導讀：數(shù)據(jù)總線DBus的總體架構(gòu)中主要包括六大模塊，分別是：日志抓取模塊、增量轉(zhuǎn)換模塊、全量抽取程序、日志算子處理模塊、心跳監(jiān)控模塊、Web管理模塊。六大模塊各自的功能相互連接，構(gòu)成DBus的工作原理：通過讀取RDBMS增量日志的方式來實時獲取增量數(shù)據(jù)日志（支持全量拉?。换贚ogstash，flume，filebeat等抓取工具來實時獲得數(shù)據(jù)，以可視化的方式對數(shù)據(jù)進行結(jié)構(gòu)化輸出。本文主要介紹的是DBus中基于可視化配置的日志結(jié)構(gòu)化轉(zhuǎn)換實現(xiàn)的部分。

一、結(jié)構(gòu)化日志的原理

1.1 源端日志抓取


DBus可以對接多種log數(shù)據(jù)源，例如：Logstash、Flume、Filebeat等。上述組件都是業(yè)界比較流行的日志抓取工具，一方面便于用戶和業(yè)界統(tǒng)一標準，方便用戶技術(shù)方案的整合；另一方面也避免了無謂的重復造輪子。抓取的數(shù)據(jù)我們稱為原始數(shù)據(jù)日志（raw
data log），由抓取組件將其寫入Kafka中，等待DBus后續(xù)處理。

1.2 可視化配置規(guī)則，使日志結(jié)構(gòu)化


用戶可自定義配置日志源和目標端。同一個日志源的數(shù)據(jù)可以輸出到多個目標端。每一條“日志源-目標端”線，用戶可以根據(jù)自己的需要來配置相應的過濾規(guī)則。經(jīng)過規(guī)則算子處理后的日志是結(jié)構(gòu)化的，即：有schema約束，類似于數(shù)據(jù)庫中的表。

1.3 規(guī)則算子


DBus設計了豐富易用的算子，用于對數(shù)據(jù)進行定制化操作。用戶對數(shù)據(jù)的處理可分為多個步驟進行，每個步驟的數(shù)據(jù)處理結(jié)果可即時查看、驗證；并且可重復使用不同算子，直到轉(zhuǎn)換、裁剪出自己需要的數(shù)據(jù)。

1.4 執(zhí)行引擎

將配置好的規(guī)則算子組應用到執(zhí)行引擎中，對目標日志數(shù)據(jù)進行預處理，形成結(jié)構(gòu)化數(shù)據(jù)，輸出到Kafka，供下游數(shù)據(jù)使用方使用。系統(tǒng)流程圖如下所示：



根據(jù)DBus log設計原則，同一條原始日志，可以被提取到一個或多個表中。每個表是結(jié)構(gòu)化的，滿足相同的schema約束。

* 每個表是一個規(guī)則算子組的集合，每個表可以擁有1個或多個規(guī)則算子組；
* 每個規(guī)則算子組，由一組規(guī)則算子組合而成，每個算子具有獨立性；
對于任意一條原始數(shù)據(jù)日志（raw data log），它應該屬于哪張表呢？

假如用戶定義了若干張邏輯表（T1,T2…），用于抽取不同類型的日志，那么，每條日志需要與規(guī)則算子組進行匹配：

* 進入某張表T1的所有規(guī)則算子組的執(zhí)行過程
* 符合條件的進入規(guī)則算子組，并且被執(zhí)行引擎轉(zhuǎn)換為結(jié)構(gòu)化的表數(shù)據(jù)
* 不符合提取條件的日志嘗試下一個規(guī)則算子組
* 對于T1的所有規(guī)則算子組，如果都不滿足要求，則進入下一張表T2的執(zhí)行過程，以此類推
* 如果該條日志不符合任何一張表的過濾規(guī)則，則進入_unknown_table_表



例如，對于同一條應用日志，其可能屬于不止一個規(guī)則組或Table，而在我們定義的規(guī)則組或Table中，只要其滿足過濾條件，該應用日志就可以被規(guī)則組提取，即保證了同一條應用日志可以同屬于不同的規(guī)則組或Table。



規(guī)則算子是對數(shù)據(jù)進行過濾、加工、轉(zhuǎn)換的基本單元。常見的規(guī)則算子如上圖所示。


算子之間具有獨立性，算子之間可以任意組合使用，從而可以實現(xiàn)許多復雜的、高級的功能，通過對算子進行迭代使用，最終可以實現(xiàn)對任意數(shù)據(jù)進行加工的目的。用戶可以開發(fā)自定義算子，算子的開發(fā)非常容易，用戶只要遵循基本接口原則，就可以開發(fā)任意的算子。

二、DBus日志處理實例


以DBus集群環(huán)境為例，DBus集群中有兩臺機器（即master-slave）部署了心跳程序，用于監(jiān)控、統(tǒng)計、預警等，心跳程序會產(chǎn)生一些應用日志，這些應用日志中包含各類事件信息，假如我們想要對這些日志進行分類處理并結(jié)構(gòu)化到數(shù)據(jù)庫中，我們就可以采用DBus
log程序?qū)θ罩具M行處理。

DBus可以接入多種數(shù)據(jù)源（Logstash、Flume、Filebeat等），此處以Logstash為例來說明如何接入DBus的監(jiān)控和報警日志數(shù)據(jù)。




由于在dbus-n2和dbus-n3兩臺機器上分別存在監(jiān)控和預警日志，為此我們分別在兩臺機器上部署了Logstash程序。心跳數(shù)據(jù)由Logstash自帶的心跳插件產(chǎn)生，其作用是便于DBus對數(shù)據(jù)進行統(tǒng)計和輸出，以及對源端日志抽取端（此處為Logstash）進行預警（對于Flume和Filebeat來說，因為它們沒有心跳插件，所以需要額外為其定時產(chǎn)生心跳數(shù)據(jù)）。Logstash程序?qū)懭氲終afka中的數(shù)據(jù)中既有普通格式的數(shù)據(jù)，同時也有心跳數(shù)據(jù)。


這里不只是局限于2臺部署有Logstash程序的機器，DBus對Logstash數(shù)量不做限制，比如應用日志分布在幾十上百臺機器上，只需要在每臺機器上部署Logstash程序，并將數(shù)據(jù)統(tǒng)一抽取到同一個Kafka
Topic中，DBus就能夠?qū)λ兄鳈C的數(shù)據(jù)進行數(shù)據(jù)處理、監(jiān)控、預警、統(tǒng)計等。

2.1 啟動Logstash

在啟動Logstash程序后，我們就可以從topic : heartbeat_log_logstash中讀取數(shù)據(jù)，數(shù)據(jù)樣例如下：

1)心跳數(shù)據(jù)



2)普通日志數(shù)據(jù)



2.2 配置規(guī)則

接下來，我們只需要在DBus Web中配置相應的規(guī)則就可以對數(shù)據(jù)進行處理了。


首先新建一個邏輯表sink_info_table，該表用來抽取sink事件的日志信息，然后配置該表的規(guī)則組（一個或多個，但所有的規(guī)則組過濾后的數(shù)據(jù)需要滿足相同schema特性），heartbeat_log_logstash作為原始數(shù)據(jù)topic，我們可以實時的對數(shù)據(jù)進行可視化操作配置（所見即所得，即席驗證）。



1)讀取原始數(shù)據(jù)日志




可以看到由Logstash預先提取已經(jīng)包含了log4j的基本信息，例如path、@timestamp、level等。但是數(shù)據(jù)日志的詳細信息在字段log中。由于不同的數(shù)據(jù)日志輸出是不一樣的，因此可以看到log列數(shù)據(jù)是不同的。

2)提取感興趣的列

假如我們對timestamp、log 等原始信息感興趣，那么可以添加一個toIndex算子，來提取這些字段：



這里需要指出，我們考慮使用數(shù)組下標方式，是有原因的： - 并不是所有列本身自帶列名（例如flume抽取的原始數(shù)據(jù)，或者split算子處理后的數(shù)據(jù)列）； -
下標方式可以使用數(shù)組方式指定列（類似python方式， 例如：1:3表示1，2列）； 因此后續(xù)操作全部基于數(shù)組下標方式訪問。

執(zhí)行規(guī)則，就可以看到被提取后的字段情況：



3)過濾需要的數(shù)據(jù)

在這個例子中，我們只對含有“Sink to influxdb OK!”的數(shù)據(jù)感興趣。因此添加一個filter算子，提取第7列中包含”Sink to
influxdb OK!”內(nèi)容的行數(shù)據(jù)：



執(zhí)行后，只有符合條件的日志行數(shù)據(jù)才會存在。



4)對特定列進行提取

添加一個select算子，我們對第1和3列的內(nèi)容感興趣，所以對這兩列進行提取。



執(zhí)行select算子，數(shù)據(jù)中就會只含有第1和3列了。



5)以正則表達式的方式處理數(shù)據(jù)


我們想從第1列的數(shù)據(jù)中提取符合特定正則表達式的值，使用regexExtract算子對數(shù)據(jù)進行過濾。正則表達式如下：http_code=(\d*).*type=(.*),ds=(.*),schema=(.*),table=(.*)\s.*errorCount=(\d*)，用戶可以寫自定義的正則表達式。



執(zhí)行后，就會獲取正則表達式執(zhí)行后的數(shù)據(jù)。



6)選擇輸出列

最后我們把感興趣的列進行輸出，使用saveAs算子， 指定列名和類型，方便于保存在關(guān)系型數(shù)據(jù)庫中。



執(zhí)行saveAs算子后，這就是處理好的最終輸出數(shù)據(jù)樣本。



2.3 查看結(jié)構(gòu)化輸出結(jié)果


保存上一步配置好的規(guī)則組，日志數(shù)據(jù)經(jīng)過DBus執(zhí)行算子引擎，就可以生成相應的結(jié)構(gòu)化數(shù)據(jù)了。目前根據(jù)項目實際，DBus輸出的數(shù)據(jù)是UMS格式，如果不想使用UMS，可以經(jīng)過簡單的開發(fā)，實現(xiàn)定制化。


注：UMS是DBus定義并使用的、通用的數(shù)據(jù)交換格式，是標準的JSON。其中同時包含了schema和數(shù)據(jù)信息。更多UMS介紹請參考DBus開源項目主頁的介紹。開源地址：https://github.com/bridata/dbus

以下是測試案例，輸出的結(jié)構(gòu)化UMS數(shù)據(jù)的樣例：



2.4 日志監(jiān)控

為了便于掌握數(shù)據(jù)抽取、規(guī)則匹配、監(jiān)控預警等情況，我們提供了日志數(shù)據(jù)抽取的可視化實時監(jiān)控界面，如下圖所示，可隨時了解以下信息：

* 實時數(shù)據(jù)條數(shù)
* 錯誤條數(shù)情況（錯誤條數(shù)是指：執(zhí)行算子時出現(xiàn)錯誤的情況，幫助發(fā)現(xiàn)算子與數(shù)據(jù)是否匹配，用于修改算子，DBus同時也提供了日志回讀的功能，以免丟失部分數(shù)據(jù)）
* 數(shù)據(jù)延時情況
* 日志抽取端是否正常


監(jiān)控信息中包含了來自集群內(nèi)各臺主機的監(jiān)控信息，以主機IP（或域名）對數(shù)據(jù)分別進行監(jiān)控、統(tǒng)計和預警等。

監(jiān)控中還有一張表叫做_unkown_table_
表明所有沒有被匹配上的數(shù)據(jù)條數(shù)。例如：Logstash抓取的日志中有5種不同事件的日志數(shù)據(jù)，我們只捕獲了其中3種事件，其它沒有被匹配上的數(shù)據(jù)，全部在_unkown_table_計數(shù)中。




DBus同樣可以接入Flume、Filebeat、UMS等數(shù)據(jù)源，只需要稍作配置，就可以實現(xiàn)類似于對Logstash數(shù)據(jù)源同樣的處理效果，更多關(guān)于DBus對log的處理說明，請參考：

*
https://bridata.github.io/DBus/install-logstash-source.html

*
https://bridata.github.io/DBus/install-flume-source.html

*
https://bridata.github.io/DBus/install-filebeat-source.html


應用日志經(jīng)過DBus處理后，將原始數(shù)據(jù)日志轉(zhuǎn)換為了結(jié)構(gòu)化數(shù)據(jù)，輸出到Kafka中提供給下游數(shù)據(jù)使用方進行使用，比如通過Wormhole將數(shù)據(jù)落入數(shù)據(jù)庫等。具體如何將DBus與Wormhole結(jié)合起來使用，請參考：
如何設計實時數(shù)據(jù)平臺（技術(shù)篇） <>。

作者：仲振林

• ? 上一篇：寫給新手的 Go 開發(fā)指南
• ? 下一篇：數(shù)據(jù)結(jié)構(gòu)與算法—緒論