Logstash是一款开源日志收集处理框架，有各种不同的input、filter、output插件，用户使用这些插件可以将各种数据源导入到其他系统。
logstash-output-datahub插件，实现将数据导入DataHub的功能，通过简单的配置即可完成数据采集和向DataHub的传输任务。
结合StreamCompute(Galaxy)用户可以方便的完成流式数据从采集，传输，开发到结果数据存储与展示的整套解决方案。
同时，还可以通过创建Collector同步任务将数据同步到MaxCompute(ODPS),之后在MaxCompute上进行完备的数据开发工作。
接下来，会将各个流程步骤在文章中作详细描述，以帮助用户使用Logstash＋DataHub＋StreamCompute/MaxCompute快速构建起自己的流式数据应用。
数据通道
DataHub服务是阿里云的基于飞天开发的pubsub服务；
创建用于数据采集与传输的DataHub Topic是我们的第一步。
Endpoint列表
公共云DataHub服务Endpoint列表：
| 公有网络 | 经典网络ECS Endpoint | VPC ECS Endpoint |
|---|---|---|
| http://dh-cn-hangzhou.aliyuncs.com | http://dh-cn-hangzhou.aliyun-inc.com | http://dh-cn-hangzhou-vpc.aliyuncs.com |
基本概念
首先，明确DataHub中的几个概念，具体可参见DataHub基本概念：
- Shard: Shard表示对一个Topic进行数据传输的并发通道，每个Shard会有对应的ID。每个Shard会有多种状态 : "Opening" - 启动中，"Active" - 启动完成可服务
- Lifecycle: 表示一个Topic中写入数据可以保存的时间，以天为单位
- Record: 用户数据和DataHub服务端交互的基本单位
- Schema: 描述Record必须遵守的格式，以及每个字段的类型，包括：bigint、string、boolean、double和timestamp
创建Topic
目前DataHub提供的工具包括Datahub Java SDK和DataHub webconsole，另外console还处于试用阶段，若有需要可联系我们提供。
- Webconsole
用户可在webconsole上完成对所属资源的基本操作，包括创建、查看、删除Topic以及数据抽样等。在webconsole中创建Topic如下所示:
- SDK
依次调用以下接口来完成Project和Topic的创建，SDK的一些基本接口可参考SDK基本说明。
<dependency>
<groupId>com.aliyun.datahub</groupId>
<artifactId>aliyun-sdk-datahub</artifactId>
<version>2.3.0-public</version>
</dependency>
public class DatahubClient {
/**
* 初始化DatahubClient，
* @param conf Datahub的配置信息，包括用户的账号信息和datahub endpoint
*/
public DatahubClient(DatahubConfiguration conf);
/**
* 创建Datahub topic
* @param projectName 该topic所属的project
* @param topicName 要创建的topic名字
* @param shardCount 指定该topic的shard数量
* @param lifeCycle 数据回收时间
* @param recordType 该topic的record类型,包括TUPLE和BLOB
* @param recordSchema 当recordType为TUPLE时，需要指定schema
* @param desc topic的描述信息
*/
public createTopic(String projectName, String topicName, int shardCount, int lifeCycle, RecordType recordType, RecordSchema recordSchema, String desc);
}
数据采集
由于DataHub提供创建具有schema的Topic的功能，所以用户在使用logstash将数据采集到datahub时，可同时完成对原始数据清洗工作。这样在后续的数据分析工作中，用户能更加方便的进行数据开发。
安装
- 安装logstash-output-datahub插件(下载地址)，
$ {LOG_STASH_HOME}/bin/plugin install --local logstash-output-datahub-1.0.0.gem
- 直接下载免安装版logstash(下载地址)。 解压即可使用。
$ tar -xzvf logstash-with-datahub-2.3.0.tar.gz
$ cd logstash-with-datahub-2.3.0
配置信息
我们以一条典型的日志为例，说明如何配置logstash和datahub topic.
示例日志为：
20:04:30.359 [qtp1453606810-20] INFO AuditInterceptor - [13pn9kdr5tl84stzkmaa8vmg] end /web/v1/project/fhp4clxfbu0w3ym2n7ee6ynh/statistics?executionName=bayes_poc_test GET, 187 ms
对应的Datahub Topic的schema定义为:
| 字段名称 | 字段类型 |
|---|---|
| request_time | STRING |
| thread_id | STRING |
| log_level | STRING |
| class_name | STRING |
| request_id | STRING |
| detail | STRING |
Logstash配置文件为:
input {
file {
path => "${APP_HOME}/log/bayes.log"
start_position => "beginning"
}
}
filter{
# 对每一条日志message进行分割，并将各分片指定对应的tag
# 若将整条日志作为Topic的一个字段，可创建只包含(message string)字段的Topic，从而不用配置grok filter
grok {
match => {
"message" => "(?<request_time>\d\d:\d\d:\d\d\.\d+)\s+\[(?<thread_id>[\w\-]+)\]\s+(?<log_level>\w+)\s+(?<class_name>\w+)\s+\-(?<detail>.+)"
}
}
}
output {
datahub {
access_id => ""
access_key => ""
endpoint => ""
project_name => "project"
topic_name => "topic"
#shard_id => "0"
#shard_keys => ["thread_id"]
dirty_data_continue => true
dirty_data_file => "/Users/u1/trash/dirty.data"
dirty_data_file_max_size => 1000
}
}
启动logstash数据采集
使用命令启动logstash开始数据采集
logstash -f 上述配置文件地址
可使用参数 -b 指定每次batch大小，即每次请求的记录条数，可进行性能调试
# 缓存1000条数据后发送，不指定时默认为125(logstash的默认配置)
logstash -f 上述配置文件地址 -b 1000
数据分析
目前DataHub和计算引擎StreamCompute(Galaxy)和MaxCompute(ODPS)已打通。
在StreamCompute中，可以通过配置DataHub数据源，直接进行数据开发，写入DataHub的数据会被StreamCompute订阅并进行实时计算。
同时，通过创建同步到MaxCompute的Collector，可以将DataHub数据同步到MaxCompute，从而在MaxCompute中进行数据开发。
StreamCompute
在StreamCompute中注册DataHub数据源(帮助文档)。
在StreamCompute中查看或使用DataHub数据(帮助文档)。
MaxCompute
可以通过创建Connector，将DataHub数据导入到MaxCompute(ODPS).
在Webconsole创建Connector是一件方便的事情，(webconsole地址)。如果有很多topic或者topic的field很多，不方便在页面上手动操作，也可以使用SDK。
创建Connector
创建Connector之前，用户必须已创建好MaxCompute的Table，并且所使用的账号必须具备该MaxCompute Project的CreateInstance权限和归档ODPS表的Desc、Alter、Update权限。
在webconsole创建Connector步骤可参考创建Connector.
欢迎加入MaxCompute钉钉群讨论