Logstash 入门
Logstash 是什么
Logstash 就是一个开源的数据流工具，它会做三件事：
- 从数据源拉取数据
- 对数据进行过滤、转换等处理
- 将处理后的数据写入目标地
例如：
- 监听某个目录下的日志文件，读取文件内容，处理数据，写入 influxdb 。
- 从 kafka 中消费消息，处理数据，写入 elasticsearch 。
为什么要用 Logstash ？
方便省事。
假设你需要从 kafka 中消费数据，然后写入 elasticsearch ，如果自己编码，你得去对接 kafka 和 elasticsearch 的 API 吧，如果你用 Logstash ，这部分就不用自己去实现了，因为 Logstash 已经为你封装了对应的 plugin 插件，你只需要写一个配置文件形如：
input {
kafka {
# kafka consumer 配置
}
}
filter {
# 数据处理配置
}
output {
elasticsearch {
# elasticsearch 输出配置
}
}
然后运行 logstash 就可以了。
Logstash 提供了两百多个封装好的 plugin 插件，这些插件被分为三类：
input plugin: 从哪里拉取数据filter plugin: 数据如何处理output plugin: 数据写入何处
使用 logstash 你只要编写一个配置文件，在配置文件中挑选组合这些 plugin 插件，就可以轻松实现数据从输入源到输出源的实时流动。
安装 logstash
请参数：官方文档
第一个示例
假设你已经安装好了 logstash ，并且可执行文件的路径已经加入到了 PATH 环境变量中。
下面开始我们的第一个示例，编写 pipeline.conf 文件，内容为：
input {
stdin {
}
}
filter {
}
output {
stdout {
}
}
这个配置文件的含义是：
input输入为stdin（标准输入）filter为空（也就是不进行数据的处理）output输出为stdout（标准输出）
执行命令：
logstash -f pipeline.conf
等待 logstash 启动完毕，输入 hello world 然后回车, 你就会看到以下输出内容:
{
"message" => "hello world",
"@version" => "1",
"@timestamp" => 2020-11-01T08:25:10.987Z,
"host" => "local"
}
我们输入的内容已经存在于 message 字段中了。
当你输入其他内容后也会看到类似的输出。
至此，我们的第一个示例已经完成，正如配置文件中所定义的，Logstash 从 stdin 标准输入读取数据，不对源数据做任何处理，然后输出到 stdout 标准输出。
特定名词和字段
event: 数据在 logstash 中被包装成event事件的形式从 input 到 filter 再到 output 流转。@timestamp: 特殊字段，标记 event 发生的时间。@version: 特殊字段，标记 event 的版本号。message: 源数据内容。@metadata: 元数据，key/value 的形式，是否有数据得看具体插件，例如 kafka 的 input 插件会在@metadata里记录 topic、consumer_group、partition、offset 等一些元数据。tags: 记录 tag 的字符串数组。
字段引用
在配置文件中，可以通过 [field] 的形式引用字段内容，如果在字符串中，则可以通过 %{[field]} 的方式进行引用。
示例：
input {
kafka {
# kafka 配置
}
}
filter {
# 引用 log_level 字段的内容进行判断
if [log_level] == "debug" {
}
}
output {
elasticsearch {
# %{+yyyy.MM.dd} 来源于 @timestamp
index => "log-%{+yyyy.MM.dd}"
document_type => "_doc"
document_id => "%{[@metadata][kafka][key]}"
hosts => ["127.0.0.1:9200"]
}
}
Plugin 插件一览
用好 Logstash 的第一步就是熟悉 plugin 插件，只有熟悉了这些插件你才能快速高效的建立数据管道。
Input plugin
Input 插件定义了数据源，即 logstash 从哪里拉取数据。
beats: 从 Elastic Beats 框架中接收数据。
示例：
input {
beats {
port => 5044
}
}
dead_letter_queue: 从 Logstash 自己的 dead letter queue 中拉取数据，目前 dead letter queue 只支持记录 output 为 elasticsearch 时写入 400 或 404 的数据。
示例：
input {
dead_letter_queue {
path => "/var/logstash/data/dead_letter_queue"
start_timestamp => "2017-04-04T23:40:37"
}
}
elasticsearch: 从 elasticsearch 中读取 search query 的结果。
示例：
input {
elasticsearch {
hosts => "localhost"
query => '{ "query": { "match": { "statuscode": 200 } } }'
}
}
exec: 定期执行一个 shell 命令，然后捕获其输出。
示例：
input {
exec {
command => "ls"
interval => 30
}
}
file: 从文件中流式读取内容。
示例：
input {
file {
path => ["/var/log/*.log", "/var/log/message"]
start_position => "beginning"
}
}
generator: 生成随机数据。
示例：
input {
generator {
count => 3
lines => [
"line 1",
"line 2",
"line 3"
]
}
}
github: 从 github webhooks 中读取数据。graphite: 接受 graphite 的 metrics 指标数据。heartbeat: 生成心跳信息。这样做的一般目的是测试 Logstash 的性能和可用性。http: Logstash 接受 http 请求作为数据。http_poller: Logstash 发起 http 请求，读取响应数据。
示例：
input {
http_poller {
urls => {
test1 => "http://localhost:9200"
test2 => {
method => get
user => "AzureDiamond"
password => "hunter2"
url => "http://localhost:9200/_cluster/health"
headers => {
Accept => "application/json"
}
}
}
request_timeout => 60
schedule => { cron => "* * * * * UTC"}
codec => "json"
metadata_target => "http_poller_metadata"
}
}
imap: 从 IMAP 服务器读取邮件。jdbc: 通过 JDBC 接口导入数据库中的数据。
示例：
input {
jdbc {
jdbc_driver_library => "mysql-connector-java-5.1.36-bin.jar"
jdbc_driver_class => "com.mysql.jdbc.Driver"
jdbc_connection_string => "jdbc:mysql://localhost:3306/mydb"
jdbc_user => "mysql"
parameters => { "favorite_artist" => "Beethoven" }
schedule => "* * * * *"
statement => "SELECT * from songs where artist = :favorite_artist"
}
}
kafka: 消费 kafka 中的消息。
示例：
input {
kafka {
bootstrap_servers => "127.0.0.1:9092"
group_id => "consumer_group"
topics => ["kafka_topic"]
enable_auto_commit => true
auto_commit_interval_ms => 5000
auto_offset_reset => "latest"
decorate_events => true
isolation_level => "read_uncommitted"
max_poll_records => 1000
}
}
rabbitmq: 从 RabbitMQ 队列中拉取数据。redis: 从 redis 中读取数据。stdin: 从标准输入读取数据。syslog: 读取 syslog 数据。tcp: 通过 TCP socket 读取数据。udp: 通过 udp 读取数据。unix: 通过 UNIX socket 读取数据。websocket: 通过 websocket 协议 读取数据。
Output plugin
Output 插件定义了数据的输出地，即 logstash 将数据写入何处。
csv: 将数据写入 csv 文件。elasticsearch: 写入 Elasticsearch 。email: 发送 email 邮件。exec: 执行命令。file: 写入磁盘文件。graphite: 写入 Graphite 。http: 发送 http 请求。influxdb: 写入 InfluxDB 。kafka: 写入 Kafka 。mongodb: 写入 MongoDB 。opentsdb: 写入 OpenTSDB 。rabbitmq: 写入 RabbitMQ 。redis: 使用 RPUSH 的方式写入到 Redis 队列。sink: 将数据丢弃，不写入任何地方。syslog: 将数据发送到 syslog 服务端。tcp: 发送 TCP socket。udp: 发送 UDP 。webhdfs: 通过 webhdfs REST API 写入 HDFS 。websocket: 推送 websocket 消息 。
Filter plugin
Filter 插件定义对数据进行如何处理。
aggregate: 聚合数据。alter: 修改数据。bytes: 将存储大小如 “123 MB” 或 “5.6gb” 的字符串表示形式解析为以字节为单位的数值。cidr: 检查 IP 地址是否在指定范围内。
示例：
filter {
cidr {
add_tag => [ "testnet" ]
address => [ "%{src_ip}", "%{dst_ip}" ]
network => [ "192.0.2.0/24" ]
}
}
cipher: 对数据进行加密或解密。clone: 复制 event 事件。csv: 解析 CSV 格式的数据。date: 解析字段中的日期数据。
示例，匹配输入的 timestamp 字段，然后替换 @timestamp ：
filter {
date {
match => ["timestamp", "dd/MMM/yyyy:HH:mm:ss ZZ"]
target => "@timestamp"
}
}
dissect: 使用%{}的形式拆分字符串并提取出特定内容，比较常用，具体语法见 dissect 文档。drop: 丢弃这个 event 。
示例：
filter {
if [loglevel] == "debug" {
drop { }
}
}
elapsed: 通过记录开始和结束时间跟踪 event 的耗时。elasticsearch: 在 elasticsearch 中进行搜索，并将数据复制到当前 event 中。environment: 将环境变量中的数据存储到 @metadata 字段中。extractnumbers: 提取字符串中找到的所有数字。fingerprint: 根据一个或多个字段的内容创建哈希值，并存储到新的字段中。geoip: 使用绑定的 GeoLite2 数据库添加有关 IP 地址的地理位置的信息，这个插件非常有用，你可以根据 IP 地址得到对应的国家、省份、城市、经纬度等地理位置数据。
示例，通过 clent_ip 字段获取对应的地理位置信息：
filter {
geoip {
cache_size => 1000
default_database_type => "City"
source => "clent_ip"
target => "geo"
tag_on_failure => ["_geoip_city_fail"]
add_field => {
"geo_country_name" => "%{[geo][country_name]}"
"geo_region_name" => "%{[geo][region_name]}"
"geo_city_name" => "%{[geo][city_name]}"
"geo_location" => "%{[geo][latitude]},%{[geo][longitude]}"
}
remove_field => ["geo"]
}
}
grok: 通过正则表达式去处理字符串，比较常用，具体语法见 grok 文档。http: 与外部 web services/REST APIs 集成。i18n: 从字段中删除特殊字符。java_uuid: 生成 UUID 。jdbc_static: 从远程数据库中读取数据，然后丰富 event 。jdbc_streaming: 执行 SQL 查询然后将结果存储到指定字段。json: 解析 json 字符串，生成 field 和 value。
示例：
filter {
json {
skip_on_invalid_json => true
source => "message"
}
}
如果输入的 message 字段是 json 字符串如 "{"a": 1, "b": 2}", 那么解析后就会增加两个字段，字段名分别是 a 和 b 。
kv: 解析 key=value 形式的数据。memcached: 与外部 memcached 集成。metrics: logstash 在内存中去聚合指标数据。mutate: 对字段进行一些常规更改。
示例：
filter {
mutate {
split => ["hostname", "."]
add_field => { "shortHostname" => "%{hostname[0]}" }
}
mutate {
rename => ["shortHostname", "hostname"]
}
}
prune: 通过黑白名单的方式删除多余的字段。
示例：
filter {
prune {
blacklist_names => [ "method", "(referrer|status)", "${some}_field" ]
}
}
ruby: 执行 ruby 代码。
示例，解析 http://example.com/abc?q=haha 形式字符串中的 query 参数 q 的值 ：
filter {
ruby {
code => "
require 'cgi'
req = event.get('request_uri').split('?')
query = ''
if req.length > 1
query = req[1]
qh = CGI::parse(query)
event.set('search_q', qh['q'][0])
end
"
}
}
在 ruby 代码中，字段的获取和设置通过 event.get() 和 event.set() 方法进行操作。
sleep: 休眠指定时间。split: 拆分字段。throttle: 限流，限制 event 数量。translate: 根据指定的字典文件将数据进行对应转换。
示例：
filter {
translate {
field => "[http_status]"
destination => "[http_status_description]"
dictionary => {
"100" => "Continue"
"101" => "Switching Protocols"
"200" => "OK"
"500" => "Server Error"
}
fallback => "I'm a teapot"
}
}
truncate: 将字段内容超出长度的部分裁剪掉。urldecode: 对 urlencoded 的内容进行解码。useragent: 解析 user-agent 的内容得到诸如设备、操作系统、版本等信息。
示例：
filter {
# ua_device : 设备
# ua_name : 浏览器
# ua_os : 操作系统
useragent {
lru_cache_size => 1000
source => "user_agent"
target => "ua"
add_field => {
"ua_device" => "%{[ua][device]}"
"ua_name" => "%{[ua][name]}"
"ua_os" => "%{[ua][os_name]}"
}
remove_field => ["ua"]
}
}
uuid: 生成 UUID 。xml: 解析 XML 格式的数据。
结语
Logstash 的插件除了本文提到的这些之外还有很多，想要详细的了解每个插件如何使用还是要去查阅官方文档。
得益于 Logstash 的插件体系，你只需要编写一个配置文件，声明使用哪些插件，就可以很轻松的构建数据管道。