1 背景

石墨文档全部应用部署在Kubernetes上，每时每刻都会有大量的日志输出，我们之前主要使用SLS和ES作为日志存储。但是我们在使用这些组件的时候，发现了一些问题。

• 成本问题：

  • SLS个人觉得是一个非常优秀的产品，速度快，交互方便，但是SLS索引成本比较贵

  • 我们想减少SLS索引成本的时候，发现云厂商并不支持分析单个索引的成本，导致我们无法知道是哪些索引构建的不够合理

  • ES使用的存储非常多，并且耗费大量的内存

• 通用问题：

  • 如果业务是混合云架构，或者业务形态有SAAS和私有化两种方式，那么SLS并不能通用

  • 日志和链路，需要用两套云产品，不是很方便

• 精确度问题：SLS存储的精度只能到秒，但我们实际日志精度到毫秒，如果日志里面有traceid，SLS中无法通过根据traceid信息，将日志根据毫秒时间做排序，不利于排查错误

我们经过一番调研后，发现使用Clickhouse能够很好的解决以上问题，并且Clickhouse省存储空间，非常省钱，所以我们选择了Clickhouse方案存储日志。但当我们深入研究后，Clickhouse作为日志存储有许多落地的细节，但业界并没有很好阐述相关Clickhouse采集日志的整套流程，以及没有一款优秀的Clickhouse日志查询工具帮助分析日志，为此我们写了一套Clickhouse日志系统贡献给开源社区，并将Clickhouse的日志采集架构的经验做了总结。先上个Clickhouse日志查询界面，让大家感受下石墨最懂前端的后端程序员。

2 架构原理图

我们将日志系统分为四个部分：日志采集、日志传输、日志存储、日志管理。

• 日志采集：LogCollector采用Daemonset方式部署，将宿主机日志目录挂载到LogCollector的容器内，LogCollector通过挂载的目录能够采集到应用日志、系统日志、K8S审计日志等

• 日志传输：通过不同Logstore映射到Kafka中不同的Topic，将不同数据结构的日志做了分离

• 日志存储：使用Clickhouse中的两种引擎数据表和物化视图

• 日志管理：开源的Mogo系统，能够查询日志，设置日志索引，设置LogCollector配置，设置Clickhouse表，设置报警等

以下我们按照这四大部分，阐述其中的架构原理

3 日志采集

3.1 采集方式

Kubernetes容器内日志收集的方式通常有以下三种方案

• DaemonSet方式采集：在每个 node 节点上部署LogCollector，并将宿主机的目录挂载为容器的日志目录，LogCollector读取日志内容，采集到日志中心。

• 网络方式采集：通过应用的日志 SDK，直接将日志内容采集到日志中心 。

• SideCar方式采集：在每个 pod 内部署LogCollector，LogCollector只读取这个 pod 内的日志内容，采集到日志中心。

以下是三种采集方式的优缺点：

DaemonSet方式	网络方式	SideCar方式
采集日志类型	标准输出+文件	应用日志
部署运维	一般，维护DaemonSet	低，维护配置文件
日志分类存储	可通过容器/路径等映射	业务独立配置
支持集群规模	取决于配置数	无限制
适用场景	日志分类明确、功能较单一	性能要求极高的场景
资源消耗	中	低

我们主要采用DaemonSet方式和网络方式采集日志。DaemonSet方式用于ingress、应用日志的采集，网络方式用于大数据日志的采集。以下我们主要介绍下DeamonSet方式的采集方式。 ​

3.2 日志输出

从上面的介绍中可以看到，我们的DaemonSet会有两种方式采集日志类型，一种是标准输出，一种是文件。 引用元乙的描述：虽然使用 Stdout 打印日志是 Docker 官方推荐的方式，但大家需要注意：这个推荐是基于容器只作为简单应用的场景，实际的业务场景中我们还是建议大家尽可能使用文件的方式，主要的原因有以下几点：

• Stdout 性能问题，从应用输出 stdout 到服务端，中间会经过好几个流程（例如普遍使用的JSON LogDriver）：应用 stdout -> DockerEngine -> LogDriver -> 序列化成 JSON -> 保存到文件 -> Agent 采集文件 -> 解析 JSON -> 上传服务端。整个流程相比文件的额外开销要多很多，在压测时，每秒 10 万行日志输出就会额外占用 DockerEngine 1 个 CPU 核；

• Stdout 不支持分类，即所有的输出都混在一个流中，无法像文件一样分类输出，通常一个应用中有 AccessLog、ErrorLog、InterfaceLog（调用外部接口的日志）、TraceLog 等，而这些日志的格式、用途不一，如果混在同一个流中将很难采集和分析；

• Stdout 只支持容器的主程序输出，如果是 daemon/fork 方式运行的程序将无法使用 stdout；

• 文件的 Dump 方式支持各种策略，例如同步/异步写入、缓存大小、文件轮转策略、压缩策略、清除策略等，相对更加灵活。

从这个描述中，我们可以看出在docker中输出文件在采集到日志中心是一个更好的实践。所有日志采集工具都支持采集文件日志方式，但是我们在配置日志采集规则的时候，发现开源的一些日志采集工具，例如fluentbit、filebeat在DaemonSet部署下采集文件日志是不支持追加例如pod、namespace、container_name、container_id等label信息，并且也无法通过这些label做些定制化的日志采集。

agent类型	采集方式	daemonset部署	sidecar部署
ilogtail	文件日志	能够追加label信息，能够根据label过滤采集	能够追加label信息，能够根据label过滤采集
fluentbit	文件日志	无法追加label信息，无法根据label过滤采集	能够追加abel信息，能够根据label过滤采集
filebeat	文件日志	无法追加label信息，无法根据label过滤采集	能够追加label信息，能够根据label过滤采集
ilogtail	标准输出	能够追加label信息，能够根据label过滤采集	能够追加label信息，能够根据label过滤采集
fluentbit	标准输出	能够追加label信息，能够根据label过滤采集	能够追加abel信息，能够根据label过滤采集
filebeat	标准输出	能够追加label信息，能够根据label过滤采集	能够追加label信息，能够根据label过滤采集

基于无法追加label信息的原因，我们暂时放弃了DeamonSet部署下文件日志采集方式，采用的是基于DeamonSet部署下标准输出的采集方式。 ​

3.3 日志目录

以下列举了日志目录的基本情况

目录	描述	类型
/var/log/containers	存放的是软链接，软链到/var/log/pods里的标准输出日志	​标准输出
/var/log/pods	存放标准输出日志	​标准输出
/var/log/kubernetes/	master存放Kubernetes 审计输出日志	标准输出
/var/lib/docker/overlay2	存放应用日志文件信息	文件日志
/var/run	获取docker.sock，用于docker通信	文件日志
/var/lib/docker/containers	用于存储容器信息	两种都需要

因为我们采集日志是使用的标准输出模式，所以根据上表我们的LogCollector只需要挂载/var/log，/var/lib/docker/containers两个目录。

3.3.1 标准输出日志目录

应用的标准输出日志存储在/var/log/containers目录下，​文件名是按照K8S日志规范生成的。这里以nginx-ingress的日志作为一个示例。我们通过ls /var/log/containers/ | grep nginx-ingress指令，可以看到nginx-ingress的文件名。 nginx-ingress-controller-mt2wx_kube-system_nginx-ingress-controller-be3741043eca1621ec4415fd87546b1beb29480ac74ab1cdd9f52003cf4abf0a.log ​

我们参照K8S日志的规范：/var/log/containers/%{DATA:pod_name}_%{DATA:namespace}_%{GREEDYDATA:container_name}-%{DATA:container_id}.log。可以将nginx-ingress日志解析为：

• pod_name：nginx-ingress-controller-mt2w

• namespace：kube-system

• container_name：nginx-ingress-controller

• container_id：be3741043eca1621ec4415fd87546b1beb29480ac74ab1cdd9f52003cf4abf0a

通过以上的日志解析信息，我们的LogCollector 就可以很方便的追加pod、namespace、container_name、container_id的信息。 ​

3.3.2 容器信息目录

应用的容器信息存储在/var/lib/docker/containers目录下，目录下的每一个文件夹为容器ID，我们可以通过cat config.v2.json获取应用的docker基本信息。

3.4 LogCollector采集日志

3.4.1 配置

我们LogCollector采用的是fluent-bit，该工具是cncf旗下的，能够更好的与云原生相结合。通过Mogo系统可以选择Kubernetes集群，很方便的设置fluent-bit configmap的配置规则。

3.4.2 数据结构

​fluent-bit的默认采集数据结构

• @timestamp字段：string or float，用于记录采集日志的时间

• log字段：string，用于记录日志的完整内容

Clickhouse如果使用@timestamp的时候，因为里面有@特殊字符，会处理的有问题。所以我们在处理fluent-bit的采集数据结构，会做一些映射关系，并且规定双下划线为Mogo系统日志索引，避免和业务日志的索引冲突。

• _time_字段：string or float，用于记录采集日志的时间

• _log_字段：string，用于记录日志的完整内容

例如你的日志记录的是{"id":1}，那么实际fluent-bit采集的日志会是{"_time_":"2022-01-15...","_log_":"{\"id\":1}" 该日志结构会直接写入到kafka中，Mogo系统会根据这两个字段_time_、_log_设置clickhouse中的数据表。

3.4.3 采集

如果我们要采集ingress日志，我们需要在input配置里，设置ingress的日志目录，fluent-bit会把ingress日志采集到内存里。

然后我们在filter配置里，将log改写为_log_

 然后我们在ouput配置里，将追加的日志采集时间设置为_time_，设置好日志写入的kafka borkers和kafka topics，那么fluent-bit里内存的日志就会写入到kafka中

日志写入到Kafka中_log_需要为json，如果你的应用写入的日志不是json，那么你就需要根据fluent-bit的parser文档，调整你的日志写入的数据结构：https://docs.fluentbit.io/manual/pipeline/filters/parser

4 日志传输

Kafka主要用于日志传输。上文说到我们使用fluent-bit采集日志的默认数据结构，在下图kafka工具中我们可以看到日志采集的内容。 在日志采集过程中，会由于不用业务日志字段不一致，解析方式是不一样的。所以我们在日志传输阶段，需要将不同数据结构的日志，创建不同的Clickhouse表，映射到Kafka不同的Topic。这里以ingress为例，那么我们在Clickhouse中需要创建一个ingress_stdout_stream的Kafka引擎表，然后映射到Kafka的ingress-stdout Topic里。

5 日志存储

我们会使用三种表，用于存储一种业务类型的日志。

• Kafka引擎表：将数据从Kafka采集到Clickhouse的ingress_stdout_stream数据表中

create table logger.ingress_stdout_stream
(
 _source_ String,
 _pod_name_ String,
 _namespace_ String,
 _node_name_ String,
 _container_name_ String,
 _cluster_ String,
 _log_agent_ String,
 _node_ip_ String,
 _time_ Float64,
 _log_ String
)
engine = Kafka SETTINGS kafka_broker_list = 'kafka:9092', kafka_topic_list = 'ingress-stdout', kafka_group_name = 'logger_ingress_stdout', kafka_format = 'JSONEachRow', kafka_num_consumers = 1;

• 物化视图：将数据从ingress_stdout_stream数据表读取出来，_log_根据Mogo配置的索引，提取字段在写入到ingress_stdout结果表里

CREATE MATERIALIZED VIEW logger.ingress_stdout_view TO logger.ingress_stdout AS
SELECT
    toDateTime(toInt64(_time_)) AS _time_second_,
fromUnixTimestamp64Nano(toInt64(_time_*1000000000),'Asia/Shanghai') AS _time_nanosecond_,
 _pod_name_,
 _namespace_,
 _node_name_,
 _container_name_,
 _cluster_,
 _log_agent_,
 _node_ip_,
 _source_,
 _log_ AS _raw_log_,JSONExtractInt(_log_, 'status') AS status,JSONExtractString(_log_, 'url') AS url
 FROM logger.ingress_stdout_stream where 1=1;

• 结果表：存储最终的数据

create table logger.ingress_stdout
(
 _time_second_ DateTime,
 _time_nanosecond_ DateTime64(9, 'Asia/Shanghai'),
 _source_ String,
 _cluster_ String,
 _log_agent_ String,
 _namespace_ String,
 _node_name_ String,
 _node_ip_ String,
 _container_name_ String,
 _pod_name_ String,
 _raw_log_ String,
 status Nullable(Int64),
 url Nullable(String),
)
engine = MergeTree PARTITION BY toYYYYMMDD(_time_second_)
ORDER BY _time_second_
TTL toDateTime(_time_second_) + INTERVAL 7 DAY
SETTINGS index_granularity = 8192;

6 总结流程

• 日志会通过fluent-bit的规则采集到kafka，在这里我们会将日志采集到两个字段里

  • _time_字段用于存储fluent-bit采集的时间

  • _log_字段用于存放原始日志

• 通过mogo，在clickhouse里设置了三个表

  • app_stdout_stream： 将数据从Kafka采集到Clickhouse的Kafka引擎表

  • app_stdout_view： 视图表用于存放mogo设置的索引规则

  • app_stdout：根据app_stdout_view索引解析规则，消费app_stdout_stream里的数据，存放于app_stdout结果表中

• 最后mogo的UI界面，根据app_stdout的数据，查询日志信息

7 Mogo界面展示

查询日志界面

 设置日志采集配置界面

以上文档描述是针对石墨Kubernetes的日志采集，想了解物理机采集日志方案的，可以在下文中找到《Mogo使用文档》的链接，运行docker-compose体验Mogo 全部流程，查询Clickhouse日志。限于篇幅有限，Mogo的日志报警功能，下次在讲解。 ​

8 资料

• github地址: https://github.com/shimohq/mogo

• Mogo文档：https://mogo.shimo.im

• Mogo使用文档：https://mogo.shimo.im/doc/AV62KU4AABMRQ

• fluent-bit文档：https://docs.fluentbit.io/

• K8S日志

  • 6 个 K8S 日志系统建设中的典型问题，你遇到过几个：https://developer.aliyun.com/article/718735

  • 一文看懂 K8S 日志系统设计和实践：https://developer.aliyun.com/article/727594

  • 9 个技巧，解决 K8S 中的日志输出问题：https://developer.aliyun.com/article/747821

  • 直击痛点，详解 K8S 日志采集最佳实践：https://developer.aliyun.com/article/749468?spm=a2c6h.14164896.0.0.24031164UoPfIX

• Clickhouse

  • Clickhouse官方文档：https://clickhouse.com/

  • Clickhouse作为Kubernetes日志管理解决方案中的存储：http://dockone.io/article/9356

  • Uber 如何使用 ClickHouse 建立快速可靠且与模式无关的日志分析平台？：https://www.infoq.cn/article/l4thjgnr7hxpkgpmw6dz

  • 干货 | 携程ClickHouse日志分析实践：https://mp.weixin.qq.com/s/IjOWAPOJXANRQqRAMWXmaw

  • 为什么我们要从ES迁移到ClickHouse：https://mp.weixin.qq.com/s/l4RgNQPxvdNIqx52LEgBnQ

  • ClickHouse 在日志存储与分析方面作为 ElasticSearch 和 MySQL 的替代方案：https://mp.weixin.qq.com/s/nJXorcgi0QfXPCKr_HdUZg

  • 快手、携程等公司转战到 ClickHouse，ES 难道不行了？：https://mp.weixin.qq.com/s/hP0ocT-cBCeIl9n1wL_HBg

  • 日志分析下ES/ClickHouse/Loki比较与思考：https://mp.weixin.qq.com/s/n2I94X6tz2jOABzl1djxYg