到上图中黄色所示的 workQueue中，重新进入发送流程;
关于重发次数，可以设置max retries, 但从代码中看这个max retries不起作用，目前会一直重试，只不过在重发次数减少到为0时，会挑选出设置了Guaranteed属性的event来发送;
如果重发的events数量过多，会暂时阻塞住从正常发送流程向workQueue中写入数据，优先发送需要重发的数据；