基於Flume的美團日誌收集系統(二)改進和優化

在《基於Flume的美團日誌收集系統(一)架構和設計》中，我們詳述了基於Flume的美團日誌收集系統的架構設計，以及為什麼做這樣的設計。在本節中，我們將會講述在實際部署和使用過程中遇到的問題，對Flume的功能改進和對系統做的優化。

1 Flume的問題總結

在Flume的使用過程中，遇到的主要問題如下：

a. Channel“水土不服”：使用固定大小的MemoryChannel在日誌高峰時常報隊列大小不夠的異常；使用FileChannel又導致IO繁忙的問題；

b. HdfsSink的性能問題：使用HdfsSink向Hdfs寫日誌，在高峰時間速度較慢；

c. 系統的管理問題：配置升級，模塊重啟等；

2 Flume的功能改進和優化點

從上面的問題中可以看到，有一些需求是原生Flume無法滿足的，因此，基於開源的Flume我們增加了許多功能，修改了一些Bug，並且進行一些調優。下麵將對一些主要的方面做一些說明。

2.1 增加Zabbix monitor服務

一方面，Flume本身提供了http, ganglia的監控服務，而我們目前主要使用zabbix做監控。因此，我們為Flume添加了zabbix監控模塊，和sa的監控服務無縫融合。

另一方面，凈化Flume的metrics。只將我們需要的metrics發送給zabbix，避免 zabbix server造成壓力。目前我們最為關心的是Flume能否及時把應用端發送過來的日誌寫到Hdfs上， 對應關註的metrics為：

• Source : 接收的event數和處理的event數
• Channel : Channel中擁堵的event數
• Sink : 已經處理的event數

2.2 為HdfsSink增加自動創建index功能

首先，我們的HdfsSink寫到hadoop的文件採用lzo壓縮存儲。 HdfsSink可以讀取hadoop配置文件中提供的編碼類列表，然後通過配置的方式獲取使用何種壓縮編碼，我們目前使用lzo壓縮數據。採用lzo壓縮而非bz2壓縮，是基於以下測試數據：

其次，我們的HdfsSink增加了創建lzo文件後自動創建index功能。Hadoop提供了對lzo創建索引，使得壓縮文件是可切分的，這樣Hadoop Job可以並行處理數據文件。HdfsSink本身lzo壓縮，但寫完lzo文件並不會建索引，我們在close文件之後添加了建索引功能。

 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的開關

我們在HdfsSink和DualChannel中增加開關，當開關打開的情況下，HdfsSink不再往Hdfs上寫數據，並且數據只寫向DualChannel中的FileChannel。以此策略來防止Hdfs的正常停機維護。

2.4 增加DualChannel

Flume本身提供了MemoryChannel和FileChannel。MemoryChannel處理速度快，但緩存大小有限，且沒有持久化；FileChannel則剛好相反。我們希望利用兩者的優勢，在Sink處理速度夠快，Channel沒有緩存過多日誌的時候，就使用MemoryChannel，當Sink處理速度跟不上，又需要Channel能夠緩存下應用端發送過來的日誌時，就使用FileChannel，由此我們開發了DualChannel，能夠智能的在兩個Channel之間切換。

其具體的邏輯如下：

 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中寫數據
11               memTransaction.put(event);
12 
13               if ( memChannel.isFull() || fileChannel.getQueueSize() > 100) {
14                 putToMemChannel.set(false);
15               }
16         } else {
17               //往fileChannel中寫數據
18               fileTransaction.put(event);
19         }
20   }
21 
22 Event doTake() {
23     Event event = null;
24     if ( takeFromMemChannel.get() ) {
25         //從memChannel中取數據
26         event = memTransaction.take();
27         if (event == null) {
28             takeFromMemChannel.set(false);
29         } 
30     } else {
31         //從fileChannel中取數據
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，可以把不需要的日誌通過NullSink直接丟棄，不進行存儲。然而，Source需要先將events存放到Channel中，NullSink再將events取出扔掉。為了提升性能，我們把這一步移到了Channel裡面做，所以開發了NullChannel。

2.6 增加KafkaSink

為支持向Storm提供實時數據流，我們增加了KafkaSink用來向Kafka寫實時數據流。其基本的邏輯如下：

 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             //讀取配置，並檢查配置
14         }
15 
16         @Override
17         public synchronized void start() {
18             //初始化producer
19         }
20 
21         @Override
22         public synchronized void stop() {
23             //關閉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                     //將日誌按category分隊列存放
37                     Map<String, List<String>> topic2EventList = new HashMap<String, List<String>>();
38 
39                     //從channel中取batchSize大小的日誌，從header中獲取category，生成topic，並存放於上述的Map中；
40 
41                     //將Map中的數據通過producer發送給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 修複和scribe的相容問題

Scribed在通過ScribeSource發送數據包給Flume時，大於4096位元組的包，會先發送一個Dummy包檢查伺服器的反應，而Flume的ScribeSource對於logentry.size()=0的包返回TRY_LATER，此時Scribed就認為出錯，斷開連接。這樣迴圈反覆嘗試，無法真正發送數據。現在在ScribeSource的Thrift介面中，對size為0的情況返回OK，保證後續正常發送數據。

3. Flume系統調優經驗總結

3.1 基礎參數調優經驗

• HdfsSink中預設的serializer會每寫一行在行尾添加一個換行符，我們日誌本身帶有換行符，這樣會導致每條日誌後面多一個空行，修改配置不要自動添加換行符；

lc.sinks.sink_hdfs.serializer.appendNewline = false

• 調大MemoryChannel的capacity，儘量利用MemoryChannel快速的處理能力；

• 調大HdfsSink的batchSize，增加吞吐量，減少hdfs的flush次數；

• 適當調大HdfsSink的callTimeout，避免不必要的超時錯誤；

3.2 HdfsSink獲取Filename的優化

HdfsSink的path參數指明瞭日誌被寫到Hdfs的位置，該參數中可以引用格式化的參數，將日誌寫到一個動態的目錄中。這方便了日誌的管理。例如我們可以將日誌寫到category分類的目錄，並且按天和按小時存放：

lc.sinks.sink_hdfs.hdfs.path = /user/hive/work/orglog.db/%{category}/dt=%Y%m%d/hour=%H

HdfsS ink中處理每條event時，都要根據配置獲取此event應該寫入的Hdfs path和filename，預設的獲取方法是通過正則表達式替換配置中的變數，獲取真實的path和filename。因為此過程是每條event都要做的操作，耗時很長。通過我們的測試，20萬條日誌，這個操作要耗時6-8s左右。

由於我們目前的path和filename有固定的模式，可以通過字元串拼接獲得。而後者比正則匹配快幾十倍。拼接定符串的方式，20萬條日誌的操作只需要幾百毫秒。

3.3 HdfsSink的b/m/s優化

在我們初始的設計中，所有的日誌都通過一個Channel和一個HdfsSink寫到Hdfs上。我們來看一看這樣做有什麼問題。

首先，我們來看一下HdfsSink在發送數據的邏輯：

 1 //從Channel中取batchSize大小的events
 2 for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) {
 3     //對每條日誌根據category append到相應的bucketWriter上；
 4     bucketWriter.append(event);
 5 ｝
 6 
 7 for (BucketWriter bucketWriter : writers) {
 8     //然後對每一個bucketWriter調用相應的flush方法將數據flush到Hdfs上
 9     bucketWriter.flush();
10 ｝

假設我們的系統中有100個category，batchSize大小設置為20萬。則每20萬條數據，就需要對100個文件進行append或者flush操作。

其次，對於我們的日誌來說，基本符合80/20原則。即20%的category產生了系統80%的日誌量。這樣對大部分日誌來說，每20萬條可能只包含幾條日誌，也需要往Hdfs上flush一次。

上述的情況會導致HdfsSink寫Hdfs的效率極差。下圖是單Channel的情況下每小時的發送量和寫hdfs的時間趨勢圖。

鑒於這種實際應用場景，我們把日誌進行了大小歸類，分為big, middle和small三類，這樣可以有效的避免小日誌跟著大日誌一起頻繁的flush，提升效果明顯。下圖是分隊列後big隊列的每小時的發送量和寫hdfs的時間趨勢圖。

4 未來發展

目前，Flume日誌收集系統提供了一個高可用，高可靠，可擴展的分散式服務，已經有效地支持了美團的日誌數據收集工作。

後續，我們將在如下方面繼續研究：

• 日誌管理系統：圖形化的展示和控制日誌收集系統；

• 跟進社區發展：跟進Flume 1.5的進展，同時回饋社區；