每天要处理亿级的日志文件,该怎么做?

[whnzy]

现在要做到每天处理亿级的日志文件,公司根本没有现成的系统.日志是由nginx打下的请求日志,要在日志中筛选需要的信息,有些还是加密的请求,需要解密.
我当时用python 搭建起一套系统,一天可以处理完,但是随着数据的增加,我为了提高查询数据库的速度,将一些内容放到了内存中,但是随着数据的增加,内存已经爆掉.
mongo,多维数组什么的都已经尝试过了,已经无能为力了,我刚刚毕业,没有那么多的经验,手中只有两台服务器可用,而且内存一个4G,一个1G,cpu最多的一个也才是双核的.
请教该怎么搞?

[xujif]

内存问题，只能队列处理啊，一次处理一部分，如果处理不及，只能加机器或者cpu

[repus911]

这是服务器么 估计还没我的本本配置好

[whnzy]

@xujif 我已经用了队列了,因为要进行数据挖掘,所以存储结构复杂.每次存库要查询mysql,导致速度越来越慢,所以我将信息存到了内存中.现在内存不够用了哦

[whnzy]

@repus911 QAQ,公司穷,AWS的,我的本本也比这个好

[nullcc]

elasticsearch+logstash+kibana

[zhicheng]

都用 AWS 了，还有什么解决不了的。开 spot instance 超大内存多核的机器，一个小时跑满不就好了。这个量级上，不是应该用人去解决的。

[omi4399]

买买买买买，花钱就能解决的问题

[whnzy]

@zhicheng 我擦,我得给老大提提了

[whnzy]

烦烦烦死

[julypanda]

splunk

[xdeng]

golang

[mhycy]

@whnzy 请问方便给份样本测试下么？企鹅已申请。。

[AntiGameZ]

@julypanda 估计LZ是用不起 Splunk的

[jason52]

莫非是渣浪～知乎有个开发2g怎么玩的问题

[em70]

awk 专注处理日志文件三十年

[20150517]

弄个hive不就好了？

[whnzy]

@20150517 可是没有 集群啊

[whnzy]

@xdeng 这.... 没有人会用吧

[whnzy]

@em70 = -= awk 有些还是处理不了的

[20150517]

@whnzy 一台也行，多台也行，不用一定好多集群

[kaneg]

想要马儿跑得快，还要马儿不吃草。玩QQ游戏的电脑配置也比你的要好吧

[Septembers]

忽然想到了这东西。。。
see https://github.com/zhihu/kids/blob/master/README.zh_CN.md

[qsl0913]

日志的查询需求具体是，查明细？做统计？

[em70]

@whnzy 只能用一种工具解决吗，awk可以帮你快速筛选记录，然后给Python后续处理啊，你用python去查找那不慢死，awk命令完全可以达到数据库的性能

另外可以创建一个内存盘，把当前处理的日志拷贝到内存盘里让awk处理，那更加酸爽

[paulw54jrn]

丢Redshift吧..

[rssf]

这已经不是技术能解决的了，给老大提，这算毛的服务器啊。如果老板1毛钱都不想花在硬件上，趁早换地

[yghack]

ELK

[sunchen]

aws的话试试redshift

[sunchen]

@paulw54jrn 赞同，redshift谁用谁知道

[scys]

服务器性能不足，请最少配置16G的内存给日志服务器。

[realpg]

@jason52 你刚说完这个，又有一大堆渣浪的回帖卧槽离职时候忘了把自己的内存拔下来了……

[summic]

分而治之

[ms2008]

elk妥妥的

[msg7086]

4G内存？不要搞笑了。我5年前家用的破电脑都有8G。敢不敢让你们领导买台旧电脑来处理？

@realpg 内存才几个钱……比ssd还便宜吧……

[hitsmaxft]

额。。我跑工具脚本的虚拟机都都是 6g 内存， 你这玩意用4g的。。

[daoluan]

这些日志用来做什么？

[sophymax]

明显要上集群啊

[xiawinter]

@nullcc 很多人用这个方案，但这个方案题主跑不起来，太慢了。 题主可以考虑 heka， 我们数据量比这还要高点，两台机器往 elasticsearch里扔， elasticsearch 需要 12G 内存， 未用 SSD， 不过能用 ssd 速度快很多。

logstash 是 jruby 来做正则解析的，不知道为什么他们会用这么个方案，百思不得其解的慢。 heka 做法非常好， 如果不能及时处理数据，会缓存到 /var/cache/hekad/ 下面，这样不会造成机器卡死。 数据传输和处理有点延迟很正常，硬盘做大点， 准备 100G 应当就差不多。 几天不做都死不了。

如果转运过程还需要去查询 mysql， 那么我认为设计方案可能可以优化一下，类似日志的数据分析不应该做即时分析的，可以先把数据格式化后，之后开始做计算。 否则可能让数据阻塞在原来的地方。

请求加密是指传过来的数据是加密的，然后解密这部分数据？ 感觉很多东西都混在一起，耦合有点高。

[chinabrowser]

赶快GCE 这个同等配置可比AWS便宜

[9]

最近在做跟楼主一样的东西，ELK 是很适合的方案，不要把数据放数据库中去，那是自杀的做法。
其中 logstash 可以换成 fluentd，不多说了，直接看这个 kibana 的 demo 吧，http://demo.elastic.co/packetbeat/

[darrenxyli]

elasticsearch+logstash+kibana

[YORYOR]

这tm 比我们渣浪还惨啊 擦

[shiznet]

@whnzy awk先做一次筛选 减少数据规模 然后在用其他工具处理呢

[whnzy]

@qsl0913 做统计,听说过一个 solar的东西

[whnzy]

@daoluan 挖掘日志中的用户信息的.

[whnzy]

@paulw54jrn 这个在infoQ上看到过一次,研究下

[whnzy]

真是谢谢大家了,感觉要重新设计下了,题主也是开发经验不足,架构的东西现在出现的问题,向前找原因,一开始就错了.

[c89758972]

@realpg 麻蛋啊,我之前的公司就是.我倒是想过拿回自己的,可那行政balabala的,当时内存也便宜啊,4G99,就没在意.

[popok]

处理啥啊，直接删。哈哈

[whnzy]

@c89758972 你们都是自己的服务器啊

[whnzy]

@popok 不要闹好不好呀,数据很重要哒

[c89758972]

@whnzy 这倒不是,是自己有内存多,刚好公司又缺内存,申请又麻烦就拿过去用了.结果都是悲剧,没能拿回来.哎

[fxxkgw]

ELK太占内存了 logstash匹配速度太慢 配置这么点的服务器根本承受不了

[loryyang]

亿级别的话，简单的还是用批处理吧，kafka+hadoop
实时流的技术难度太高了，而且稳定性是个很大的难题。
数据先用kafka导到hdfs，然后每天运行mr任务，可以上面架一个hive，写写sql就行。hadoop的整套实践方案，还是相对简单一些
不过一个应届生，要搞定这整一套环境，还是有点困难的。。

[loryyang]

额，没看到你只有两台服务器，那忽略我吧。。。

[fengyqf]

亿级日志的规模，竟然用1G 4G的服务器

[lunaticus7]

没折腾过nginx日志，不过对原始数据做好预处理，很多情况下可以极大的提高系统的性能，awk sed都可以用，一个比较通用的思路是，在进入流程中大运算量步骤之前，尽量筛掉无用的数据
由于机器配置低，所以做好分治+流式的规划，同时可以看看负载是耗在那一块了，可以考虑多线程，把cpu尽量用起来

[Chip]

花钱能解决的问题，Splunk大法好。

[typcn]

直接 fopen 全部读一遍，然后 fseek 到文件尾部，流式读取这个日志，插入队列

这个 CPU 基本 0% ，内存超不过 5MB

数据库如果无需复杂功能的话可以简单实现一个，挂个 epoll ，异步拿数据，然后转成 binary 每隔几秒 append 一次磁盘，这个 CPU 不会超过 5%，内存超不过 100MB

[typcn]

看错了，，，是离线日志，直接 while(line = getline())

[JohnSmith]

@xdeng +1 有许多现成的方案

[EF0718]

elasticsearch+logstash+kibana

[smileawei]

即使你现在勉强解决了，等下次性能瓶颈的时候怎么办，老板会觉得，上次都搞定了，这次也可以的。然后。。。

[minotaur]

流处理，内存中只保留热门数据，冷门数据都持久化到磁盘。
一毕业就做这个还挺有意思的。

[whnzy]

不知道有没有人用过GoAccess,想请教下.

[9hills]

上面说elasticsearch的，lz那点内存还敢跑elasticsearch？我32G内存的机器都OOM。。

[9hills]

ES的文档里说了：A machine with 64 GB of RAM is the ideal sweet spot

64G为佳。。

[Pacer]

首先~~ 把机器内存和 CPU 升级一下吧~
跟老板要 16GB 4核 吧

[Clarencep]

这么多log肯定有很多是冗余的，垃圾信息的，清理下，然后免费版的splunk就够用的了

[paw]

kafka spark


不要求实时的话 mapreduce去


PS：不管咋样，跟BOSS说加机器去。。。。

[luw2007]

看日志处理完干嘛。
错误日志可以使用全文搜索引擎报错。

[hb1412]

可以看看sumologic

[loading]

花十万开发工具 vs 花一万上新机器