基于Flume的美团日志收集系统(二)改进和优化
问题导读：1.Flume的存在些什么问题？
2.基于开源的Flume美团增加了哪些功能？
3.Flume系统如何调优？
在《基于Flume的美团日志收集系统(一)架构和设计》中，我们详述了基于Flume的美团日志收集系统的架构设计，以及为什么做这样的设计。在本节中，我们将会讲述在实际部署和使用过程中遇到的问题，对Flume的功能改进和对系统做的优化。 1 Flume的问题总结
在Flume的使用过程中，遇到的主要问题如下：
a. Channel“水土不服”：使用固定大小的MemoryChannel在日志高峰时常报队列大小不够的异常；使用FileChannel又导致IO繁忙的问题；
b. HdfsSink的性能问题：使用HdfsSink向Hdfs写日志，在高峰时间速度较慢；
c. 系统的管理问题：配置升级，模块重启等； 2 Flume的功能改进和优化点
从上面的问题中可以看到，有一些需求是原生Flume无法满足的，因此，基于开源的Flume我们增加了许多功能，修改了一些Bug，并且进行一些调优。下面将对一些主要的方面做一些说明。 2.1 增加Zabbix monitor服务
一方面，Flume本身提供了http, ganglia的监控服务，而我们目前主要使用zabbix做监控。因此，我们为Flume添加了zabbix监控模块，和sa的监控服务无缝融合。
另一方面，净化Flume的metrics。只将我们需要的metrics发送给zabbix，避免 zabbix server造成压力。目前我们最为关心的是Flume能否及时把应用端发送过来的日志写到Hdfs上， 对应关注的metrics为：
[*]Source : 接收的event数和处理的event数
[*]Channel : Channel中拥堵的event数
[*]Sink : 已经处理的event数
2.2 为HdfsSink增加自动创建index功能
首先，我们的HdfsSink写到hadoop的文件采用lzo压缩存储。 HdfsSink可以读取hadoop配置文件中提供的编码类列表，然后通过配置的方式获取使用何种压缩编码，我们目前使用lzo压缩数据。采用lzo压缩而非bz2压缩，是基于以下测试数据：event大小(Byte)sink.batch-sizehdfs.batchSize压缩格式总数据大小(G)耗时(s)平均events/s压缩后大小(G)54430010000bz29.1244868331.3654430010000lzo9.1612273333.49
其次，我们的HdfsSink增加了创建lzo文件后自动创建index功能。Hadoop提供了对lzo创建索引，使得压缩文件是可切分的，这样Hadoop Job可以并行处理数据文件。HdfsSink本身lzo压缩，但写完lzo文件并不会建索引，我们在close文件之后添加了建索引功能。
[*]/**
[*] * Rename bucketPath file from .tmp to permanent location.
[*] */
[*]private void renameBucket() throws IOException, InterruptedException {
[*] if(bucketPath.equals(targetPath)) {
[*] return;
[*] }
[*]
[*] final Path srcPath = new Path(bucketPath);
[*] final Path dstPath = new Path(targetPath);
[*]
[*] callWithTimeout(new CallRunner<Object>() {
[*] @Override
[*] public Object call() throws Exception {
[*] if(fileSystem.exists(srcPath)) { // could block
[*] LOG.info("Renaming " + srcPath + " to " + dstPath);
[*] fileSystem.rename(srcPath, dstPath); // could block
[*]
[*] //index the dstPath lzo file
[*] if (codeC != null && ".lzo".equals(codeC.getDefaultExtension()) ) {
[*] LzoIndexer lzoIndexer = new LzoIndexer(new Configuration());
[*] lzoIndexer.index(dstPath);
[*] }
[*] }
[*] return null;
[*] }
[*] });
[*]}
复制代码
2.3 增加HdfsSink的开关
我们在HdfsSink和DualChannel中增加开关，当开关打开的情况下，HdfsSink不再往Hdfs上写数据，并且数据只写向DualChannel中的FileChannel。以此策略来防止Hdfs的正常停机维护。 2.4 增加DualChannel
Flume本身提供了MemoryChannel和FileChannel。MemoryChannel处理速度快，但缓存大小有限，且没有持久化；FileChannel则刚好相反。我们希望利用两者的优势，在Sink处理速度够快，Channel没有缓存过多日志的时候，就使用MemoryChannel，当Sink处理速度跟不上，又需要Channel能够缓存下应用端发送过来的日志时，就使用FileChannel，由此我们开发了DualChannel，能够智能的在两个Channel之间切换。
其具体的逻辑如下：
[*]/***
[*]* putToMemChannel indicate put event to memChannel or fileChannel
[*]* takeFromMemChannel indicate take event from memChannel or fileChannel
[*]* */
[*]private AtomicBoolean putToMemChannel = new AtomicBoolean(true);
[*]private AtomicBoolean takeFromMemChannel = new AtomicBoolean(true);
[*]
[*]void doPut(Event event) {
[*] if (switchon && putToMemChannel.get()) {
[*] //往memChannel中写数据
[*] memTransaction.put(event);
[*]
[*] if ( memChannel.isFull() || fileChannel.getQueueSize() > 100) {
[*] putToMemChannel.set(false);
[*] }
[*] } else {
[*] //往fileChannel中写数据
[*] fileTransaction.put(event);
[*] }
[*]}
[*]
[*]Event doTake() {
[*] Event event = null;
[*] if ( takeFromMemChannel.get() ) {
[*] //从memChannel中取数据
[*] event = memTransaction.take();
[*] if (event == null) {
[*] takeFromMemChannel.set(false);
[*] }
[*] } else {
[*] //从fileChannel中取数据
[*] event = fileTransaction.take();
[*] if (event == null) {
[*] takeFromMemChannel.set(true);
[*]
[*] putToMemChannel.set(true);
[*] }
[*] }
[*] return event;
[*]}
复制代码
2.5 增加NullChannel
Flume提供了NullSink，可以把不需要的日志通过NullSink直接丢弃，不进行存储。然而，Source需要先将events存放到Channel中，NullSink再将events取出扔掉。为了提升性能，我们把这一步移到了Channel里面做，所以开发了NullChannel。 2.6 增加KafkaSink
为支持向Storm提供实时数据流，我们增加了KafkaSink用来向Kafka写实时数据流。其基本的逻辑如下：
[*]public class KafkaSink extends AbstractSink implements Configurable {
[*] private String zkConnect;
[*] private Integer zkTimeout;
[*] private Integer batchSize;
[*] private Integer queueSize;
[*] private String serializerClass;
[*] private String producerType;
[*] private String topicPrefix;
[*]
[*] private Producer<String, String> producer;
[*]
[*] public void configure(Context context) {
[*] //读取配置，并检查配置
[*] }
[*]
[*] @Override
[*] public synchronized void start() {
[*] //初始化producer
[*] }
[*]
[*] @Override
[*] public synchronized void stop() {
[*] //关闭producer
[*] }
[*]
[*] @Override
[*] public Status process() throws EventDeliveryException {
[*]
[*] Status status = Status.READY;
[*]
[*] Channel channel = getChannel();
[*] Transaction tx = channel.getTransaction();
[*] try {
[*] tx.begin();
[*]
[*] //将日志按category分队列存放
[*] Map<String, List<String>> topic2EventList = new HashMap<String, List<String>>();
[*]
[*] //从channel中取batchSize大小的日志，从header中获取category，生成topic，并存放于上述的Map中；
[*]
[*] //将Map中的数据通过producer发送给kafka
[*]
[*] tx.commit();
[*] } catch (Exception e) {
[*] tx.rollback();
[*] throw new EventDeliveryException(e);
[*] } finally {
[*] tx.close();
[*] }
[*] return status;
[*] }
[*]}
复制代码
2.7 修复和scribe的兼容问题
Scribed在通过ScribeSource发送数据包给Flume时，大于4096字节的包，会先发送一个Dummy包检查服务器的反应，而Flume的ScribeSource对于logentry.size()=0的包返回TRY_LATER，此时Scribed就认为出错，断开连接。这样循环反复尝试，无法真正发送数据。现在在ScribeSource的Thrift接口中，对size为0的情况返回OK，保证后续正常发送数据。 3. Flume系统调优经验总结3.1 基础参数调优经验
[*]HdfsSink中默认的serializer会每写一行在行尾添加一个换行符，我们日志本身带有换行符，这样会导致每条日志后面多一个空行，修改配置不要自动添加换行符；
[*]lc.sinks.sink_hdfs.serializer.appendNewline = false
复制代码
[*]调大MemoryChannel的capacity，尽量利用MemoryChannel快速的处理能力；
[*]
调大HdfsSink的batchSize，增加吞吐量，减少hdfs的flush次数；
[*]
适当调大HdfsSink的callTimeout，避免不必要的超时错误；
3.2 HdfsSink获取Filename的优化
HdfsSink的path参数指明了日志被写到Hdfs的位置，该参数中可以引用格式化的参数，将日志写到一个动态的目录中。这方便了日志的管理。例如我们可以将日志写到category分类的目录，并且按天和按小时存放：
[*]lc.sinks.sink_hdfs.hdfs.path = /user/hive/work/orglog.db/%{category}/dt=%Y%m%d/hour=%H
复制代码
HdfsS ink中处理每条event时，都要根据配置获取此event应该写入的Hdfs path和filename，默认的获取方法是通过正则表达式替换配置中的变量，获取真实的path和filename。因为此过程是每条event都要做的操作，耗时很长。通过我们的测试，20万条日志，这个操作要耗时6-8s左右。
由于我们目前的path和filename有固定的模式，可以通过字符串拼接获得。而后者比正则匹配快几十倍。拼接定符串的方式，20万条日志的操作只需要几百毫秒。 3.3 HdfsSink的b/m/s优化
在我们初始的设计中，所有的日志都通过一个Channel和一个HdfsSink写到Hdfs上。我们来看一看这样做有什么问题。
首先，我们来看一下HdfsSink在发送数据的逻辑：
[*]//从Channel中取batchSize大小的events
[*]for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) {
[*] //对每条日志根据category append到相应的bucketWriter上；
[*] bucketWriter.append(event);
[*]｝
[*]
[*]for (BucketWriter bucketWriter : writers) {
[*] //然后对每一个bucketWriter调用相应的flush方法将数据flush到Hdfs上
[*] bucketWriter.flush();
[*]｝
复制代码
假设我们的系统中有100个category，batchSize大小设置为20万。则每20万条数据，就需要对100个文件进行append或者flush操作。
其次，对于我们的日志来说，基本符合80/20原则。即20%的category产生了系统80%的日志量。这样对大部分日志来说，每20万条可能只包含几条日志，也需要往Hdfs上flush一次。
上述的情况会导致HdfsSink写Hdfs的效率极差。下图是单Channel的情况下每小时的发送量和写hdfs的时间趋势图。
鉴于这种实际应用场景，我们把日志进行了大小归类，分为big, middle和small三类，这样可以有效的避免小日志跟着大日志一起频繁的flush，提升效果明显。下图是分队列后big队列的每小时的发送量和写hdfs的时间趋势图。
页:
[1]