基于kafka，zookeeper实现的日志收集平台搭建

1.项目简介

时间：2022年7月    项目人员：3人
项目环境：centos7（9台，1核2G）， kafka(2.12) ，nginx， filebeat， zookeeper(3.6.3)， python3.6， mysql
项目描述：分别使用3台Linux服务器来作为nginx集群搭建前端web服务，kafka集群和zookeeper集群,2台Linux机器做反向代理集群。通过filebeat收集前端nginx集群的访问日志，统一存入kafka集群平台，部署zookeeper集群来对kafka进行配置管理，通过python编写消费者对nginx的log日志做数据清洗，获取流量信息存入mysql数据库。
 

 2.项目步骤

      1.规划整个项目的拓扑结构和思维导图
      2、搭建nginx集群作为前端web服务
      3、搭建kafka集群实现日志的统一收集
      4.搭建zookeeper集群实现来对kafka集群进行配置管理
      5、搭建filebeat，调试生产者和消费者
      6、通过python编写消费者，通过IP调用淘宝接口将省份，运营商等信息爬取下来
      7.清洗nginx日志，收集带宽信息存入数据库
      8、创建分布式任务基于流量进行告警监控

3.项目部署

1.环境准备

1.准备好9台Linux机器(1核2G)

2.配置好静态ip地址(我使用的是桥接模式，在同一个局域网内可以和其他Linux机器通信)

vim /etc/sysconfig/network-scripts/ifcfg-ens33

3.配置好本地DNS服务器(114.114.114.114)

vim /etc/resolv.conf

4.修改主机名（推荐用下面的方式，修改了HOSTNAME变量的值，同时也修改了/etc/hostname文件里的内容，永久生效）

hostnamectl  set-hostname  +主机名

5.每一台机器上都写好域名解析（方便后续直接用主机名进行操作）

vim  /etc/hosts

ps：DNS解析的顺序

      1、浏览器的缓存
      2、本地hosts文件  --linux（/etc/hosts）
      3、找本地域名服务器  -- linux（/etc/resolv.conf）

6.安装基本软件（wget是用于获取web的数据，chronyd是时间同步服务）

yum install wget lsof vim -y
yum -y install chrony

7.开启chronyd服务,关闭防火墙服务和selinux（防止防火墙影响主机之间的通信）

systemctl enable chronyd
systemctl start chronyd
systemctl stop firewalld
systemctl disable firewalld

关闭selinux：vim /etc/selinux/config,设置SELINUX=disabled

2.nginx搭建

1.安装好epel源和nginx服务

yum install epel-release -y
yum install  nginx -y

2. 启动nginx并设置为开机自启

systemctl start nginx
systemctl enable nginx

3.编辑配置文件

vim /etc/nginx/nginx.conf
将 
   listen       80 default_server;
修改成：
   listen       80；

ps:对于.conf文件的配置做一个简介

全局块：配置影响nginx全局的指令。一般有运行nginx服务器的用户组，nginx进程pid存放路径，日志存放路径，配置文件引入，允许生成worker process数等。

events块：配置影响nginx服务器或与用户的网络连接。有每个进程的最大连接数，选取哪种事件驱动模型处理连接请求，是否允许同时接受多个网路连接，开启多个网络连接序列化等。

http块：可以嵌套多个server，配置代理，缓存，日志定义等绝大多数功能和第三方模块的配置。如文件引入，mime-type定义，日志自定义，是否使用sendfile传输文件，连接超时时间，单连接请求数等。

server块：配置虚拟主机的相关参数，一个http中可以有多个server。

location块：配置请求的路由，以及各种页面的处理情况

4.自定义一个server用来检测

ps：后面搭建filebeat时就是收集/var/log/nginx/sc/access.log下的日志

vim  /etc/nginx/conf.d/sc.conf

server {
    listen 80 default_server;
    server_name  www.sc.com;
    #html源代码文本路径    
    root         /usr/share/nginx/html;
    #访问日志的保存路径
    access_log  /var/log/nginx/sc/access.log main;

    location  / {

    }
}

5.语法检测

nginx -t

6.重新加载nginx服务

nginx -s  reload

3.kafka,zookeeper搭建

ps：kafka是一种消息中间件，和其他MQ相比，有着单机10万级高吞吐量，高可用性强，分布式，一个partition多个replica，少数宕机不会丢失数据，一般配合大数据类系统进行实时数据计算，日志分析场景。

broker:kafka的节点。一台服务器相当于一个节点

topic:主题，消息的分类。比如nginx，mysql日志给不同的主题，就是不同的类型。

partition:分区。提高吞吐量，提高并发性。（多个partition会导致消息顺序混乱，如果对消息顺序有要求就只设置一个partition就可以了）

replica:   副本。完整的分区备份。

ps：zookeeper是一种分布式应用协调管理服务，具有配置管理，域名管理，分布式数据存储，集群管理等功能，在本次项目中用于对kafka集群进行配置（topic,partition,replica等）管理

kafka3.0版本已经脱离zookeeper管理，自己实现了zookeeper功能

1.安装基本软件(虽然kafka自带zookeeper软件，但实测不太好用，所以用官方标准的)

#安装java
yum install java wget  -y
#安装kafka
wget   https://mirrors.bfsu.edu.cn/apache/kafka/2.8.1/kafka_2.12-2.8.1.tgz 
#解压到/opt目录下
tar  xf  kafka_2.12-2.8.1.tgz
#安装zookeeper
wget   https://mirrors.bfsu.edu.cn/apache/zookeeper/zookeeper-3.6.3/apache-zookeeper-3.6.3-bin.tar.gz
#解压到/opt目录下
tar  xf  apache-zookeeper-3.6.3-bin.tar.gz

2.配置kafka（修改/opt/kafka_2.12-2.8.1/config /server.properties文件）

broker.id=x(第一台为1以此类推)
listeners=PLAINTEXT://nginx-kafka01（主机名）:9092
zookeeper.connect=192.168.1.213:2181,192.168.1.214:2181,192.168.1.215:2181（三台Linux的IP）

ps:用zookeeper管理多个kafka集群(一个集群一个目录)

zookeeper.connect=192.168.1.213:2181/kafka1(第一组集群放在zookeeper路径/kafka1下面),192.168.1.214:2181/kafka2(第二组集群放在zookeeper路径/kafka2下面),192.168.1.215:2181/kafka3（第三组集群放在zookeeper路径/kafka3下面）等

3.配置zookeeper(3888和4888都是端口,一个用于数据传输，一个用于检验存活性和选举)

cd /opt/apache-zookeeper-3.6.3-bin/confs
cp zoo_sample.cfg zoo.cfg
#修改zoo.cfg, 添加如下三行：
server.1=192.168.1.213:3888:4888
server.2=192.168.1.214:3888:4888
server.3=192.168.1.215:3888:4888

4.创建/tmp/zookeeper目录 ，在目录中添加myid文件(文件内容就是本机指定的zookeeper id)

如：在192.168.1.213机器上
echo 1 > /tmp/zookeeper/myid

5.启动zookeeper(3台)

bin/zkServer.sh start

6.查看zookeeper状态（如下）

bin/zkServer.sh status

ps：开启zk和kafka的时候，一定是先启动zk，再启动kafka
关闭服务的时候，kafka先关闭，再关闭zk

7.查看zookeeper管理kafka的配置（ls时是以tree形式进行查看--必须从/开始搜索）

cd /opt/apache-zookeeper-3.6.3-bin
cd bin
./zkCli.sh

示例如下：（三个ids对应三台kafka机器）

8.启动kafka（-daemon是启动守护进程）

bin/kafka-server-start.sh -daemon config/server.properties

9.创建topic

bin/kafka-topics.sh --create --zookeeper 192.168.1.213:2181 --replication-factor 3 --partitions 3 --topic sc

bin/kafka-topics.sh --list --zookeeper 192.168.1.213:2181

 10.创建生产者和消费者（kafka服务中自带用于测试的生产者和消费者）进行测试，检测输入的数据是否可以被消费

#创建生产者
bin/kafka-console-producer.sh --broker-list 192.168.1.213:9092 --topic sc
#创建消费者    
bin/kafka-console-consumer.sh --bootstrap-server 192.168.1.215:9092 --topic sc --from-beginning

示例如下：一台作为生产者输入数据，另一台作为消费者接收数据

 4.filebeat部署

Filebeat 是使用 Golang 实现的轻量型日志采集器，也是 Elasticsearch stack 里面的一员。本质上是一个 agent ，可以安装在各个节点上，根据配置读取对应位置的日志，并上报到相应的地方去。

Filebeat 由两个主要组件组成：harvester 和 prospector。

采集器 harvester 的主要职责是读取单个文件的内容。读取每个文件，并将内容发送到 the output。 每个文件启动一个 harvester，harvester 负责打开和关闭文件，这意味着在运行时文件描述符保持打开状态。如果文件在读取时被删除或重命名，Filebeat 将继续读取文件。

查找器 prospector 的主要职责是管理 harvester 并找到所有要读取的文件来源。如果输入类型为日志，则查找器将查找路径匹配的所有文件，并为每个文件启动一个 harvester。每个 prospector 都在自己的 Go 协程中运行。

1.安装依赖包

rpm --import https://packages.elastic.co/GPG-KEY-elasticsearch

2.编辑/etc/yum.repos.d/fb.repo文件

[elastic-7.x]
name=Elastic repository for 7.x packages
baseurl=https://artifacts.elastic.co/packages/7.x/yum
gpgcheck=1
gpgkey=https://artifacts.elastic.co/GPG-KEY-elasticsearch
enabled=1
autorefresh=1
type=rpm-md

3.安装filebeat

yum  install  filebeat -y

4.检查filebeat的安装路径及其相关文件

rpm -qa  |grep filebeat
rpm -ql  filebeat 

5.修改配置文件（vim /etc/filebeat/filebeat.yml）

内容如下：

filebeat.inputs:
- type: log
  # Change to true to enable this input configuration.
  enabled: true
  # Paths that should be crawled and fetched. Glob based paths.
  paths:
    - /var/log/nginx/sc/access.log 
#==========------------------------------kafka-----------------------------------
output.kafka:
  hosts: ["192.168.1.213:9092","192.168.1.214:9092","192.168.1.215:9092"]
  topic: nginxlog
  keep_alive: 10s

6.设置开机启动服务，并检查filebeat是否启动

#设置开机自启
systemctl enable filebeat
#启动服务：
systemctl start  filebeat
# 查看filebeat是否启动
ps -ef |grep filebeat

7.创建主题和消费者来检测数据

#创建主题nginxlog
bin/kafka-topics.sh --create --zookeeper 192.168.1.213:2181 --replication-factor 3 --partitions 1 --topic nginxlog

#创建消费者来检测日志是否生产过来
bin/kafka-console-consumer.sh --bootstrap-server 192.168.1.215:9092 --topic nginxlog --from-beginning

 

 当我访问自己搭建的web服务时，filebeat将access.log的日志输出，消费者成功接收数据，表示filebeat搭建成功！

5.编写python创建消费者并将收集的数据写入数据库

ps：也可以使用pandas去实现

import json
import requests
import time
import pymysql

#连接数据库
db = pymysql.connect(
    host = "192.168.1.213",      #mysql主机ip
    user = "qilin",              #用户名
    passwd = "123456",            #密码
    database = "weblog2"                 #数据库
)

taobao_url = "https://ip.taobao.com/outGetIpInfo?accessKey=alibaba-inc&ip="
#查询ip地址的信息（省份和运营商isp），通过taobao网的接口
def resolv_ip(ip):
    response = requests.get(taobao_url+ip)
    if response.status_code == 200:
       tmp_dict = json.loads(response.text)
       prov = tmp_dict["data"]["region"]
       isp = tmp_dict["data"]["isp"]
       return prov,isp
    return None,None

#将日志里读取的格式转换为我们指定的格式
def trans_time(dt):
     #把字符串转成时间格式
    timeArray = time.strptime(dt, "%d/%b/%Y:%H:%M:%S")
    #timeStamp = int(time.mktime(timeArray))
    #把时间格式转成字符串
    new_time = time.strftime("%Y-%m-%d %H:%M:%S", timeArray)    
    return new_time

#从kafka里获取数据，清洗为我们需要的ip，时间，带宽
from pykafka import KafkaClient
client = KafkaClient(hosts="192.168.1.213:9092,192.168.1.214:9092,192.168.1.215:9092")
topic = client.topics['nginxlog'] 
balanced_consumer = topic.get_balanced_consumer(
  consumer_group='testgroup',
    #自动提交offset
  auto_commit_enable=True,    
  zookeeper_connect='nginx-kafka01:2181,nginx-kafka02:2181,nginx-kafka03:2181'
) 
#consumer = topic.get_simple_consumer()
i = 1
for message in balanced_consumer:
   if message is not None: 
       line = json.loads(message.value.decode("utf-8"))
       log = line["message"]
       tmp_lst = log.split()
       ip = tmp_lst[0]
       dt = tmp_lst[3].replace("[","")
       bt = tmp_lst[9]
       dt = trans_time(dt)
       prov, isp = resolv_ip(ip)
       if prov and isp:
          print(dt,prov,isp,bt)

          cursor = db.cursor()
          try:
            cursor.execute(f"insert into mynginxlog values({i},{dt},'{prov}','{isp}',{bt})")
            db.commit()
            i += 1
          except Exception as e:
              print("插入失败",e)
              db.rollback()

# create table mynginxlog(
# id int primary key auto_increment,
# dt datetime not null,
# prov varchar(20),
# isp varchar(20),
# bd float
# )charset=utf8;

#关闭数据库
db.close()

效果如下：

 

6.创建分布式任务基于流量进行告警监控

1.了解Celery

celery  是由python开发的 ，简单、灵活、可靠的分布式任务处理框架

ps：celery 的5个角色
Task：就是任务，有异步任务和定时任务

Broker：中间人，接收生产者发来的消息即Task，将任务存入队列。任务的消费者是Worker。

Worker：执行任务的单元，它实时监控消息队列，如果有任务就获取任务并执行它。

Beat：定时任务调度器，根据配置定时将任务发送给Broker。

Backend：结果存储在redis中

Celery本身不提供队列服务，推荐用Redis或RabbitMQ实现队列服务。
redis通常在数据库做缓存，也可以作为消息中间件，存储任务及结果

2.安装redis并修改监听ip

ps：redis是一种key-value键值存储的数据库。
redis开启持久化的两种模式：
AOF  全持久化模式   每一次操作日志都会同步到磁盘
RDB  半持久化模式   定时的将内存内容快照写入磁盘

yum  install epel-release -y
yum install redis -y

3.修改监听ip并启动服务

#修改监听ip
vim /etc/redis.conf
bind 0.0.0
#启动redis
systemctl start redis.0

4.安装Celery

pip install  celery

5.编辑Celery

config.py

from celery.schedules import crontab
#配置消息中间件的地址
BROKER_URL = "redis://192.168.1.213:6379/1"
#配置结果存放地址
CELERY_RESULT_BACKND = "redis://192.168.1.213:6379/2"
#启动celery时，导入任务
CELERY_IMPORTS = {
    'celery_tasks'
}
#时区
CELERY_TIMEZONE = "Asia/Shanghai"
#设置定时任务
CELERYBEAT_SCHEDULE = {
    'log-every-minute':{
        'task':'celery_tasks.scheduled_task',
        'schedule':crontab(minute='*/1')
    }
}

app.py

from celery import Celery
#实例化对象，传入一个名字
celery_app = Celery('celery_app')
celery_app.config_from_object('config')

celery_tasks.py

from app import celery_app
@celery_app.task
def scheduled_task(*args,**kwargs):
    print("this is schedule task")

4.项目心得

1.通过网络拓扑图和思维导图的建立，提高了项目整体的落实和效率
      2.对搭建前端web服务，集群的部署更为熟悉
      3.对于kafka集群统一收集web日志更为了解，对于zookeeper管理kafka集群有了更深的理解
      4.对于脑裂现象的出现和解决有了更加清晰的认识
      5.通过团队交流提高了团队协作能力，遇到困难去CSDN博客查阅，加强了自主学习能力和troubleshooting能力

5.常见问题

1.为什么要做反向代理集群，以及怎么实现负载均衡

DNS其实也可以实现负载均衡，www.sc.com可以解析成多个ip地址，对应相应的nginx服务器，一般来说，会以轮询的方式解析成各个ip。但是如果其中一台服务器挂了，DNS不会立马将这个ip地址去掉，还是会解析成挂掉的ip，可能会造成访问失败。虽然客户端会有重试机制，但还是会影响用户体验。而在web应用前面加反向代理，客户端不会直接访问到服务器，而是通过代理服务器访问，这样服务器安全性也会提高，负载均衡控制容易很多。

反向代理机通过keepalived双vip互为主备实现高可用，提高资源利用率。

vip：www.sc.com解析成两个虚拟ip

互为主备：一台作为master，一台backup

2.为什么使用kafka做日志收集

1、可以更直观地排除错误所在，直接将数据导入到mysql里面的话，我们排错需要登录三台nginx服务器查看日志，而吐到kafka里面方便定位故障

2.日志集中管理，后续需要日志的程序直接从kafka获取即可，尽可能减少日志处理对nginx里web服务的影响

3.kafka中leader的作用

leader和follower：一个分区有多个副本，选举一台作为leader，其他作为follower存放在ISR队列中

生产者和消费者只和leader打交道，leader接收数据后，再根据ISR同步到其他follower

生产者跟任何一台broker连接都可以，虽然这个broker可能没有leader部署，但broker会返回当前请求副本leader的信息，最后生产者再跟leader交互

2.kafka如何保证高可用

多个broker+多个partition+多个replica

ISR->in-sync-replica  集合列表（需要同步的follower集合）
比如说5个副本，1个leader,4follower-》ISR
有一条消息来了，leader怎么知道要同步哪些副本呢？根据ISR来。

如果一个follower挂了，那就从这个列表里别除了
如果一个follower卡住或者同步过慢它也会从ISR里删除
如果有一个机器宕机，后续启动之后想要重新加入ISR,必须得同步到HW(最高水位线)值

 3.如何保证数据一致性

1、生产者可以通过request.required.acks设置ack可以为0（生产者不需要接收响应，发完就发下一条），1（默认，1 eadert收到就会给生产发送响应)，-1（等待ISR列表中的每一个副本都接收到，才给生产者响应）
2、消费者消费数据时，引入了High Water Mark机制。木桶效应，只能消费ISR列表里偏移量最少的副本的消息数量。

4.zookeeper在kafka中的作用

1、保存kafka的元信息，topic,parition,副本信息
2、选举kafka controller （通过抢占的方式来选出controller。选举出的kafka controller管理kafka副本的leader和follwer:同步，选举）

5.zookeeper中leader的选举及数据的同步

一致性算法：少数服从多数原则，票数过半的当选为leader（>=n//2+1）

zookeeper集群中，节点存活数必须过半，集群才能正常使用（若不是这样，49%的正在使用，而之前51%宕机的机器突然启动，这样leader就会混乱，从而导致脑裂现象）

Zk集群节点数一般设置为奇数，方便选举

数据同步：只要过半节点同步完成，就表示数据已经commit。zookeeper不是强一致性，它属于最终一致性

6. 消费者如何知道下次从哪里开始消费

消费者消费的时候，会记录自己的消费偏移量，消费偏移量可以自己保存在本地，也可以提交到kafka的_consumer_offset主题里面保存

kafka日志每个分区保存时按段保存的：segment（一个segment由一个index和log文件组成） /data假设有如下segment
00.log   11.log  22.log

00.log保存的是第一条到11条的日志
11.log保存的是第12条到第22条的日志
22.log保存的是第22条之后的日志

数据的存储目录：
文件夹：-<分区号>
分出多个segment便于做数据清理
kafka可以按照两个维度清理数据
1、按大小
2、按时间
任意一个条件满足，都可以触发日志清理