这篇文章主要为大家展示了“SpringBoot+Dubbo集成ELK实战的示例分析”,内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下“SpringBoot+Dubbo集成ELK实战的示例分析”这篇文章吧。
前言
一直以来,日志始终伴随着我们的开发和运维过程。当系统出现了Bug,往往就是通过Xshell连接到服务器,定位到日志文件,一点点排查问题来源。
随着互联网的快速发展,我们的系统越来越庞大。依赖肉眼分析日志文件来排查问题的方式渐渐凸显出一些问题:
分布式集群环境下,服务器数量可能达到成百上千,如何准确定位?
微服务架构中,如何根据异常信息,定位其他各服务的上下文信息?
随着日志文件的不断增大,可能面临在服务器上不能直接打开的尴尬。
文本搜索太慢、无法多维度查询等
面临这些问题,我们需要集中化的日志管理,将所有服务器节点上的日志统一收集,管理,访问。
而今天,我们的手段的就是使用 Elastic Stack
来解决它们。
一、什么是Elastic Stack ?
或许有人对Elastic感觉有一点点陌生,它的前生正是ELK ,Elastic Stack 是ELK Stack的更新换代产品。
Elastic Stack分别对应了四个开源项目。
Beats
Beats 平台集合了多种单一用途数据采集器,它负责采集各种类型的数据。比如文件、系统监控、Windows事件日志等。
Logstash
Logstash 是服务器端数据处理管道,能够同时从多个来源采集数据,转换数据。没错,它既可以采集数据,也可以转换数据。采集到了非结构化的数据,通过过滤器把他格式化成友好的类型。
Elasticsearch
Elasticsearch 是一个基于 JSON 的分布式搜索和分析引擎。作为 Elastic Stack 的核心,它负责集中存储数据。我们上面利用Beats采集数据,通过Logstash转换之后,就可以存储到Elasticsearch。
Kibana
最后,就可以通过 Kibana,对自己的 Elasticsearch 中的数据进行可视化。
本文的实例是通过 SpringBoot+Dubbo
的微服务架构,结合 Elastic Stack
来整合日志的。架构如下:
注意,阅读本文需要了解ELK组件的基本概念和安装。本文不涉及安装和基本配置过程,重点是如何与项目集成,达成上面的需求。
二、采集、转换
1、FileBeat
在SpringBoot项目中,我们首先配置Logback,确定日志文件的位置。
<appender name="FILE" class="ch.qos.logback.core.rolling.RollingFileAppender"> <file>${user.dir}/logs/order.log</file> <rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy"> <fileNamePattern>${user.dir}/logs/order.%d{yyyy-MM-dd}.log</fileNamePattern> <maxHistory>7</maxHistory> </rollingPolicy> <encoder> <pattern></pattern> </encoder> </appender>
Filebeat
提供了一种轻量型方法,用于转发和汇总日志与文件。
所以,我们需要告诉 FileBeat
日志文件的位置、以及向何处转发内容。
如下所示,我们配置了 FileBeat
读取 usr/local/logs
路径下的所有日志文件。
- type: log # Change to true to enable this input configuration. enabled: true # Paths that should be crawled and fetched. Glob based paths. paths: - /usr/local/logs/*.log
然后,告诉 FileBeat
将采集到的数据转发到 Logstash
。
#----------------------------- Logstash output -------------------------------- output.logstash: # The Logstash hosts hosts: ["192.168.159.128:5044"]
另外, FileBeat
采集文件数据时,是一行一行进行读取的。但是 FileBeat
收集的文件可能包含跨越多行文本的消息。
例如,在开源框架中有意的换行:
2019-10-29 20:36:04.427 INFO org.apache.dubbo.spring.boot.context.event.WelcomeLogoApplicationListener :: Dubbo Spring Boot (v2.7.1) : https://github.com/apache/incubator-dubbo-spring-boot-project :: Dubbo (v2.7.1) : https://github.com/apache/incubator-dubbo :: Discuss group : dev@dubbo.apache.org
或者Java异常堆栈信息:
2019-10-29 21:30:59.849 INFO com.viewscenes.order.controller.OrderController http-nio-8011-exec-2 开始获取数组内容... java.lang.IndexOutOfBoundsException: Index: 3, Size: 0 at java.util.ArrayList.rangeCheck(ArrayList.java:657) at java.util.ArrayList.get(ArrayList.java:433)
所以,我们还需要配置 multiline
,以指定哪些行是单个事件的一部分。
multiline.pattern
指定要匹配的正则表达式模式。
multiline.negate
定义是否为否定模式。
multiline.match
如何将匹配的行组合到事件中,设置为after或before。
听起来可能比较饶口,我们来看一组配置:
# The regexp Pattern that has to be matched. The example pattern matches all lines starting with [ multiline.pattern: '^\<|^[[:space:]]|^[[:space:]]+(at|\.{3})\b|^java.' # Defines if the pattern set under pattern should be negated or not. Default is false. multiline.negate: false # Match can be set to "after" or "before". It is used to define if lines should be append to a pattern # that was (not) matched before or after or as long as a pattern is not matched based on negate. # Note: After is the equivalent to previous and before is the equivalent to to next in Logstash multiline.match: after
上面配置文件说的是,如果文本内容是以 < 或 空格 或空格+at+包路径 或 java.
开头,那么就将此行内容当做上一行的后续,而不是当做新的行。
就上面的Java异常堆栈信息就符合这个正则。所以, FileBeat
会将
java.lang.IndexOutOfBoundsException: Index: 3, Size: 0 at java.util.ArrayList.rangeCheck(ArrayList.java:657) at java.util.ArrayList.get(ArrayList.java:433)
这些内容当做 开始获取数组内容...
的一部分。
2、Logstash
在 Logback
中,我们打印日志的时候,一般会带上日志等级、执行类路径、线程名称等信息。
有一个重要的信息是,我们在 ELK
查看日志的时候,是否希望将以上条件单独拿出来做统计或者精确查询?
如果是,那么就需要用到 Logstash
过滤器,它能够解析各个事件,识别已命名的字段以构建结构,并将它们转换成通用格式。
那么,这时候就要先看我们在项目中,配置了日志以何种格式输出。
比如,我们最熟悉的JSON格式。先来看 Logback
配置:
<pattern> {"log_time":"%d{yyyy-MM-dd HH:mm:ss.SSS}","level":"%level","logger":"%logger","thread":"%thread","msg":"%m"} </pattern>
没错, Logstash
过滤器中正好也有一个JSON解析插件。我们可以这样配置它:
input{ stdin{} } filter{ json { source => "message" } } output { stdout {} }
这么一段配置就是说利用JSON解析器格式化数据。我们输入这样一行内容:
{ "log_time":"2019-10-29 21:45:12.821", "level":"INFO", "logger":"com.viewscenes.order.controller.OrderController", "thread":"http-nio-8011-exec-1", "msg":"接收到订单数据." }
Logstash
将会返回格式化后的内容:
但是JSON解析器并不太适用,因为我们打印的日志中msg字段本身可能就是JSON数据格式。
比如:
{ "log_time":"2019-10-29 21:57:38.008", "level":"INFO", "logger":"com.viewscenes.order.controller.OrderController", "thread":"http-nio-8011-exec-1", "msg":"接收到订单数据.{"amount":1000.0,"commodityCode":"MK66923","count":5,"id":1,"orderNo":"1001"}" }
这时候JSON解析器就会报错。那怎么办呢?
Logstash
拥有丰富的过滤器插件库,或者你对正则有信心,也可以写表达式去匹配。
正如我们在 Logback
中配置的那样,我们的日志内容格式是已经确定的,不管是JSON格式还是其他格式。
所以,笔者今天推荐另外一种:Dissect。
Dissect过滤器是一种拆分操作。与将一个定界符应用于整个字符串的常规拆分操作不同,此操作将一组定界符应用于字符串值。Dissect不使用正则表达式,并且速度非常快。
比如,笔者在这里以 |
当做定界符。
input{ stdin{} } filter{ dissect { mapping => { "message" => "%{log_time}|%{level}|%{logger}|%{thread}|%{msg}" } } } output { stdout {} }
然后在 Logback
中这样去配置日志格式:
<pattern> %d{yyyy-MM-dd HH:mm:ss.SSS}|%level|%logger|%thread|%m%n </pattern>
最后同样可以得到正确的结果:
到此,关于数据采集和格式转换都已经完成。当然,上面的配置都是控制台输入、输出。
我们来看一个正儿八经的配置,它从 FileBeat
中采集数据,经由 dissect
转换格式,并将数据输出到 elasticsearch
。
input { beats { port => 5044 } } filter{ dissect { mapping => { "message" => "%{log_time}|%{level}|%{logger}|%{thread}|%{msg}" } } date{ match => ["log_time", "yyyy-MM-dd HH:mm:ss.SSS"] target => "@timestamp" } } output { elasticsearch { hosts => ["192.168.216.128:9200"] index => "logs-%{+YYYY.MM.dd}" } }
不出意外的话,打开浏览器我们在Kibana中就可以对日志进行查看。比如我们查看日志等级为 DEBUG
的条目:
三、追踪
试想一下,我们在前端发送了一个订单请求。如果后端系统是微服务架构,可能会经由库存系统、优惠券系统、账户系统、订单系统等多个服务。如何追踪这一个请求的调用链路呢?
1、MDC机制
首先,我们要了解一下MDC机制。
MDC - Mapped Diagnostic Contexts ,实质上是由日志记录框架维护的映射。其中应用程序代码提供键值对,然后可以由日志记录框架将其插入到日志消息中。
简而言之,我们使用了 MDC.PUT(key,value)
,那么 Logback
就可以在日志中自动打印这个value。
在 SpringBoot
中,我们就可以先写一个 HandlerInterceptor
,拦截所有的请求,来生成一个 traceId
。
@Component public class TraceIdInterceptor implements HandlerInterceptor { Snowflake snowflake = new Snowflake(1,0); @Override public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler){ MDC.put("traceId",snowflake.nextIdStr()); return true; } @Override public void postHandle(HttpServletRequest request, HttpServletResponse response, Object handler, ModelAndView modelAndView){ MDC.remove("traceId"); } @Override public void afterCompletion(HttpServletRequest request, HttpServletResponse response, Object handler, Exception ex){} }
然后在 Logback
中配置一下,让这个 traceId
出现在日志消息中。
<pattern> %d{yyyy-MM-dd HH:mm:ss.SSS}|%level|%logger|%thread|%X{traceId}|%m%n </pattern>
2、Dubbo Filter
另外还有一个问题,就是在微服务架构下我们怎么让这个 traceId
来回透传。
熟悉 Dubbo
的朋友可能就会想到隐式参数。是的,我们就是利用它来完成 traceId
的传递。
@Activate(group = {Constants.PROVIDER, Constants.CONSUMER}, order = 99) public class TraceIdFilter implements Filter { @Override public Result invoke(Invoker<?> invoker, Invocation invocation) throws RpcException { String tid = MDC.get("traceId"); String rpcTid = RpcContext.getContext().getAttachment("traceId"); boolean bind = false; if (tid != null) { RpcContext.getContext().setAttachment("traceId", tid); } else { if (rpcTid != null) { MDC.put("traceId",rpcTid); bind = true; } } try{ return invoker.invoke(invocation); }finally { if (bind){ MDC.remove("traceId"); } } } }
这样写完,我们就可以愉快的查看某一次请求所有的日志信息啦。比如下面的请求,订单服务和库存服务两个系统的日志。
四、总结
本文介绍了 Elastic Stack
的基本概念。并通过一个 SpringBoot+Dubbo
项目,演示如何做到日志的集中化管理、追踪。
事实上, Kibana
具有更多的分析和统计功能。所以它的作用不仅限于记录日志。
另外 Elastic Stack
性能也很不错。笔者在一台虚拟机上,记录了100+万条用户数据,index大小为1.1G,查询和统计速度也不逊色。
以上是“SpringBoot+Dubbo集成ELK实战的示例分析”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注亿速云行业资讯频道!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。