1 前言

开源日志收集组件众多，之所以选择Filebeat，主要基于以下几点：

• 功能上能满足我们的需求：收集磁盘日志文件，发送到Kafka集群；支持多行收集和自定义字段等；

• 性能上相比运行于jvm上的logstash和flume优势明显；

• Filebeat基于golang 技术栈，二次开发对于我们来说有一定的技术积累；

• 部署方便，没有第三方依赖；

2 Filebeat 能做什么

简单来说Filebeat就是数据的搬运工，只不过除了搬运还可以对数据作一些深加工，为业务增加一些附加值。

• Filebeat可以从多种不同的上游input 中接受需要收集的数据，其中我们最常用的就是 log input，即从日志中收集数据；

• Filebeat对收集来的数据进行加工，比如：多行合并，增加业务自定义字段，json等格式的encode;

• Filebeat将加工好的数据发送到被称为output的下游，其中我们最常用的就是 Elasticsearch 和 Kafka；

• Filebeat具有ACK反馈确认机制，即成功发送到output后，会将当前进度反馈给input, 这样在进程重启后可以断点续传；

• Filebeat在发送output失败后，会启动retry机制，和上一次ACK反馈确认机制一起，保证了每次消息至少发送一次的语义；

• Filebeat在发送output时，由于网络等原因发生阻塞，则在input上游端会减慢收集，自适应匹配下游output的状态。

一图以蔽之。

3

Filebeat 背后的“老大”

说到Filebeat，它其实只是 beats 家族众多成员中的一个。除了Filebeat, 还有很多其他的beat小伙伴：

beat	功能
Filebeat	收集日志文件
Metricbeat	收集各种指标数据
Packetbeat	收集网络数据包
Auditbeat	收集审计数据
Heartbeat	收集服务运行状态监测数据
…	…

如果你愿意的话，你也可以按照beat的规范来写自己的beat。

能实现以上这些beat，都离不开beats家族真正的“老大”—— libbeat， 它是beat体系的核心库。我们接下来看一下libbeat到底都做了些什么：

• libbeat提供了publisher组件，用于对接input；

• 收集到的数据在进入到libbeat后，首先会经过各种 processor的加工处理，比如过滤添加字段，多行合并等等；

• input组件通过publisher组件将收集到的数据推送到publisher内部的队列；

• libbeat本身实现了前面介绍过的多种output, 因此它负责将处理好的数据通过output组件发送出去；

• libbeat本身封装了retry的逻辑；

• libbeat负责将ACK反馈通过到input组件 ；

由此可见，大部分活儿都是libbeat来做，当“老大”不容易啊～。

input仅需要做两件事：

• 从不同的介质中收集数据后投递给libbeat;

• 接收libbeat反馈回来的ACK, 作相应的持久化;

4

Filebeat 的简单使用示例

Filebeat本身的使用很简单，我们只需要按需写好相应的input和output配置就好了。下面我们以一个收集磁盘日志文件到Kafka集群的例子来讲一下。

1. 配置inputs.d目录

在filebeat.yml添加如下配置，这样我们可以将每一种等收集的路径写在单独的配置文件里，然后将这些配置文件统一放到inputs.d目录，方便管理

filebeat.config.inputs:
enabled: true
path: inputs.d/*.yml

2. 在inputs.d目录下创建test1.yml，内容如下

- type: log
# Change to true to enable tenabled: true
# Paths that should be crawlpaths:                      - /home/lw/test/filebeat/*.logfields:                 log_topic: lw_filebeat_t_2

这个配置说明会收集所有匹配/home/lw/test/filebeat/*.log的文件内容，并且我们添加了一个自定义的filed: log_topic: lw_filebeat_t_2, 这个我们后面会讲到。

3. 在filebeat.yml中配置kafka output：

output.kafka:                                                                
hosts: ["xxx.xxx.xxx.xxx:9092", "xxx.xxx.xxx.xxx:9092", "xxx.xxx.xxx.xxx:9092"] 
version: 0.9.0.1                                                           
topic: '%{[fields.log_topic]}'                                             
partition.round_robin:                                                     
reachable_only: true                                                     
compression: none                                                          
required_acks: 1                                                           
max_message_bytes: 1000000                                                 
codec.format:                                                              
string: '%{[host.name]}-%{[message]}'                                                               

其中：

• hosts是kafka集群的broker list;

• topic: ‘%{[fields.log_topic]}’ : 这项指定了我们要写入kafka集群哪个topic, 可以看到它实现上是引用了上面test.yml配置中我们自定义的filed字段，通过这种方式我们就可以将收集的不同路径的数据写入到不同的topic中，但是这个有个限制就是只能写到一个kafka集群，因为当前版本的filebeat不允许同时配置多个output。

• codec.format: 指定了写入kafka集群的消息格式，我们在从日志文件中读取的每行内容前面加上了当前机器的hostname。

启动就很简单了，filebeat和filebeat.yml, inputs.d都在同一目录下，然后 ./filebeat run就好了。

filebeat本身有很多全局的配置，每种input和output又有很多各自的配置，关乎日志收集的内存使用，是不是会丢失日志等方方面面，大家在使用时还需要仔细阅读，这里不赘述。

5

Log input 是如何从日志文件中收集日志的

input的创建：

• 根据配置文件内容创建相应的Processors, 用于前面提到的对从文件中读取到的内容的加工处理；

• 创建Acker, 用于持久化libbeat反馈回来的收集发送进度;

• 使用libbeat提供的Pipeline.queue.Producer创建producer，用于将处理好的文件内容投递到libbeat的内部队列；

收集文件内容：

• input会根据配置文件中的收集路径（正则匹配）来轮询是否有新文件产生，文件是否已经过期，文件是否被删除或移动;

• 针对每一个文件创建一个Harvester来逐行读取文件内容；

• 将文件内容封装后通过producer发送到libbeat的内部队列；

处理文件重命名，删除，截断：

• 获取文件信息时会获取文件的device id + indoe作为文件的唯一标识;

• 前面我们提过文件收集进度会被持久化，这样当创建Harvester时，首先会对文件作openFile, 以 device id + inode为key在持久化文件中查看当前文件是否被收集过，收集到了什么位置，然后断点续传；

• 在读取过程中，如果文件被截断，认为文件已经被同名覆盖，将从头开始读取文件；

• 如果文件被删除，因为原文件已被打开，不影响继续收集，但如果设置了CloseRemoved， 则不会再继续收集；

• 如果文件被重命名，因为原文件已被打开，不影响继续收集，但如果设置了CloseRenamed ， 则不会再继续收集；

6

日志如何被发送

发送流程简述：

• input将日志内容写入libbeat的内部队列后，剩下的事件就都交由libbeat来做了;

• libbeat会创建consumer, 复现作libbeat的队列里消费日志event, 封装成Batch对象;

• 针对每个Batch对象，还会创建ack Channel, 用来将ACK反馈信息写入这个channel;

• Batch对象会被源源不断地写入一个叫workQueue的channel中；

• 以kafka output为例，在创kafka output时首先会创建一个outputs.Group，它内部封装了一组kafka client, 同时启动一组goroutine;

• 上面创建的每个goroutine都从workQueue队列里读取Batch对象，然后通过kafka client发送出去，这里相当于多线程并发读队列后发送；

• 若kafka client发送成功，写入信息到ack channel, 最终会通过到input中；

• 若kafka client发送失败，启动重试机制；

重试机制：

• 以kafka output为例，如果msg发送失败，通过读取 ch <-chan *sarama.ProducerError可以获取到所有发送失败的msg；

• 针对ErrInvalidMessage， ErrMessageSizeTooLarge 和 ErrInvalidMessageSize这三种错误，无需重发；

• 被发送的 event都会封装成 Batch, 这里重发的时候也是调用Batch.RetryEevnts;

• 最后会调用到retryer.retry将需要重新的events再次写入到上图中黄色所示的 workQueue中，重新进入发送流程;

• 关于重发次数，可以设置max retries, 但从代码中看这个max retries不起作用，目前会一直重试，只不过在重发次数减少到为0时，会挑选出设置了Guaranteed属性的event来发送;

• 如果重发的events数量过多，会暂时阻塞住从正常发送流程向workQueue中写入数据，优先发送需要重发的数据；

7

后记 在本文里，我们没有深入到源码层次，为了讲清filebeat运作的原理，我们也忽略了一些实现细节，后续将会从源码层面作进一步剖析。

服务推荐

• 蜻蜓代理
• ip代理服务器
• 企业级代理ip
• 微信域名检测
• 微信域名拦截检测