云原生数据仓库AnalyticDB：通过Logstash导入数仓版

Logstash组件介绍

• 输入-采集各种样式、大小和来源的数据

  在实际业务中，数据往往以各种各样的形式分散或集中地存储在多个系统中，Logstash支持多种数据输入方式，可以在同一时间从多种数据源采集数据。Logstash能够以连续的流式传输方式轻松地从用户的日志、指标、Web应用、数据存储以及AWS服务采集数据。

• 过滤-实时解析和转换数据

  数据从源传输到目标存储的过程中，Logstash过滤器能够解析各个事件，识别已命名的字段来构建结构，并将它们转换成通用格式，从而更轻松、快速地分析和实现商业价值。

  • 使用Grok从非结构化数据中派生出结构化数据。

  • 从IP地址破译出地理坐标。

  • 将PII数据匿名化，完全排除敏感字段。

  • 简化整体处理，不受数据源、格式或架构的影响

• 输出-导出数据

  除了AnalyticDB for MySQL以外，Logstash提供多种数据输出方向，灵活解锁众多下游用例。

操作步骤

Kafka是一个高吞吐量的分布式发布、订阅日志服务，具有高可用、高性能、分布式、高扩展、持久性等特点。目前Kafka已经被各大公司广泛使用，同时logstash也可以快速接入业务中，免去重复建设的麻烦。

1. 在Apache Kafka服务器根目录，执行以下命令安装和更新插件。

   $ bin/plugin install 
   $ bin/plugin update

   Logstash从1.5版本开始集成Kafka，Logstash 1.5及以上版本中所有插件的目录和命名都发生了改变，插件发布地址为Logstash-plugins。

2. 配置插件。

   • Input配置示例

     以下配置可以实现对Kafka读取端（consumer）的基本使用。

     input {
         kafka {
             zk_connect => "localhost:2181"
             group_id => "Logstash"
             topic_id => "test"
             codec => plain
             reset_beginning => false # boolean (optional)， default: false
             consumer_threads => 5  # number (optional)， default: 1
             decorate_events => true # boolean (optional)， default: false
         }
     }          

     参数说明：

     • group_id：消费者分组，可以通过组ID来指定，不同组之间的消费互不影响，相互隔离。

     • topic_id：指定消费话题（Topic），也可以理解为先订阅某个话题，然后消费。

     • reset_beginning：指定Logstash启动后从哪个位置开始读取数据，默认是结束位置，即Logstash进程会从上次读取结束时的偏移量开始继续读取数据；如果之前没有消费过，则从头读取数据。

       如果您要导入原数据，需将reset_beginning值改为true， Logstash进程将从头开始读取数据，作用类似于cat ，但是Logstash读到最后一行时不会终止，而是变成tail -F，继续监听相应数据。

     • decorate_events：指定输出消息时会输出自身信息，包括消费消息的大小、Topic来源以及consumer的group信息。

     • rebalance_max_retries：当有新的consumer（Logstash）加入到同一个group时，将会Reblance ，此后将会有Partitions的消费端迁移到新的consumer上。如果一个consumer获得了某个Partition的消费权限，那么它将会向Zookeeper注册Partition Owner registry节点信息，但是有可能此时旧的consumer尚没有释放此节点，此值用于控制注册节点的重试次数。

     • consumer_timeout_ms：在指定时间内没有消息到达将抛出异常，该参数一般无需修改。

     更多Input参数配置请参见Input。

     说明

     如果需要多个Logstash端协同消费同一个Topic，需要先把相应的Topic分多个Partitions（区），此时多个消费者消费将无法保证消息的消费顺序性，然后把两个或多个Logstash消费端配置成相同的group_id和topic_id。

   • Output配置示例

     output {
         jdbc {
             driver_class => "com.mysql.jdbc.Driver"
             connection_string => "jdbc:mysql://HOSTNAME/DATABASE?user=USER&password=PASSWORD"
             statement => [ "INSERT INTO log (host, timestamp, message) VALUES(?, ?, ?)", "host", "@timestamp", "message" ]
         }
     }         

     参数说明：

     • connection_string：AnalyticDB for MySQL的连接地址。

     • statement：INSERT SQL的声明数组。

     更多Output参数配置请参见Output。

3. 在Logstash安装目录中执行bin/Logstash -f config/xxxx.conf命令启动任务，将Kafka数据写入AnalyticDB for MySQL。