原文：http://dongxicheng.org/search-engine/log-systems/
** 1. 背景介紹 **
許多公司的平臺每天會產生大量的日志（一般為流式數據，如，搜索引擎的pv，查詢等），處理這些日志需要特定的日志系統，一般而言，這些系統需要具有以下特征：
（1）構建應用系統和分析系統的橋梁，并將它們之間的關聯解耦；
（2）支持近實時的在線分析系統和類似于Hadoop之類的離線分析系統；
（3）具有高可擴展性。即：當數據量增加時，可以通過增加節點進行水平擴展。
本文從設計架構，負載均衡，可擴展性和容錯性等方面對比了當今開源的日志系統，包括facebook的scribe，apache的chukwa，linkedin的kafka和cloudera的flume等。
** 2. FaceBook的Scribe **
Scribe是facebook開源的日志收集系統，在facebook內部已經得到大量的應用。它能夠從各種日志源上收集日志，存儲到一個中央存儲系統 （可以是NFS，分布式文件系統等）上，以便于進行集中統計分析處理。它為日志的“分布式收集，統一處理”提供了一個可擴展的，高容錯的方案。
它最重要的特點是容錯性好。當后端的存儲系統crash時，scribe會將數據寫到本地磁盤上，當存儲系統恢復正常后，scribe將日志重新加載到存儲系統中。
架構：
scribe的架構比較簡單，主要包括三部分，分別為scribe agent， scribe和存儲系統。
(1) scribe agent
scribe agent實際上是一個thrift client。 向scribe發送數據的唯一方法是使用thrift client， scribe內部定義了一個thrift接口，用戶使用該接口將數據發送給server。
(2) scribe
scribe接收到thrift client發送過來的數據，根據配置文件，將不同topic的數據發送給不同的對象。scribe提供了各種各樣的store，如 file， HDFS等，scribe可將數據加載到這些store中。
(3) 存儲系統
存儲系統實際上就是scribe中的store，當前scribe支持非常多的store，包括file（文件），buffer（雙層存儲，一個主儲存，一個副存儲），network（另一個scribe服務器），bucket（包含多個 store，通過hash的將數據存到不同store中），null(忽略數據)，thriftfile（寫到一個Thrift TFileTransport文件中）和multi（把數據同時存放到不同store中）。
3. Apache的Chukwa
chukwa是一個非常新的開源項目，由于其屬于hadoop系列產品，因而使用了很多hadoop的組件（用HDFS存儲，用mapreduce處理數據），它提供了很多模塊以支持hadoop集群日志分析。
需求：
(1) 靈活的，動態可控的數據源
(2) 高性能，高可擴展的存儲系統
(3) 合適的框架，用于對收集到的大規模數據進行分析
架構：
Chukwa中主要有3種角色，分別為：adaptor，agent，collector。
(1) Adaptor 數據源
可封裝其他數據源，如file，unix命令行工具等
目前可用的數據源有：hadoop logs，應用程序度量數據，系統參數數據（如linux cpu使用流率）。
(2) HDFS 存儲系統
Chukwa采用了HDFS作為存儲系統。HDFS的設計初衷是支持大文件存儲和小并發高速寫的應用場景，而日志系統的特點恰好相反，它需支持高并發低速率的寫和大量小文件的存儲。需要注意的是，直接寫到HDFS上的小文件是不可見的，直到關閉文件，另外，HDFS不支持文件重新打開。
(3) Collector和Agent
為了克服(2)中的問題，增加了agent和collector階段。
Agent的作用：給adaptor提供各種服務，包括：啟動和關閉adaptor，將數據通過HTTP傳遞給Collector；定期記錄adaptor狀態，以便crash后恢復。
Collector的作用：對多個數據源發過來的數據進行合并，然后加載到HDFS中；隱藏HDFS實現的細節，如，HDFS版本更換后，只需修改collector即可。
(4) Demux和achieving
直接支持利用MapReduce處理數據。它內置了兩個mapreduce作業，分別用于獲取data和將data轉化為結構化的log。存儲到data store（可以是數據庫或者HDFS等）中。
4. LinkedIn的Kafka
Kafka是2010年12月份開源的項目，采用scala語言編寫，使用了多種效率優化機制，整體架構比較新穎（push/pull），更適合異構集群。
設計目標：
(1) 數據在磁盤上的存取代價為O(1)
(2) 高吞吐率，在普通的服務器上每秒也能處理幾十萬條消息
(3) 分布式架構，能夠對消息分區
(4) 支持將數據并行的加載到hadoop
架構：
Kafka實際上是一個消息發布訂閱系統。producer向某個topic發布消息，而consumer訂閱某個topic的消息，進而一旦有新的關于某個topic的消息，broker會傳遞給訂閱它的所有consumer。 在kafka中，消息是按topic組織的，而每個topic又會分為多個partition，這樣便于管理數據和進行負載均衡。同時，它也使用了zookeeper進行負載均衡。
Kafka中主要有三種角色，分別為producer，broker和consumer。
(1) Producer
Producer的任務是向broker發送數據。Kafka提供了兩種producer接口，一種是low_level接口，使用該接口會向特定的broker的某個topic下的某個partition發送數據；另一種那個是high level接口，該接口支持同步/異步發送數據，基于zookeeper的broker自動識別和負載均衡（基于Partitioner）。
其中，基于zookeeper的broker自動識別值得一說。producer可以通過zookeeper獲取可用的broker列表，也可以在zookeeper中注冊listener，該listener在以下情況下會被喚醒：
a．添加一個broker
b．刪除一個broker
c．注冊新的topic
d．broker注冊已存在的topic
當producer得知以上時間時，可根據需要采取一定的行動。
(2) Broker
Broker采取了多種策略提高數據處理效率，包括sendfile和zero copy等技術。
(3) Consumer
consumer的作用是將日志信息加載到中央存儲系統上。kafka提供了兩種consumer接口，一種是low level的，它維護到某一個broker的連接，并且這個連接是無狀態的，即，每次從broker上pull數據時，都要告訴broker數據的偏移量。另一種是high-level 接口，它隱藏了broker的細節，允許consumer從broker上push數據而不必關心網絡拓撲結構。更重要的是，對于大部分日志系統而言，consumer已經獲取的數據信息都由broker保存，而在kafka中，由consumer自己維護所取數據信息。
5. Cloudera的Flume
Flume是cloudera于2009年7月開源的日志系統。它內置的各種組件非常齊全，用戶幾乎不必進行任何額外開發即可使用。
設計目標：
(1) 可靠性
當節點出現故障時，日志能夠被傳送到其他節點上而不會丟失。Flume提供了三種級別的可靠性保障，從強到弱依次分別為：end-to-end（收到數據agent首先將event寫到磁盤上，當數據傳送成功后，再刪除；如果數據發送失敗，可以重新發送。），Store on failure（這也是scribe采用的策略，當數據接收方crash時，將數據寫到本地，待恢復后，繼續發送），Best effort（數據發送到接收方后，不會進行確認）。
(2) 可擴展性
Flume采用了三層架構，分別問agent，collector和storage，每一層均可以水平擴展。其中，所有agent和collector由master統一管理，這使得系統容易監控和維護，且master允許有多個（使用ZooKeeper進行管理和負載均衡），這就避免了單點故障問題。
(3) 可管理性
所有agent和colletor由master統一管理，這使得系統便于維護。用戶可以在master上查看各個數據源或者數據流執行情況，且可以對各個數據源配置和動態加載。Flume提供了web 和shell script command兩種形式對數據流進行管理。
(4) 功能可擴展性
用戶可以根據需要添加自己的agent，colletor或者storage。此外，Flume自帶了很多組件，包括各種agent（file， syslog等），collector和storage（file，HDFS等）。
架構：
正如前面提到的，Flume采用了分層架構，由三層組成，分別為agent，collector和storage。其中，agent和collector均由兩部分組成：source和sink，source是數據來源，sink是數據去向。
(1) agent
agent的作用是將數據源的數據發送給collector，Flume自帶了很多直接可用的數據源（source），如：
text(“filename”)：將文件filename作為數據源，按行發送
tail(“filename”)：探測filename新產生的數據，按行發送出去
fsyslogTcp(5140)：監聽TCP的5140端口，并且接收到的數據發送出去
同時提供了很多sink，如：
console[("format")] ：直接將將數據顯示在桌面上
text(“txtfile”)：將數據寫到文件txtfile中
dfs(“dfsfile”)：將數據寫到HDFS上的dfsfile文件中
syslogTcp(“host”,port)：將數據通過TCP傳遞給host節點
(2) collector
collector的作用是將多個agent的數據匯總后，加載到storage中。它的source和sink與agent類似。
下面例子中，agent監聽TCP的5140端口接收到的數據，并發送給collector，由collector將數據加載到HDFS上。
host : syslogTcp(5140) | agentSink("localhost",35853) ;
collector : collectorSource(35853) | collectorSink("[hdfs://namenode/user/flume/](hdfs://namenode/user/flume/) ","syslog");
一個更復雜的例子如下：
有6個agent，3個collector，所有collector均將數據導入HDFS中。agent A，B將數據發送給collector A，agent C，D將數據發送給collectorB，agent C，D將數據發送給collectorB。同時，為每個agent添加end-to-end可靠性保障（Flume的三種可靠性保障分別由agentE2EChain, agentDFOChain, and agentBEChain實現），如，當collector A出現故障時，agent A和agent B會將數據分別發給collector B和collector C。
下面是簡寫的配置文件片段：
agentA : src | agentE2EChain("collectorA:35853", "collectorB:35853");
agentB : src | agentE2EChain("collectorA:35853", "collectorC:35853");
agentC : src | agentE2EChain("collectorB:35853", "collectorA:35853");
agentD : src | agentE2EChain("collectorB:35853","collectorC:35853");
agentE : src | agentE2EChain("collectorC:35853","collectorA:35853");
agentF : src | agentE2EChain("collectorC:35853","collectorB:35853");
collectorA : collectorSource(35853) | collectorSink("[hdfs://...](hdfs://...)","src");
collectorB : collectorSource(35853) | collectorSink("[hdfs://...](hdfs://...)","src");
collectorC : collectorSource(35853) | collectorSink("[hdfs://...](hdfs://...)","src");
此外，使用autoE2EChain，當某個collector 出現故障時，Flume會自動探測一個可用collector，并將數據定向到這個新的可用collector上。
(3) storage
storage是存儲系統，可以是一個普通file，也可以是HDFS，HIVE，HBase等。
6. 總結
根據這四個系統的架構設計，可以總結出典型的日志系統需具備三個基本組件，分別為agent（封裝數據源，將數據源中的數據發送給collector），collector（接收多個agent的數據，并進行匯總后導入后端的store中），store（中央存儲系統，應該具有可擴展性和可靠性，應該支持當前非常流行的HDFS）。
下面表格對比了這四個系統：
7. 參考資料
scribe主頁：https://github.com/facebook/scribe
chukwa主頁：http://incubator.apache.org/chukwa/
kafka主頁：http://sna-projects.com/kafka/
Flume主頁：https://github.com/apache/flume
