论一个优秀的日志采集系统是如何设计和实现数据处理的
作者 观测云 系统开发工程师 李国壮
前言
日志采集系统的执行过程,从 “定位日志” 开始,然后是 “数据采集和处理”,最后则是 “同步采集状态”。本文主要介绍第二项,即数据的采集和解析,其中包含了很多细节处理,将会影响到采集效率、解析结果等各个方面。
数据采集和解析
读取数据并分割成行
提到读取日志数据,大部分情况都会先想到类似 Readline()
这种方法函数,每次调用都会返回完整的一行日志。但是在 DataKit 没有这样实现。
为了确保更细致的操控和更高的性能,DataKit 只使用了最基础的 Read()
方法,每次读取 4KiB 数据(buff 大小是 4KiB,实际读取到可能更少),手动将这 4KiB 数据通过换行符 \n
分割成 N 份。这样会出现两种情况:
这 4KiB 数据最后一个字符刚好是换行符,可以分割成 N 份,没有剩余
这 4KiB 数据最后一个字符不是换行符,对比上文,本次的分割只有 N-1 份,有剩余部分,这段剩余的部分将补充到下一个 4KiB 数据的首部,依次类推
在 DataKit 的代码中,此处对同一个 buff 不断进行 update CursorPosition
、copy
和 truncate
,以实现最大化的内存复用。
经过处理,读取到的数据已经变成一行一行,可以走向执行流的下一层也就是转码和特殊字符处理。
转码和特殊字符处理
转码和特殊字符的处理要在数据成型之后再进行,否则会出现从字符中间截断、对一段截断的数据做处理的情况。比如一个 UTF-8 的中文字符占 3 字节,在采集到第 1 个字节时就做转码处理,这属于 Undefined 行为。
数据转码是很常见的行为,需要指定编码类型和大端小端(如果有),本文重点讲述一下 “特殊字符处理”。
“特殊字符” 在此处代指数据中的颜色字符,比如以下命令会在命令行终端输出一个红色 rea
单词:
如果不进行处理,不删除颜色字符,那么最终日志数据也会带有 \033[0;31m
,不仅缺乏美观、占用存储,而且可能对后续的数据处理产生负影响。所以要在此处筛除特殊颜色字符。
开源社区有许多案例,大部分都使用正则表达式进行实现,性能不是很出色。
但是对于一个成熟的日志输出框架,一定有关闭颜色字符的方法,DataKit 更推荐这种做法,由日志产生端从避免打印颜色字符。
解析行数据
“解析行数据” 主要是针对容器 Stdout/Stderr 日志。容器 runtime 管理和落盘日志时会添加一些额外的信息字段,比如产生时间,来源是 stdout
还是 stderr
,本条日志是否被截断等等。DataKit 需要对这种数据做解析,提取对应字段。
Docker json-file 日志单条格式如下,是 JSON 格式,正文在
log
字段中。如果log
内容的结尾是\n
表示这一行数据是完整的,没有被截断;如果不是\n
,则表明数据太长超过 16KB 被截断了,其剩余部分在下一个 JSON 中。
Containerd(CRI)单条日志格式如下,各项字段以空格分割。和 Docker 相同的是,Containerd(CRI)也有日志截断的标记,即第三个字段
P
,此外还有F
。P
表示Partial
,即不完整的、被截断的;F
表示Full
。
通过解析行数据,可以获得日志正文、stdout/sterr 等信息,根据标记确定是否是不完整的截断日志,要进行日志拼接。在普通日志文件中不存在截断,文件中的单行数据理论上可以无限长。
此外,日志单行被截断,拼接之后也属于一行日志,而不是下文要提到的多行日志,这是两个不同的概念。
数据处理
上文描述的过程,是将数据从文件中读取,并通过解码和解析,组织成一行可读的文本。从现在开始讲针对这一行文本做各种处理,包括多行拼接、字段切割。
多行数据
多行处理是日志采集非常重要的一项,它将一些不符合特征的数据,在不丢失数据的前提下变得符合特征。比如日志文件中有以下数据,这是一段常见的 Python 栈打印:
如果没有多行处理,那么最终数据就是以上 7 行,和原文一模一样。这不利于后续的 Pipeline 切割,因为像第 3 行的 Traceback (most recent call last):
或 第 4 行的 File "/usr/local/lib/python3.6/dist-packages/flask/app.py", line 2447, in wsgi_app
都不是固定格式。
如果经过有效的多行处理,这 7 行数据会变成 3 行,结果如下:
可以看到,现在每行日志数据都以 2020-10-23
这样的特征字符串开头,原文中不符合特征的第 3、4、5 行被追加到第 2 行的末尾。这样看起来要美观很多,而且有利于后续的 Pipeline 字段切割。
这一功能并不复杂,只需要指定特征字符串的正则表达式即可。
在 DataKit logging 采集器配置有 multiline_match
项,以上文的例子,该项的配置应该是 ^\d{4}-\d{2}-\d{2}
,即匹配形如 2020-10-23
这样的行首。
具体实现上类似一个数据结构中的栈(stack)结构,符合特征就将前一条出栈并再把自己入栈进去,不符合特征就只将自己入栈追加到前一条末尾,这样从外面收到的出栈数据都是符合特征的。
此外,DataKit 还支持自动多行,在 logging 采集器的配置项中是 auto_multiline_detection
和 auto_multiline_extra_patterns
,它的逻辑非常简单,就是提供一组的 multiline_match
,根据原文遍历匹配所有规则,匹配成功就提高它的权重以便下次优先选择它。
自动多行是简化配置的一种方式,除了用户配置外,还提供 “默认自动多行规则列表”,详情链接见文章末尾。
Pipeline 切割和日志 status
Pipeline 是一种简单的脚本语言,提供各种函数和语法,用以编写对一段文本数据的执行规则,主要用于切割非结构化的文本数据,例如把一行字符串文本切割出多个有意义的字段,或者用于从结构化的文本中(如 JSON)提取部分信息。
Pipeline 的实现比较复杂,它由抽象语法树(AST)和一系列内部状态机、功能纯函数组成,此处不过多描述。
只看使用场景,举个简单的例子,原文如下:
pipeline 脚本:
最终结果:
注意:Pipeline 切割后的 status
字段是 INFO
,但是 DataKit 有做映射处理,所以严谨起见显示为小写的 info
Pipeline 是日志数据处理最后一步,DataKit 会使用 Pipeline 的结果构建行协议,序列化对象并准备打包发送给 Dataway。
结尾
日志数据处理的细节又多又杂,在此只简单描述了一些基础的执行策略,后续会再进行内容补全。
版权声明: 本文为 InfoQ 作者【Yestodorrow】的原创文章。
原文链接:【http://xie.infoq.cn/article/22444b849ab2d7afaaa026301】。文章转载请联系作者。
评论