​基于 Kubernetes 实现的大数据采集与存储实践总结

一、前言

近来我司部门内部搭建的电商大数据平台一期工程进入了尾声工作，不仅在技术上短期内从零到一搭建起属于团队的大数据平台，而且在业务上可以满足多方诉求。笔者很有幸参与到其中的建设，在给优秀的团队成员点赞的同时，也抽空整理了一下文档，那么今天就和大家来聊一下我们是如何结合Kubernetes实现数据采集与存储的，谈谈里面实现方案、原理和过程。 这里笔者放一张我们前期设计时借鉴阿里的大数据架构图：

本文重点讲述的是上图中『数据采集』部分，暂不涉及『数据计算』和『数据服务』的过程。在数据采集中，我们通过运行在Kubernetes中的清洗服务，不断地消费Kafka中由定时任务爬取的业务数据，并通过Fluentbit、Fluentd等日志采集工具对容器中打印到标准输出的数据压缩存储至AWS S3中。如果你对这块有兴趣的话，那就一起开始今天的内容吧。

二、基础篇

2.1 Docker日志管理

我们的应用服务都运行在Docker容器中，Docker的日志有两种：dockerd运行时的引擎日志和容器内服务产生的容器日志。在这里我们不用关心引擎日志，容器日志是指到达标准输出（stdout）和标准错误输出（stderr）的日志，其他来源的日志不归Docker管理，而Docker将所有容器打到 stdout 和 stderr 的日志通过日志驱动统一重定向到某个地方。Docker支持的日志驱动有很多，比如 local、json-file、syslog、journald 等等，不同的日志驱动可以将日志重定向到不同的地方。 Docker以热插拔的方式实现日志不同目的地的输出，体现了管理的灵活性。其中默认的日志驱动是json-file，该驱动将日志以json 的形式重定向存储到本地磁盘，其存储格式为：/var/lib/docker/containers/<container-id>/<container-id>-json.log。笔者画了一张简易的流转图：

官方支持的日志驱动很多，详情看可以自行查阅Docker Containers Logging(https://docs.docker.com/config/containers/logging/configure)。 我们可以通过docker info | grep Loggin命令查看Docker的日志驱动配置，也可以通过--log-driver或者编写/etc/docker/daemon.json 文件配置Docker容器的驱动：

{

"log-driver": "syslog"

}

本实践使用的是Docker默认驱动，即json file，这里大家对Docker的日志流转有基本的认识即可。需要关注的是 每种Docker日志驱动都有相应的配置项日志轮转，比如根据单个文件大小和日志文件数量配置轮转。json-file 日志驱动支持的配置选项如下：

• max-size：切割之前日志的最大大小，可取值单位为(k,m,g)， 默认为-1（表示无限制）；

• max-file：可以存在的最大日志文件数，如果切割日志会创建超过阈值的文件数，则会删除最旧的文件，仅在max-size设置时有效，默认为1；

• labels：适用于启动Docker守护程序时，此守护程序接受的以逗号分隔的与日志记录相关的标签列表；

• env：适用于启动Docker守护程序时，此守护程序接受的以逗号分隔的与日志记录相关的环境变量列表；

• compress：切割的日志是否进行压缩，默认是disabled；

详见： https://docs.docker.com/config/containers/logging/json-file

2.2 Kubernetes日志管理

在Kubernetes中日志种类也分为两种：

• 在容器中运行kube-scheduler和kube-proxy；

• 不运行在容器中运行时的kubelet和容器运行时（如Docker）；

在使用 systemd 机制的服务器上，kubelet 和容器运行时将日志写入到 journald；如果没有 systemd，他们将日志写到 /var/log 目录的 .log 文件中。容器中的系统组件通常将日志写到 /var/log 目录，在 kubeadm 安装的集群中它们以静态 Pod 的形式运行在集群中，因此日志一般在 /var/log/pods 目录下。

需要强调的一点是，对于应用POD日志 Kuberntes并不管理日志的轮转策略，且日志的存储都是基于Docker的日志管理策略进行 。在默认的日志驱动中，kubelet 会为每个容器的日志创建一个软链接，软链接存储路径为：/var/log/containers/，软链接会链接到 /var/log/pods/ 目录下相应 pod 目录的容器日志，被链接的日志文件也是软链接，最终链接到 Docker 容器引擎的日志存储目录：即/var/lib/docker/container 下相应容器的日志。这些软链接文件名称含有 k8s 相关信息，比如：Pod id，名字空间，容器 ID 等信息，这就为日志收集提供了很大的便利。简图如下：

三、进阶篇

在Kubernetes中比较流行的数据收集方案是Elasticsearch、Fluentd和Kibana技术栈，也是官方现在比较推荐的一种方案。我们在这里只使用到EFK技术栈中的F，即Fluentd以及它的衍生品Fluent Bit。 Fluentd和Fluent Bit都致力于收集、处理和交付日志数据。但是两个项目之间存在一些主要差异，使它们适合于不同的任务：

• Fluentd：旨在汇总来自多个输入的日志，对数据进行处理然后路由至不同的输出。它的引擎具有性能卓越的队列处理线程，可快速使用和路由大批日志。同时具有丰富的输入和输出插件生态系统（超过650个）;

• Fluent Bit：被设计为在高度受限的计算能力和减少的开销（内存和CPU）成为高度关注的分布式计算环境中运行，因此它非常的轻巧（KB级别）和高性能，适合做日志收集，处理和转发，但不适用于日志聚合；

我们用官方的一张图来对比它们的差异：

Fluend和FluenBit都有着相似的数据流处理方式，包括Input、Parse、Filter、Buffer、Routing和Ouput等组件，官方图如下：

1. Input: 提供了多种的输入插件用于收集不同来源的信息，如日志文件或者操作系统信息等；

2. Parser: 解析器用来解析原始的字符串成结构化的信息（如json格式）；

3. Filter: 过滤器用来在分发事件之前修改或者过滤事件；

4. Buffer: 提供数据的缓存机制，优先使用内存，其次是文件系统；

5. Router: 将不同分类的数据发送到不同的输出中，一般使用Tag和Match来实现；

6. Output: 同样提供了不同的输出插件，包括远程服务，本地文件或者标准输出等；

在本次实践的过程中，我们使用Fluent Bit作为日志转发器负责数据的采集和转发，Fluentd作为日志聚合器负责数据的聚合与存储，在系统中相互协作，充分发挥它们的特长，更多地文档可以参考Fluentd(https://docs.fluentd.org)和FluentBit(https://docs.fluentbit.io/manual)的官网。

四、架构篇

由容器引擎或runtime提供的原生功能通常不足以满足完整的日志记录需求，当发生容器崩溃、pod 被逐出或节点宕机等情况，如果仍然想访问到应用日志，那么日志就应该具有独立的存储和生命周期。我们利用容器化后的应用写入 stdout 和 stderr 的任何数据，都会被容器引擎捕获并被重定向到某个位置的特性，使用日志转发器Fluentbit负责采集日志并将数据推送到日志聚合器Fluentd后，再由Fluentd负责聚合和存储数据至AWS S3中。由于日志转发器必须在每个节点上运行，因此它可以用DaemonSet副本，而日志聚合器则可以按需扩容缩容，因此我们使用Deployment来部署。笔者简单画的架构图如下：

五、实践篇

前面讲了一大推的基础理论和架构，终于到了实践的时候了，这里我们需要准备基本的实践环境，包括：

• 拥有DockerHub账号，用于存放Docker镜像；

• 拥有Kubernetes集群，用于编排容器和部署应用；

接下来笔者准备了三个服务的代码示例，包括负责接收和清洗业务数据的服务、采集日志并转发的FluentBit还有聚合数据并压缩存储的Fluentd。

5.1 清洗服务

我们使用zap作为日志库，不断进行打印数据以模拟清洗服务处理业务逻辑，编写的Sample代码如下：

package main

import (

"time"

"go.uber.org/zap"

)

func main() {

logger, _ := zap.NewProduction()

defer logger.Sync() // flushes buffer, if any

sugar := logger.Sugar()

for {

sugar.Infow("just a example",

"author", "tony",

"today", time.Now().Format("2006-01-02 15:04:05"),

"yesterday", time.Now().AddDate(0, 0, -1).Format("2006-01-02 15:04:05"),

)

time.Sleep(time.Duration(5) * time.Second)

}

}

接着我们编写构建脚本，把它打包成镜像以供后续Kubernetes集群部署deployment使用，Dockerfile如下：

# build stage

FROM golang:latest as builder

LABEL stage=gobuilder

WORKDIR /build

COPY . .

RUN CGO_ENABLED=0 GOOS=linux GOARCH=amd64 go build -ldflags="-w -s" -o example

# final stage

FROM scratch

COPY --from=builder /build/example /

EXPOSE 8080

ENTRYPOINT ["/example"]

执行以下命令完成构建并推上docker hub上：

# build

docker build -t <your_docker_hub>/logging:latest . && docker image prune -f .

# push

docker push <your_docker_hub>/logging:latest

最后我们的代码部署在Kubernetes集群中，模拟运行我们的清洗服务：

apiVersion: apps/v1

kind: Deployment

metadata:

name: example

namespace: logging

labels:

app: example

spec:

replicas: 1

selector:

matchLabels:

app: example

template:

metadata:

labels:

app: example

spec:

containers:

- name: example

image: <your_docker_hub>/logging:latest

resources:

limits:

cpu: 100m

memory: 200Mi

requests:

cpu: 10m

memory: 20Mi

ports:

- containerPort: 24224

terminationGracePeriodSeconds: 30

详见： https://github.com/zhulinwei/logging/tree/master/example

5.2 日志转发器FluentBit

Fluent Bit作为日志转发器需要负责数据的采集和转发，它需要的准备基本授权文件、项目配置以及daemon部署文件。

授权文件

# fluentbit_rbac.yaml

apiVersion: rbac.authorization.k8s.io/v1beta1

kind: ClusterRole

metadata:

name: fluentbit-read

rules:

- apiGroups: [""]

resources:

- namespaces

- pods

verbs: ["get", "list", "watch"]

---

apiVersion: rbac.authorization.k8s.io/v1beta1

kind: ClusterRoleBinding

metadata:

name: fluentbit-read

roleRef:

apiGroup: rbac.authorization.k8s.io

kind: ClusterRole

name: fluentbit-read

subjects:

- kind: ServiceAccount

name: fluentbit

namespace: logging

项目配置

kind: ConfigMap

metadata:

name: fluentbit-config

namespace: logging

apiVersion: v1

data:

fluent-bit.conf: |-

[SERVICE]

Flush 1

Daemon Off

Log_Level info

Parsers_File parsers.conf

HTTP_Server On

HTTP_Listen 0.0.0.0

HTTP_Port 2020

[INPUT]

Name tail

Tag kube.*

# Path /var/log/containers/*.log

Path /var/log/containers/*logging_example*.log

Parser docker

DB /var/log/flb_kube.db

Mem_Buf_Limit 5MB

Skip_Long_Lines On

Refresh_Interval 10

Ignore_Older 24h

[FILTER]

Name kubernetes

Match kube.*

Kube_URL https://kubernetes.default.svc:443

Kube_CA_File /var/run/secrets/kubernetes.io/serviceaccount/ca.crt

Kube_Token_File /var/run/secrets/kubernetes.io/serviceaccount/token

Kube_Tag_Prefix kube.var.log.containers.

Merge_Log On

Merge_Log_Key log_processed

K8S-Logging.Parser On

K8S-Logging.Exclude Off

[OUTPUT]

Name forward

Match *

Host ${FLUENTD_HOST}

Port ${FLUENTD_PORT}

Time_as_Integer True

parsers.conf: |-

[PARSER]

Name apache

Format regex

Regex ^(?<host>[^ ]*) [^ ]* (?<user>[^ ]*) \[(?<time>[^\]]*)\] "(?<method>\S+)(?: +(?<path>[^\"]*?)(?: +\S*)?)?" (?<code>[^ ]*) (?<size>[^ ]*)(?: "(?<referer>[^\"]*)" "(?<agent>[^\"]*)")?$

Time_Key time

Time_Format %d/%b/%Y:%H:%M:%S %z

[PARSER]

Name apache2

Format regex

Regex ^(?<host>[^ ]*) [^ ]* (?<user>[^ ]*) \[(?<time>[^\]]*)\] "(?<method>\S+)(?: +(?<path>[^ ]*) +\S*)?" (?<code>[^ ]*) (?<size>[^ ]*)(?: "(?<referer>[^\"]*)" "(?<agent>[^\"]*)")?$

Time_Key time

Time_Format %d/%b/%Y:%H:%M:%S %z

[PARSER]

Name apache_error

Format regex

Regex ^\[[^ ]* (?<time>[^\]]*)\] \[(?<level>[^\]]*)\](?: \[pid (?<pid>[^\]]*)\])?( \[client (?<client>[^\]]*)\])? (?<message>.*)$

[PARSER]

Name nginx

Format regex

Regex ^(?<remote>[^ ]*) (?<host>[^ ]*) (?<user>[^ ]*) \[(?<time>[^\]]*)\] "(?<method>\S+)(?: +(?<path>[^\"]*?)(?: +\S*)?)?" (?<code>[^ ]*) (?<size>[^ ]*)(?: "(?<referer>[^\"]*)" "(?<agent>[^\"]*)")?$

Time_Key time

Time_Format %d/%b/%Y:%H:%M:%S %z

[PARSER]

Name json-test

Format json

Time_Key time

Time_Format %d/%b/%Y:%H:%M:%S %z

[PARSER]

Name docker

Format json

Time_Key time

Time_Format %Y-%m-%dT%H:%M:%S.%L

Time_Keep On

[PARSER]

Name syslog

Format regex

Regex ^\<(?<pri>[0-9]+)\>(?<time>[^ ]* {1,2}[^ ]* [^ ]*) (?<host>[^ ]*) (?<ident>[a-zA-Z0-9_\/\.\-]*)(?:\[(?<pid>[0-9]+)\])?(?:[^\:]*\:)? *(?<message>.*)$

Time_Key time

Time_Format %b %d %H:%M:%S

部署文件

apiVersion: apps/v1

kind: DaemonSet

metadata:

name: fluentbit

namespace: logging

labels:

k8s-app: fluentbit-logging

version: v1

kubernetes.io/cluster-service: "true"

spec:

selector:

matchLabels:

k8s-app: fluentbit-logging

version: v1

template:

metadata:

labels:

k8s-app: fluentbit-logging

version: v1

kubernetes.io/cluster-service: "true"

spec:

containers:

- name: fluentbit

image: fluent/fluent-bit:1.2.1

env:

- name: FLUENTD_HOST

value: "fluentd"

- name: FLUENTD_PORT

value: "24224"

resources:

limits:

memory: 100Mi

requests:

cpu: 100m

memory: 100Mi

volumeMounts:

- name: config

mountPath: /fluent-bit/etc

- name: varlog

mountPath: /var/log

- name: varlibdockercontainers

mountPath: /var/lib/docker/containers

readOnly: true

- name: minikube

mountPath: /mnt/sda1/var/lib/docker/containers

readOnly: true

terminationGracePeriodSeconds: 10

volumes:

- name: config

configMap:

name: fluentbit-config

- name: varlog

hostPath:

path: /var/log

- name: varlibdockercontainers

hostPath:

path: /var/lib/docker/containers

- name: minikube

hostPath:

path: /mnt/sda1/var/lib/docker/containers

5.3 日志聚合器Fluentd

Fluentd作为日志聚合器负责数据的聚合来自FluentBit的数据，并将其存储到AWS S3中，需要准备项目配置以及deployment文件。

项目配置

kind: ConfigMap

apiVersion: v1

metadata:

name: fluentd-config

namespace: logging

data:

fluent.conf: |-

<system>

log_level debug

</system>

<source>

@type http

port 9880

bind 0.0.0.0

body_size_limit 32m

keepalive_timeout 10s

</source>

<source>

@type forward

port 24224

bind 0.0.0.0

tag kube.forward

</source>

<match **>

@type s3

path "year=%Y/month=%m/day=%d/hour=%H"

s3_bucket <your_s3_bucket>

s3_region <your_s3_region>

</match>

部署文件

apiVersion: v1

kind: Service

metadata:

name: fluentd

namespace: logging

labels:

app: fluentd

spec:

ports:

- name: http

port: 9880

protocol: TCP

- name: forword

port: 24224

protocol: TCP

selector:

app: fluentd

type: NodePort

---

apiVersion: apps/v1

kind: Deployment

metadata:

name: fluentd

namespace: logging

labels:

app: fluentd

spec:

replicas: 1

selector:

matchLabels:

app: fluentd

strategy:

rollingUpdate:

maxSurge: 25%

maxUnavailable: 25%

type: RollingUpdate

template:

metadata:

labels:

app: fluentd

spec:

containers:

- name: fluentd

image: ghgt/fluentd-es-s3-rewrite:v1.7.3-alpine-es7-s3-rewrite-1.1

env:

- name: FLUENTD_ARGS

value: --no-supervisor -q

resources:

limits:

memory: 500Mi

requests:

cpu: 100m

memory: 200Mi

ports:

- containerPort: 8080

- containerPort: 24224

volumeMounts:

- name: varlog

mountPath: /var/log

- name: config-volume

mountPath: /fluentd/etc

terminationGracePeriodSeconds: 30

volumes:

- name: varlog

hostPath:

path: /var/log

- name: config-volume

configMap:

name: fluentd-config

到此，编码完成！启动并在集群中运行三个服务，随后检查你的AWS S3存储桶吧！

总结

写到最后，相信你已经了解如何使用FluentBit、Fluentd等工具结合Kubernetes实现对大数据的采集和存储流程，笔者从基础原理到方案架构，再到实践过程，通过简单的Sample示例带领大家领悟企业级的项目实现，希望读完文章的你有所收获。在接下来的文章中，笔者将继续带领大家关注云原生领域的知识，敬请期待~