海量、低成本历史日志分析实践

背景信息

日志作为一种特殊的数据，对处理历史数据、诊断问题以及了解系统活动等有着非常重要的作用。对数据分析人员、开发人员或者运维人员而言，日志都是其工作过程中必不可缺的数据来源。

通常情况下，为节约成本，我们会将日志设定一定的保存时间，只分析该时间段内的日志，此类日志称之为“热”日志。这种做法，短期内可以满足使用需求，但从长期来看，大量的历史日志被搁置，无法发挥其价值。

对于许多企业而言，对日志分析的需求特征通常为低时效和低频率。并且在一个企业中，为偶发性的日志分析去构建一套完整的日志分析系统，无论在经济成本还是运维成本上都是不划算的。如何在降低存储成本的同时满足大批量日志的分析需求，是摆在企业面前的一道难题。

实施方案

阿里云从用户角度出发，研发了一整套小而精的历史日志数据分析方案。利用阿里云日志服务 LOG（Log Service，简称LOG/原SLS）来投递日志，阿里云对象存储服务（Object Storage Service，简称OSS）来存储日志，Data Lake Analytics（DLA）来分析日志。该方案有以下三个优势：

LOG是针对实时数据一站式服务，在阿里集团经历大量大数据场景锤炼而成。提供日志类数据采集、智能查询分析、消费与投递等功能，全面提升海量日志处理/分析能力。LOG强大的日志投递能力，能够从源头对接各种类型的日志格式，并且稳定地将日志投递到指定的位置。
OSS低廉的存储成本，能够让您的日志文件存储任意长的时间。
DLA强大的分析能力，Serverless的架构，按扫描量收费。DLA可以对投递到OSS上的日志按年、按月、按日进行多维度的分区，提高日志的命中率，降低扫描量，从而以极低的成本、极高的性能来完成大数据量历史日志分析。

例如，服务部署在云服务器ECS（Elastic Compute Service，简称ECS）集群上，该集群的每台机器上都有一个记录访问情况的日志access.log。希望能够对access.log进行信息抽取，并将过滤后的信息存储至OSS上。本文档将以此为例，详细为您介绍实施步骤。

前提条件

在开始实施步骤之前，需要先完成以下准备工作。

参考文档LOG快速入门，开通日志服务、创建项目、创建日志库。
开通OSS服务、在日志服务项目所在的地域创建存储空间。
开通并初始化DLA服务。

实施步骤

步骤一：通过Logtail采集ECS日志。

详细操作请参见通过Logtail采集ECS日志。

根据本示例中的日志文件特点，Logtail配置如下所示。

模式选择完整正则模式，需要提供完整正则表达式。

步骤二：投递日志到OSS

详细操作请参见投递日志到OSS，并且日志服务投递OSS使用Parquet存储的相关配置。

在OSS投递功能页面，配置各项参数：

参数说明：

OSS Bucket和OSS Prefix设置日志投递到OSS的哪个目录。
修改分区格式，将分区列的名字填入到目录中，格式为分区列名=分区列值。

如图所示，修改分区格式默认值，即一级分区列的列名为year，列值为%Y；二级分区列的列名为month，列值为%m；三级分区列的列名为day，列值为%d。
存储格式设置为parquet。
压缩方式设置为snappy，使用snappy算法对数据做压缩，可以减少OSS Bucket存储空间使用量。

日志数据投递到OSS中以后，就可以通过DLA读取并分析OSS中的日志。

步骤三：在DLA中创建OSS连接

登录DLA控制台，登录DMS，在DLA中创建一个到OSS的连接。语法如下：

试用

CREATE SCHEMA oss_log_schema with DBPROPERTIES(
catalog='oss',
location = 'oss://myappbucket/sls_parquet/'
);

location：日志文件所在的OSS Bucket的目录，需以/结尾表示目录。myappbucket是OSS Bucket名字。

步骤四：在DLA中创建指向OSS日志文件的外表（分区表）

试用

CREATE EXTERNAL TABLE sls_parquet (
content STRING,
client STRING,
process_id STRING,
start_time STRING,
total_time STRING,
status STRING,
original_sql STRING,
rewritten_sql STRING
) PARTITIONED BY (year STRING, month STRING, day STRING)
STORED AS PARQUET
LOCATION 'oss://myappbucket/sls_parquet/';

注意：

新建表中的列名要和生成的parquet文件中设置的列名一致。

分区列的名称、顺序需要和步骤二：投递日志到OSS中的分区列一致。更多创建分区表信息，请参见通过DLA创建OSS分区表。

步骤五：使用MSCK命令更新分区信息

外表创建成功后，执行MSCK REPAIR TABLE将分区信息同步到DLA中。MSCK命令只能识别符合DLA分区列命名规则的目录，即分区列的目录名为分区列名=分区列值。

试用

MSCK REPAIR TABLE sls_parquet;

步骤六：查询分区表数据

分区信息同步完成后，使用SELECT语句对日志进行查询分析。例如，得到某一天查询最慢的5条语句。

试用

SELECT original_sql, total_time
FROM sls_parquet
WHERE client!=''
ORDER BY total_time DESC
LIMIT 5;

后续操作

上述示例中，日志数据投递OSS的存储格式为Parquet格式，除了Parquet格式，LOG还可以将投递文件的格式设置为JSON和CSV。详细的配置，请参见JSON格式和CSV格式。

JSON格式

当投递文件的格式设置为JSON且无压缩时，建表语句为：
试用
1. CREATE EXTERNAL TABLE sls_json (
2. content STRING,
3. client STRING,
4. process_id STRING,
5. start_time STRING,
6. total_time STRING,
7. status STRING,
8. original_sql STRING,
9. rewritten_sql STRING
10. ) PARTITIONED BY (year STRING, month STRING, day STRING)
11. STORED AS JSON
12. LOCATION 'oss://myappbucket/sls_json/';
当投递文件的格式设置为JSON且使用标准Snappy压缩时，建表语句为：
试用
1. CREATE EXTERNAL TABLE sls_json_snappy (
2. content STRING,
3. client STRING,
4. process_id STRING,
5. start_time STRING,
6. total_time STRING,
7. status STRING,
8. original_sql STRING,
9. rewritten_sql STRING
10. ) PARTITIONED BY (year STRING, month STRING, day STRING)
11. STORED AS JSON
12. LOCATION 'oss://myappbucket/sls_json_snappy/'
13. TBLPROPERTIES(
14. 'text.compression'='snappy',
15. 'io.compression.snappy.native'='true'
16. );

CSV格式

当投递文件的格式设置为CSV，不包含header，使用标准Snappy压缩时，建表语句为：
试用
1. CREATE EXTERNAL TABLE sls_csv_snappy (
2. content STRING,
3. client STRING,
4. process_id STRING,
5. start_time STRING,
6. total_time STRING,
7. status STRING,
8. original_sql STRING,
9. rewritten_sql STRING
10. ) PARTITIONED BY (year STRING, month STRING, day STRING)
11. ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
12. WITH SERDEPROPERTIES(
13. 'separatorChar'=',',
14. 'quoteChar'='"',
15. 'escapeChar'='\\'
16. )
17. STORED AS TEXTFILE
18. LOCATION 'oss://myappbucket/sls_csv_snappy/'
19. TBLPROPERTIES(
20. 'text.compression'='snappy',
21. 'io.compression.snappy.native'='true',
22. 'skip.header.line.count'='0'
23. );
当投递文件的格式设置为CSV无压缩，且包含header时，建表语句为：
试用
1. CREATE EXTERNAL TABLE sls_csv (
2. content STRING,
3. client STRING,
4. process_id STRING,
5. start_time STRING,
6. total_time STRING,
7. status STRING,
8. original_sql STRING,
9. rewritten_sql STRING
10. ) PARTITIONED BY (year STRING, month STRING, day STRING)
11. ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
12. WITH SERDEPROPERTIES(
13. 'separatorChar'=',',
14. 'quoteChar'='"',
15. 'escapeChar'='\\'
16. )
17. STORED AS TEXTFILE
18. LOCATION 'oss://myappbucket/sls_csv/'
19. TBLPROPERTIES(
20. 'skip.header.line.count'='1'
21. );