日志收集过滤检索框架 ELK 入门

1：为什么用到ELK：

一般我们需要进行日志分析场景：直接在日志文件中grep、awk就可以获得自己想要的信息。但在规模较大的场景中，此方法效率低下，面临问题包括日志量太大如何归档、文本搜索太慢怎么办、如何多维度查询。需要集中化的日志管理，所有服务器上的日志收集汇总。常见解决思路是建立集中式日志收集系统，将所有节点上的日志统一收集，管理，访问。

 

一般大型系统是一个分布式部署的架构，不同的服务模块部署在不同的服务器上，问题出现时，大部分情况需要根据问题暴露的关键信息，定位到具体的服务器和服务模块，构建一套集中式日志系统，可以提高定位问题的效率。

 

一个完整的集中式日志系统，需要包含以下几个主要特点：

 

收集－能够采集多种来源的日志数据

传输－能够稳定的把日志数据传输到中央系统

存储－如何存储日志数据

分析－可以支持 UI分析

警告－能够提供错误报告，监控机制

ELK提供了一整套解决方案，并且都是开源软件，之间互相配合使用，完美衔接，高效的满足了很多场合的应用。目前主流的一种日志系统

 

1：对于数据仓库团队来说，日志是他们要分析的信息数据来源之一；

2：对于安全团队来说，日志是他们构建安全防御与漏洞挖掘的一种特征来源和触发信号源；

3：对于应用团队来说，日志是他们了解自己的系统运行状态与排除错误的一种手段；

etc.

 

2：ELK的简介

ELK是三个开源软件的缩写，分别表示：Elasticsearch, Logstash, Kibana ,它们都是开源软件。新增了一个FileBeat，它是一个轻量级的日志收集处理工具(Agent)，Filebeat占用资源少，适合于在各个服务器上搜集日志后传输给Logstash，官方也推荐此工具。

 

Elasticsearch是个开源分布式搜索引擎，提供搜集、分析、存储数据三大功能。它的特点有：分布式，零配置，自动发现，索引自动分片，索引副本机制，restful风格接口，多数据源，自动搜索负载等。

 

Logstash主要是用来日志的搜集、分析、过滤日志的工具，支持大量的数据获取方式。一般工作方式为c/s架构，client端安装在需要收集日志的主机上，server端负责将收到的各节点日志进行过滤、修改等操作在一并发往elasticsearch上去。

 

Kibana也是一个开源和免费的工具，Kibana可以为Logstash 和 ElasticSearch提供的日志分析友好的 Web界面，可以帮助汇总、分析和搜索重要数据日志。

 

3：ELK

ELK=elasticsearch+Logstash+kibana

elasticsearch：后台分布式存储以及全文检索

logstash:日志加工、解析、“搬运工”

kibana：数据可视化展示。

ELK架构为数据分布式存储、日志解析和可视化查询创建了一个功能强大的管理链。三者相互配合，取长补短，共同完成分布式大数据处理工作。

 

4：ElasticSearch

ElasticSearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTfulweb接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。设计用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。

 

5：ES优势

1）分布式实时文件存储，可将每一个字段存入索引，使其可以被检索到。

2）实时分析的分布式搜索引擎。

分布式：索引分拆成多个分片，每个分片可有零个或多个副本。集群中的每个数据节点都可承载一个或多个分片，并且协调和处理各种操作；

负载再平衡和路由在大多数情况下自动完成。

3）可以扩展到上百台服务器，处理PB级别的结构化或非结构化数据。也可以运行在单台PC上（已测试）

4）支持插件机制，分词插件、同步插件、Hadoop插件、可视化插件等。

 

6：Python使用elastic

滚屏：https://blog.csdn.net/u014431852/article/details/52830938

https://blog.csdn.net/YHYR_YCY/article/details/78882011

 

 

PS：一些elk的实现分享

1）新浪ES如何分析处理32亿条实时日志http://dockone.io/article/505

2）阿里ES构建挖财自己的日志采集和分析体系http://afoo.me/columns/tec/logging-platform-spec.html

3）有赞ES业务日志处理http://tech.youzan.com/you-zan-tong-ri-zhi-ping-tai-chu-tan/

4）ES实现站内搜索http://www.wtoutiao.com/p/13bkqiZ.html

# 参考：
# https://blog.csdn.net/YHYR_YCY/article/details/78882011

field = ["ip", "status", "uri", "http_user_agent"]

# 分析
# must 表示必须
# term 字段 此字段的status 的值必须为200
# range 表示log_time的范围，支持传入format， gte 开始时间，是一個format字符串，lt结束时间
# _source 文本查询中要查询的字段，数组形式给出
query = {
    "bool": {
        "must": [
            {
                "term": {
                    "status": 200
                }
            },
            {
                "range": {
                    "log_time": {
                        "gte": "",
                        "lt": "",
                        "format":"yyyy-MM-dd HH:mm",
                        "time_zone": "+08:00"
                    }
                }
            }
        ]
    },
    "_source": field
}

# 简单query
# query = {'query': {'range': {'age': {'gt': 11}}}}# 查找年龄大于11的所有文档
# query = {'query': {'term': {'name': 'jack'}}}# 查找名字叫做jack的所有文档


# 建立es连接
def get_conn():
    host = ""
    port = 9200
    return Elasticsearch([{"host": host, "port": port}])


# 取数据
# index 索引， size一次的大小
# scroll 记录上一次查询的位置，_scroll_id，第一次查询时已经对查询结果做了快照
def search(esp):
    es = get_conn()

    res = es.search(
        index    = esp["index"],
        size     = esp["size"],
        scroll   = esp["scroll"],
        request_timeout = esp["request_timeout"],
        body = esp["query"]
    )

    hits_size = len(res["hits"]["hits"])
    infos = res["hits"]["hits"]
    while hits_size > 0:
        infos += res["hits"]["hits"]
        sid = res["_scroll_id"]
        res = es.scroll(
            scroll_id = sid,
            scroll = esp["scroll"],
            params = {"request_timeout": esp["request_timeout"]}
        )
    return infos

参考：

https://www.cnblogs.com/aresxin/p/8035137.html

https://blog.csdn.net/laoyang360/article/details/52244917