基于Flume的美团日志收集系统(二)改进和优化
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-size | hdfs.batchSize | 压缩格式 | 总数据大小(G) | 耗时(s) | 平均events/s | 压缩后大小(G) |
|---|---|---|---|---|---|---|---|
| 544 | 300 | 10000 | bz2 | 9.1 | 2448 | 6833 | 1.36 |
| 544 | 300 | 10000 | lzo | 9.1 | 612 | 27333 | 3.49 |
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。
1 /** 2 * Rename bucketPath file from .tmp to permanent location. 3 */ 4 private void renameBucket() throws IOException, InterruptedException { 5 if(bucketPath.equals(targetPath)) { 6 return; 7 } 8 9 final Path srcPath = new Path(bucketPath); 10 final Path dstPath = new Path(targetPath); 11 12 callWithTimeout(new CallRunner<Object>() { 13 @Override 14 public Object call() throws Exception { 15 if(fileSystem.exists(srcPath)) { // could block 16 LOG.info("Renaming " + srcPath + " to " + dstPath); 17 fileSystem.rename(srcPath, dstPath); // could block 18 19 //index the dstPath lzo file 20 if (codeC != null && ".lzo".equals(codeC.getDefaultExtension()) ) { 21 LzoIndexer lzoIndexer = new LzoIndexer(new Configuration()); 22 lzoIndexer.index(dstPath); 23 } 24 } 25 return null; 26 } 27 }); 28 }
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：
1 /*** 2 * putToMemChannel indicate put event to memChannel or fileChannel 3 * takeFromMemChannel indicate take event from memChannel or fileChannel 4 * */ 5 private AtomicBoolean putToMemChannel = new AtomicBoolean(true); 6 private AtomicBoolean takeFromMemChannel = new AtomicBoolean(true); 7 8 void doPut(Event event) { 9 if (switchon && putToMemChannel.get()) { 10 //往memChannel中写数据 11 memTransaction.put(event); 12 13 if ( memChannel.isFull() || fileChannel.getQueueSize() > 100) { 14 putToMemChannel.set(false); 15 } 16 } else { 17 //往fileChannel中写数据 18 fileTransaction.put(event); 19 } 20 } 21 22 Event doTake() { 23 Event event = null; 24 if ( takeFromMemChannel.get() ) { 25 //从memChannel中取数据 26 event = memTransaction.take(); 27 if (event == null) { 28 takeFromMemChannel.set(false); 29 } 30 } else { 31 //从fileChannel中取数据 32 event = fileTransaction.take(); 33 if (event == null) { 34 takeFromMemChannel.set(true); 35 36 putToMemChannel.set(true); 37 } 38 } 39 return event; 40 }
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：
1 public class KafkaSink extends AbstractSink implements Configurable { 2 private String zkConnect; 3 private Integer zkTimeout; 4 private Integer batchSize; 5 private Integer queueSize; 6 private String serializerClass; 7 private String producerType; 8 private String topicPrefix; 9 10 private Producer<String, String> producer; 11 12 public void configure(Context context) { 13 //读取配置，并检查配置 14 } 15 16 @Override 17 public synchronized void start() { 18 //初始化producer 19 } 20 21 @Override 22 public synchronized void stop() { 23 //关闭producer 24 } 25 26 @Override 27 public Status process() throws EventDeliveryException { 28 29 Status status = Status.READY; 30 31 Channel channel = getChannel(); 32 Transaction tx = channel.getTransaction(); 33 try { 34 tx.begin(); 35 36 //将日志按category分队列存放 37 Map<String, List<String>> topic2EventList = new HashMap<String, List<String>>(); 38 39 //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； 40 41 //将Map中的数据通过producer发送给kafka 42 43 tx.commit(); 44 } catch (Exception e) { 45 tx.rollback(); 46 throw new EventDeliveryException(e); 47 } finally { 48 tx.close(); 49 } 50 return status; 51 } 52 }
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-
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
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：
1 //从Channel中取batchSize大小的events 2 for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) { 3 //对每条日志根据category append到相应的bucketWriter上； 4 bucketWriter.append(event); 5 ｝ 6 7 for (BucketWriter bucketWriter : writers) { 8 //然后对每一个bucketWriter调用相应的flush方法将数据flush到Hdfs上 9 bucketWriter.flush(); 10 ｝
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。
4 未来发展
目前，Flume日志收集系统提供了一个高可用，高可靠，可扩展的分布式服务，已经有效地支持了美团的日志数据收集工作。
后续，我们将在如下方面继续研究：
-
日志管理系统：图形化的展示和控制日志收集系统；
-
跟进社区发展：跟进Flume 1.5的进展，同时回馈社区；
