背景
如果你是一名SRE兄弟，收到告警短信，你是否还在疯狂的敲着ssh | grep | sed | awk 这些命令的组合排查问题呢？如果1台，2台，3台机器，ok；如果有n台机器，你会不会抓狂？
如果你是一名DEV兄弟，开发一套高性能的分布式数据处理平台，你是不是还在考虑数据如何传输，中间件如何配置，资源如何调度的问题，Oops ，你应该将重点放在业务逻辑的开发而不是外围框架的Integration上， 考虑的问题太多了，你会不会抓狂？
很不幸，我是名SRE，我们需要使用一套日志分析工具来帮助我们快速定位问题。
Ops makes No Ops.
系统设计
这是一张组件构建图
我们设想了2条数据流处理方式：
1，实时日志分析系统（Xlog）：分为5层，数据采集层，数据持久化层，数据处理层，结果数据持久化层，数据展示层。
2，tracing系统：分为5层，数据采集层，数据持久化层，数据处理层，indexing层，数据检索展示层。
本文将重点介绍下“实时日志分析系统”的构建过程和一些内部实现细节，希望对读者有些帮助。
组件选型
作为一名SRE，Reuse Infrustracture的能力也是一种核心竞争力！
Xlog使用下列组件来构建分布式流式日志处理系统：
Fluentd–日志采集处理Agent
Kafka–消息持久化队列
Storm–分布式HPC框架
http://storm.incubator.apache.org/
Mongodb–结果缓存
mongodb
Xperf–数据展示平台
Xlog组件选型简单说明
A. Agent选型
说到日志采集，无非三种模式
通过tail文件的方式采集滚动日志;
通过listen TCP/UDP端口进行收集;
通过request HTTP/HTTPS协议提供的URL进行采集；
说到组件选型，目前开源的收集组件
syslog/rsyslog/syslog-ng一般用于收集Linux系统日志，收集应用日志配置复杂且不利于二次开发；
scribe facebook开源的高性能日志收集组件，但是一年多无更新，bug fixing都成问题，c写的，不利于二次开发；
目前最火的三类Agent：logslash，fluentd，flume；分别用jruby，ruby，java实现，我个人觉得flume过于重了，先不考虑，logslash是 jruby实现的，二次开发不太熟悉，所以考虑fluentd
fluentd的优点：
结构化日志
支持插件的架构
消息可靠传输机制
通过使用，个人认为fluentd最方便的2点在于
a，配置十分便捷
## tail gallery log from nginx log
< source >
type tail
path / home / work / opdir / nginx / logs / access . log
pos_file / tmp / micloud . xiaomi . com . pos
format / ^ $/
tag kafka . micloud . xiaomi . com . gallery . access
< / source >
## match tag=kafka* and write to kafka
< match * . * * >
type kafka
brokers 127.0.0.1
default _topic gallery
output_data_type json
< / match >配置一个souce用于日志的输入
配置一个match用于日志的输出
souce/match对的组合十分灵活，可以实现多对多，1对多，多对1的日志收集模式。
b，插件式架构，支持二次开发，满足不同组件系统的集成和私有化定制
比如我们需要开发一个non-buffered的out_plugin，只需要重写下列代码的method
class SomeOutput < Fluent :: Output
# First, register the plugin. NAME is the name of this plugin
# and identifies the plugin in the configuration file.
Fluent :: Plugin . register_output ( 'NAME' , self )
# This method is called before starting.
def configure ( conf )
super
. . .
end
# This method is called when starting.
def start
super
. . .
end
# This method is called when shutting down.
def shutdown
super
. . .
end
# This method is called when an event reaches Fluentd.
# 'es' is a Fluent::EventStream object that includes multiple events.
# You can use 'es.each {|time,record| ... }' to retrieve events.
# 'chain' is an object that manages transactions. Call 'chain.next' at
# appropriate points and rollback if it raises an exception.
def emit ( tag , es , chain )
chain . next
es . each { | time , record |
$stderr . puts "OK!"
}
end
end你只需要在
register_output ( 'NAME' , self )中注册一个“ NMAE"
分别实现 configure ( )和 emit ( )接口即可B. 持久化组件
mongodb和kafka就不多说了，mongodb在这里主要利用其“Capped”的特性来缓存storm处理完毕的消息；kafka是目前当之无愧的最高性能分布式消息队列，我们在这里用kafka主要考虑到3点：
对数据源进行topic分流，实现Category;
作为一层buffer来适配输入输出的消息速率，解除系统耦合度;
考虑后期集群数据量规模和可扩展性；
C. 计算组件
Storm是twitter开源的分布式内存计算框架，目前已经作为apache的incubator项目，与之相提并论的有yahoo的S4，apache的spark，目前商用比较成熟的，Storm是其中之一，采用thrift c/s的框架，核心代码采用clojure编写，外围框架采用java编写，统一暴露java的api，同时还提供多语言的开发支持，同类产品还有一个twitter用ruby实现的storm，叫redstorm，国产的是淘宝用java实现的jstorm。
Hadoop的M/R这样的large-scale数据集处理大家并不陌生，但是，Hadoop的定位在于batch处理历史数据集，对于分钟级的实时不间断数据集处理并不擅长，所以，Storm是用来填补Hadoop的”空洞“的。
因此，还有一个开源项目，是twitter开源的summingbird，旨在综合了批处理和实时处理的2类需求。
选择Storm作为开发组件原因在于，Storm的支持下列特性：
提供丰富的应用case场景支持：比如流式处理，持续计算 , 分布式RPC，支持事务，数据聚合等；
集群易于扩展：根据数据量来控制集群规模非常容易，当计算能力不够时，只需要增加node节点动态扩容；
消息不丢，不重，和S4不同，Storm保证对每条消息进行处理，事务功能保证不重复处理消息，对于对精准性有要求的业务case，比如计费日志过滤，统计的需求是可以满足的；
高可靠：Storm中各个component通过zk进行交互，state信息都存在zk中，除了nimbus是一个SPOF外，其他组件都不是SPOF；其实nimbus也是个伪单点，只是在提交代码和UI展示时需要，对于已经提交集群running的代码不会有影响；
多语言支持：基于thrift的好处在于Storm允许你使用多语言进行编程，不仅仅说你是一个javaer才能搞定；
开发基于spout,bolt原语的程序就是这么简单！
比如我们想实现一个从kafka读取数据，然后在storm内存中对日志字段计算，最好push到mongodb中的这条业务功能只需要1个spout和2个bolt的组装即可
//config storm topology
builder . setSpout (
"xiaomi-log" ,
kafkaSpout ,
1 ) ;
builder . setBolt (
"account" ,
accoutBolt ,
1 ) . allGrouping ( "xiaomi-log" ) ;
builder . setBolt (
"mongoInserter" ,
mongoInserter ,
1 ) . fieldsGrouping ( "account" , new Fields ( "records" ) ) ;
Config conf = new Config ( ) ;
conf . setDebug ( config . debugMode ) ;
if ( args != null && args . length > 0 ) {
conf . setNumAckers ( 1 ) ;
conf . setNumWorkers ( 1 ) ;
StormSubmitter . submitTopology (
args [ 0 ] ,
conf ,
builder . createTopology ( ) ) ;
latch . countDown ( ) ;
} else {
LocalCluster cluster = new LocalCluster ( ) ;
cluster . submitTopology (
"mongoStorm" ,
conf ,
builder . createTopology ( ) ) ;
latch . countDown ( ) ;
}kafkaSpout对象实现了从Kafka中读取数据的功能；
accoutBolt对象实现了解析tuple数据，统计基数业务功能；
mongoInserter对象实现了对统计完毕数据push到Mongodb的功能；
上述不同对象组装成一个Topology即可完成一个streaming的功能。
今后我们不不同应用可以抽象出commons的需求算子，不同算子通过Topology组装成不同的服务完成各种业务功能，非常灵活。