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

# cat config/indexer_rsyslog_nginx.conf input { kafka { bootstrap_servers => "localhost:9092" topics => ["rsyslog_nginx"] codec => "json" } } filter { date { match => ["time_local","dd/MMM/yyyy:HH:mm:ss Z"] target => "@timestamp" } ruby { code => "event.set('index.date', event.get('@timestamp').time.localtime.strftime('%Y%m%d'))" } ruby { code => "event.set('index.hour', event.get('@timestamp').time.localtime.strftime('%H'))" } } output { elasticsearch { hosts => ["192.168.106.203:9200"] index => "rsyslog-nginx-%{+YYYY.MM.dd}" } webhdfs { host => "master01" port => 50070 user => "hadmin" path => "/logs/nginx/%{index.date}/%{index.hour}.log" codec => "json" } } 

这里我使用 logstash 的 date 插件将日志中的"time_local"字段直接替换为了 @timestamp，这样做有什么好处呢？

logstash 默认生成的 @timestamp 字段记录的时间是 logstash 接收到消息的时间，这个时间可能与日志产生的时间不同，而我们往往需要关注的时间是日志产生的时间，且在 ELK 架构中 Kibana 日志输出的默认顺序就是按照 @timestamp 来排序的，所以往往我们需要将默认的 @timestamp 替换成日志产生的时间，替换方法就用到了 date 插件，date 插件的用法如下

date { match => ["time_local","dd/MMM/yyyy:HH:mm:ss Z"] target => "@timestamp" } 

match：匹配日志中的时间字段，这里为 time_local

target：将 match 匹配到的时间戳存储到给定的字段中，默认不指定的话就存到 @timestamp 字段

另外还有参数可以配置：timezone,locale,tag_on_failure等，具体可查看官方文档

---