prometheus Loki日志采集分析工具，loki与ELK的区别

一、Loki是什么？

Loki是由Grafana Labs开源的一个水平可扩展、高可用性，多租户的日志聚合系统的日志聚合系统。它的设计初衷是为了解决在大规模分布式系统中，处理海量日志的问题。Loki采用了分布式的架构，并且与Prometheus、Grafana密切集成，可以快速地处理大规模的日志数据。该项目受 Prometheus 启发，官方的介绍是：Like Prometheus,But For Logs.。

与其他日志聚合系统相比， Loki 具有下面的一些特性：

不对日志进行全文索引。通过存储压缩非结构化日志和仅索引元数据，Loki的存储更加轻量，操作更加简单，更加节省成本。
通过使用与 Prometheus 相同的标签记录流对日志进行索引和分组，这使得日志的扩展和操作效率更高。
天然适合存储Kubernetes Pod 日志，Pod 标签之类的元数据会被自动处理，特点适合云云原生场景的应用日志处理。
Grafana Labs出品，Grafana原生对Loki的支持就非常好。

null

二、Loki架构和功能

Loki 的架构非常简单，主要由以下 3 个部分组成：

Loki：负责存储日志和处理查询。
Promtail：日志收集的代理，负责在各端收集日志并将其发送给 Loki 。
Grafana：用于日志搜索的UI 展示。

null

Loki 使用与 Prometheus 相同的服务发现和标签重新标记库，编写了 Pormtail，在 Kubernetes 中 Promtail 以 DaemonSet 方式运行在每个节点中，通过 Kubernetes API 得到日志的正确元数据，并将它们发送到 Loki。

也正是因为这个原因，通过这些标签，既可以查询日志的内容，也可以查询到监控的内容，这两种查询被很好的兼容，节省了分别存储相关日志和监控数据的成本，也减少了查询的切换成本。

整体来说可以把Loki的功能总结如下：

日志收集：Loki可以接收来自不同应用程序、主机和容器的日志数据。
日志存储：Loki使用可扩展的分布式存储后端存储日志数据，包括本地存储和云存储。
日志查询：Loki提供了一个高效的查询语言，可以快速地搜索和过滤日志数据。
日志索引：Loki使用标签索引和压缩算法对日志数据进行索引，可以大大减少存储空间和查询时间。
日志警报：Loki可以根据日志数据中的条件触发警报，并将警报发送到警报通道。

可以看到，作为一个日志处理系统，从收集、存储、查询、告警支持都是比较全面的，配合Grafana也能够比较好实现可视化，相关组件也比较简单。

三、Loki与ELK的优劣势对比？

ELK是大规模日志解决方案中的佼佼者，所以说到Loki，免不了要拿来跟ELK做个对比。两者都是日志解决方案，有相似之处，也有诸多不同。

架构

ELK（Elasticsearch、Logstash、Kibana）架构中Logstash用于日志收集和处理，Elasticsearch用于存储和索引，Kibana用于可视化和查询。而Loki则采用了分布式架构，将日志数据存储在多个节点上，Promtail进行日志收集，可视化依赖于Grafana。

存储

ELK使用Elasticsearch作为存储和索引引擎，Elasticsearch需要使用大量的硬盘空间和内存。而Loki使用了紧凑的索引和压缩算法，可以大大减少存储空间。

查询

ELK使用Lucene作为查询引擎，可以快速地搜索和过滤大规模的日志数据。但是在数据量过大和查询复杂度高一些的情况下，查询速度会变慢。Loki使用自己的查询语言，查询的场景一般也比较简单，可以快速地搜索和过滤日志数据。

部署

ELK的部署比较复杂，需要安装和配置多个组件。而Loki则采用了单一二进制文件的方式，部署比较简单。

3.1、Loki的优劣势

3.1.1、Loki优势

轻量级：相比ELK，Loki更加轻量级，因为它不需要一个单独的Elasticsearch集群来存储和索引日志数据。Loki具有较低的硬件要求，可以在较小的硬件上运行，例如使用少量内存和CPU。
高度可扩展性：Loki可以通过添加更多的Loki实例来实现水平扩展，这使得它更容易处理大量的日志数据。
简化的存储架构：Loki将日志数据存储在一个单一的列式存储引擎中，这使得它更容易维护和管理。
支持日志标签：Loki可以使用标签来过滤和查询日志数据，这使得它更加灵活。
直接支持Prometheus：Loki与Prometheus深度集成，这使得在Prometheus查询中使用Loki日志数据更加容易。
可伸缩性：Loki具有更好的可伸缩性，可以轻松地添加和删除节点以适应数据量的变化，而ELK需要更多的配置和管理工作来保持可伸缩性。

3.1.2、Loki的劣势

较少的可视化选项：Loki的可视化选项相对较少，因为它是一个相对较新的日志管理和分析工具。
学习曲线较陡峭：Loki使用的是自己的查询语言LokiQL，这需要一定的学习曲线。
需要额外的组件：虽然Loki本身是一个相对较小的组件，但它需要配合Promtail等其他组件来实现完整的日志管理和分析解决方案。

3.2、ELK的优劣势

3.2.1、ELK优势

成熟的生态系统：ELK已经有了一个成熟的生态系统，并且已经被广泛地使用和测试。
多样化的可视化选项：ELK提供了各种各样的可视化选项，包括基于时间序列的图表、热力图、地图等等。
丰富的插件库：ELK有丰富的插件库，可以方便地扩展其功能。
易于学习：ELK使用的是标准的查询语言，如Lucene查询语法和Elasticsearch查询DSL，这使得它相对容易学习。

3.2.2、ELK的劣势

相对重量级：ELK需要一个单独的Elasticsearch集群来存储和索引日志数据，这使得它相对较重。
复杂的存储架构：ELK使用的是分布式存储引擎，这使得它的存储架构相对复杂。
相对复杂的部相对复杂的部署和管理：ELK需要安装和配置多个组件，例如Elasticsearch、Logstash和Kibana，这使得它的部署和管理相对复杂。
较高的硬件要求：由于ELK需要处理大量的日志数据，因此需要大量的存储和处理能力，这可能需要更高的硬件要求和更大的部署成本。

总体而言，Loki和ELK都是优秀的日志解决方案，适合不同的使用场景。Loki相对轻量级，具有较高的可扩展性和简化的存储架构，但需要额外的组件和有一定的学习曲线。ELK则具有丰富的可视化选项和插件库，易于学习，但相对重量级，需要复杂的存储架构和较高的硬件要求，部署和管理也比较复杂。

具体如何选择取决于具体场景，若是数据量适中，数据属于时序类，如应用程序日志和基础设施指标，并且应用使用kubernetes Pod形式部署，则选择Loki比较合适；而ELK则适合更大的数据集和更复杂的数据处理需求，以及更多其他组件的日志收集场景。

四、Loki安装部署

要从0到1部署Loki，需要完成以下步骤：

安装Docker和Docker Compose。
创建一个Loki的Docker Compose文件。
配置Loki，包括日志收集和存储。
启动Loki服务，测试

4.1、Docker和Docker Compose安装

4.1.1、安装 Docker：

更新系统软件包：

sudo yum update
安装所需的软件包：

sudo yum install -y yum-utils device-mapper-persistent-data lvm2
添加 Docker 的 yum 软件源：

sudo yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo
安装 Docker：

sudo yum install docker-ce docker-ce-cli containerd.io
启动 Docker 服务：

sudo systemctl start docker
验证 Docker 是否安装成功：

sudo docker run hello-world

如果看到 "Hello from Docker!" 的输出，则说明 Docker 安装成功。

4.1.2、安装 Docker Compose：

安装依赖软件包：

sqlCopy codesudo yum install -y epel-release

sudo yum install -y python-pip  
sudo pip install --upgrade pip

安装 Docker Compose：

Copy code

sudo pip install docker-compose

验证 Docker Compose 是否安装成功：

cssCopy code

docker-compose --version

如果看到 Docker Compose 的版本信息，则说明安装成功。

注意：在安装 Docker 和 Docker Compose 之前，建议先确保系统已经安装了最新版本的软件包和依赖。如果之前已经安装了旧版本的 Docker 或 Docker Compose，需要先将其卸载。

4.2、创建一个Loki的Docker Compose文件。

可以通过以下命令创建一个Loki的Docker Compose文件：

$ mkdir loki  
$ cd loki  
$ touch docker-compose.yml

编辑docker-compose.yml文件，添加以下内容：

version: '3.7'  
  
services:  
  loki:  
    image: grafana/loki:latest  
    ports:  
      - "3100:3100"  
    volumes:  
      - ./config:/etc/loki  
      - ./data:/data/loki

这个Docker Compose文件定义了一个Loki服务，使用最新的grafana/loki镜像，将3100端口映射到主机，同时将配置和数据目录挂载到主机上。

4.3、配置Loki，包括日志收集和存储。

在配置目录下创建一个local-config.yaml文件，用于配置Loki的日志收集和存储。这个文件可以定义多个日志收集器，每个收集器都有一个唯一的名称。

以下是一个简单的local-config.yaml文件示例：

auth_enabled: false  
server:  
  http_listen_port: 3100  
  grpc_listen_port: 9095  
  
schema_config:  
  configs:  
    - from: 2018-04-15  
      store: boltdb  
      object_store: filesystem  
      schema: v11  
      index:  
        prefix: index_  
        period: 24h  
  
storage_config:  
  boltdb:  
    directory: /data/loki/index  
  filesystem:  
    directory: /data/loki/chunks  
  
ingester:  
  lifecycler:  
    address: 127.0.0.1  
    ring:  
      kvstore:  
        store: inmemory  
      replication_factor: 1  
      heartbeat_timeout: 1m  
    final_sleep: 0s  
  chunk_idle_period: 5m  
  chunk_retain_period: 30s  
  
schema_config:  
  configs:  
    - from: 2019-05-24  
      store: boltdb  
      object_store: filesystem  
      schema: v11  
      index:  
        prefix: index_  
        period: 24h

该配置文件包括了以下几个配置项：

auth_enabled：是否开启认证。
server：HTTP和gRPC服务监听地址。
schema_config：配置日志索引和存储。
storage_config：配置日志存储后端。
ingester：配置日志收集。

4.4、启动Loki服务，测试

运行以下命令启动Loki服务：

$ docker-compose up -d

等待几秒钟后，可以通过以下命令查看服务是否正常启动：

$ docker ps

如果Loki服务正在运行，应该能够看到一个名为“loki_loki_1”的Docker容器。

此时，可以使用Loki的API或者Promtail将日志数据发送到Loki，然后通过Loki的查询语言查询日志数据。

在浏览器中访问http://localhost:3100/，进入Loki的Web UI。

Loki的Web UI提供了一个交互式的查询界面，可以输入查询语言和过滤条件，查询日志数据。

例如，可以输入以下查询语句：

{job="example-job"}

这将返回所有标签job值为“example-job”的日志条目。

还可以使用聚合函数和表达式来对日志数据进行处理和分析。例如，以下查询语句将计算每个标签instance的平均值，并返回结果：

avg_over_time({job="example-job"}[5m]) by (instance)

此外，Loki还提供了许多其他有用的功能，如警报、日志流水线和故障排除等。这些功能可以帮助用户更方便地管理和分析日志数据。

【参考文档】

本文转自：http://ai2news.com/blog/2693579/#

二进制安装Loki：http://www.ppmy.cn/news/43293.html?action=onClick