基于可视化配置的日志结构化转换实现
导读：数据总线DBus的总体架构中主要包括六大模块，分别是：日志抓取模块、增量转换模块、全量抽取程序、日志算子处理模块、心跳监控模块、Web管理模块。六大模块各自的功能相互连接，构成DBus的工作原理：通过读取RDBMS增量日志的方式来实时获取增量数据日志（支持全量拉取）；基于Logstash，flume，filebeat等抓取工具来实时获得数据，以可视化的方式对数据进行结构化输出。本文主要介绍的是DBus中基于可视化配置的日志结构化转换实现的部分。
一、结构化日志的原理
1.1 源端日志抓取
DBus可以对接多种log数据源，例如：Logstash、Flume、Filebeat等。上述组件都是业界比较流行的日志抓取工具，一方面便于用户和业界统一标准，方便用户技术方案的整合；另一方面也避免了无谓的重复造轮子。抓取的数据我们称为原始数据日志（raw data log），由抓取组件将其写入Kafka中，等待DBus后续处理。
1.2 可视化配置规则，使日志结构化
用户可自定义配置日志源和目标端。同一个日志源的数据可以输出到多个目标端。每一条“日志源-目标端”线，用户可以根据自己的需要来配置相应的过滤规则。经过规则算子处理后的日志是结构化的，即：有schema约束，类似于数据库中的表。
1.3 规则算子
DBus设计了丰富易用的算子，用于对数据进行定制化操作。用户对数据的处理可分为多个步骤进行，每个步骤的数据处理结果可即时查看、验证；并且可重复使用不同算子，直到转换、裁剪出自己需要的数据。
1.4 执行引擎
将配置好的规则算子组应用到执行引擎中，对目标日志数据进行预处理，形成结构化数据，输出到Kafka，供下游数据使用方使用。系统流程图如下所示：
根据DBus log设计原则，同一条原始日志，可以被提取到一个或多个表中。每个表是结构化的，满足相同的schema约束。
- 每个表是一个规则算子组的集合，每个表可以拥有1个或多个规则算子组；
- 每个规则算子组，由一组规则算子组合而成，每个算子具有独立性；
对于任意一条原始数据日志（raw data log），它应该属于哪张表呢？
假如用户定义了若干张逻辑表（T1,T2…），用于抽取不同类型的日志，那么，每条日志需要与规则算子组进行匹配：
- 进入某张表T1的所有规则算子组的执行过程
- 符合条件的进入规则算子组，并且被执行引擎转换为结构化的表数据
- 不符合提取条件的日志尝试下一个规则算子组
- 对于T1的所有规则算子组，如果都不满足要求，则进入下一张表T2的执行过程，以此类推
- 如果该条日志不符合任何一张表的过滤规则，则进入_unknown_table_表
例如，对于同一条应用日志，其可能属于不止一个规则组或Table，而在我们定义的规则组或Table中，只要其满足过滤条件，该应用日志就可以被规则组提取，即保证了同一条应用日志可以同属于不同的规则组或Table。
规则算子是对数据进行过滤、加工、转换的基本单元。常见的规则算子如上图所示。
算子之间具有独立性，算子之间可以任意组合使用，从而可以实现许多复杂的、高级的功能，通过对算子进行迭代使用，最终可以实现对任意数据进行加工的目的。用户可以开发自定义算子，算子的开发非常容易，用户只要遵循基本接口原则，就可以开发任意的算子。
二、DBus日志处理实例
以DBus集群环境为例，DBus集群中有两台机器（即master-slave）部署了心跳程序，用于监控、统计、预警等，心跳程序会产生一些应用日志，这些应用日志中包含各类事件信息，假如我们想要对这些日志进行分类处理并结构化到数据库中，我们就可以采用DBus log程序对日志进行处理。
DBus可以接入多种数据源（Logstash、Flume、Filebeat等），此处以Logstash为例来说明如何接入DBus的监控和报警日志数据。
由于在dbus-n2和dbus-n3两台机器上分别存在监控和预警日志，为此我们分别在两台机器上部署了Logstash程序。心跳数据由Logstash自带的心跳插件产生，其作用是便于DBus对数据进行统计和输出，以及对源端日志抽取端（此处为Logstash）进行预警（对于Flume和Filebeat来说，因为它们没有心跳插件，所以需要额外为其定时产生心跳数据）。Logstash程序写入到Kafka中的数据中既有普通格式的数据，同时也有心跳数据。
这里不只是局限于2台部署有Logstash程序的机器，DBus对Logstash数量不做限制，比如应用日志分布在几十上百台机器上，只需要在每台机器上部署Logstash程序，并将数据统一抽取到同一个Kafka Topic中，DBus就能够对所有主机的数据进行数据处理、监控、预警、统计等。
2.1 启动Logstash
在启动Logstash程序后，我们就可以从topic : heartbeat_log_logstash中读取数据，数据样例如下：
1)心跳数据
2)普通日志数据
2.2 配置规则
接下来，我们只需要在DBus Web中配置相应的规则就可以对数据进行处理了。
首先新建一个逻辑表sink_info_table，该表用来抽取sink事件的日志信息，然后配置该表的规则组（一个或多个，但所有的规则组过滤后的数据需要满足相同schema特性），heartbeat_log_logstash作为原始数据topic，我们可以实时的对数据进行可视化操作配置（所见即所得，即席验证）。
1)读取原始数据日志
可以看到由Logstash预先提取已经包含了log4j的基本信息，例如path、@timestamp、level等。但是数据日志的详细信息在字段log中。由于不同的数据日志输出是不一样的，因此可以看到log列数据是不同的。
2)提取感兴趣的列
假如我们对timestamp、log 等原始信息感兴趣，那么可以添加一个toIndex算子，来提取这些字段：
这里需要指出，我们考虑使用数组下标方式，是有原因的：
- 并不是所有列本身自带列名（例如flume抽取的原始数据，或者split算子处理后的数据列）；
- 下标方式可以使用数组方式指定列（类似python方式， 例如：1:3表示1，2列）； 因此后续操作全部基于数组下标方式访问。
执行规则，就可以看到被提取后的字段情况：
3)过滤需要的数据
在这个例子中，我们只对含有“Sink to influxdb OK!”的数据感兴趣。因此添加一个filter算子，提取第7列中包含”Sink to influxdb OK!”内容的行数据：
执行后，只有符合条件的日志行数据才会存在。
4)对特定列进行提取
添加一个select算子，我们对第1和3列的内容感兴趣，所以对这两列进行提取。
执行select算子，数据中就会只含有第1和3列了。
5)以正则表达式的方式处理数据
我们想从第1列的数据中提取符合特定正则表达式的值，使用regexExtract算子对数据进行过滤。正则表达式如下：http_code=(\d*).*type=(.*),ds=(.*),schema=(.*),table=(.*)\s.*errorCount=(\d*)，用户可以写自定义的正则表达式。
执行后，就会获取正则表达式执行后的数据。
6)选择输出列
最后我们把感兴趣的列进行输出，使用saveAs算子， 指定列名和类型，方便于保存在关系型数据库中。
执行saveAs算子后，这就是处理好的最终输出数据样本。
2.3 查看结构化输出结果
保存上一步配置好的规则组，日志数据经过DBus执行算子引擎，就可以生成相应的结构化数据了。目前根据项目实际，DBus输出的数据是UMS格式，如果不想使用UMS，可以经过简单的开发，实现定制化。
注：UMS是DBus定义并使用的、通用的数据交换格式，是标准的JSON。其中同时包含了schema和数据信息。更多UMS介绍请参考DBus开源项目主页的介绍。开源地址：https://github.com/bridata/dbus
以下是测试案例，输出的结构化UMS数据的样例：
2.4 日志监控
为了便于掌握数据抽取、规则匹配、监控预警等情况，我们提供了日志数据抽取的可视化实时监控界面，如下图所示，可随时了解以下信息：
- 实时数据条数
- 错误条数情况（错误条数是指：执行算子时出现错误的情况，帮助发现算子与数据是否匹配，用于修改算子，DBus同时也提供了日志回读的功能，以免丢失部分数据）
- 数据延时情况
- 日志抽取端是否正常
监控信息中包含了来自集群内各台主机的监控信息，以主机IP（或域名）对数据分别进行监控、统计和预警等。
监控中还有一张表叫做_unkown_table_ 表明所有没有被匹配上的数据条数。例如：Logstash抓取的日志中有5种不同事件的日志数据，我们只捕获了其中3种事件，其它没有被匹配上的数据，全部在_unkown_table_计数中。
DBus同样可以接入Flume、Filebeat、UMS等数据源，只需要稍作配置，就可以实现类似于对Logstash数据源同样的处理效果，更多关于DBus对log的处理说明，请参考：
应用日志经过DBus处理后，将原始数据日志转换为了结构化数据，输出到Kafka中提供给下游数据使用方进行使用，比如通过Wormhole将数据落入数据库等。具体如何将DBus与Wormhole结合起来使用，请参考：如何设计实时数据平台（技术篇）。
作者：仲振林
