[大数据] 客户端/服务端日志采集和处理

问题描述

• 如何查日志？

  • 服务端/Nginx日志存储在各台服务器本地日志文件中，只能逐台机器登陆查看；
  • 客户端日志通常由客户端记录并上报到服务端，随着用户规模的增长，客户端日志会占用相当大的空间，查询起来也是不便；
  • 某些场景需要join多份数日志，比如服务端+服务端（websocket服务），客户端+服务端（广告点击效果），如何实现？

• 如何监控和报警？

  • 线上业务出问题了，会输出错误日志，如何把这些错误日志快速发送给相关人员？
  • 有时候业务出问题，自己的报警有不够完善，只能通过一些全局的指标来发现异常（比如Nginx的错误率），这种情况如何及时发现

• 如何统计业务数据？

  • 我的应用有多少安装，多少DAU，次日留存是多少？通常可以用第三方SDK（如umeng）等来解决，但是更详细/更个性化的指标如何（比如AB测试）统计？
  • 客户反馈应用某些功能打不开，是网络问题？还是对应的API可用率偏低？还是其他情况？

方案

• 日志收集

  • 服务端日志通过各台机器上安装的flume收集，并写入到Kafka集群指定topic；
  • 客户端日志通过指定API上报到服务端，服务端将这些日志写入到Kafka集群指定topic；

• 日志处理（准实时）

  • 使用Spark Streaming消费Kafka的消息，并将处理好的数据写入到指定的存储地点；

    • 日志中的错误信息，按照指定格式汇总后，发送邮件/短信/钉钉信息；
    • 日志中的指标性数据（比如Nginx的错误率），统计之后发送邮件；
    • 日志中的用户行为，解析后按照指定格式写入Kafka集群指定topic，供后续服务消费；
    • 日志实时join，（todo）

• 日志处理 （离线）

  • 使用flume消费Kafka的消息，并将数据写入到HDFS；
  • 使用Spark任务将HDFS中的原始数据解析出来，并写入到事先定义的Hive表；

• 日志展示

  • 使用 Hue + Impala，可以实现Hive数据的查询（秒级）；
  • 编写Spark统计任务，读取Hive数据，统计结果写入到MySQL，并使用superset做图表展示；

• 基本数据流如下:

  •