一、概述

ELK 是三個開源軟件的縮寫，分別表示：Elasticsearch , Logstash, Kibana , 它們都是開源軟件。新增了一個 FileBeat，它是一個輕量級的日志收集處理工具 (Agent)，Filebeat 占用資源少，適合于在各個服務器上搜集日志后傳輸給 Logstash，官方也推薦此工具。

大致流程圖如下：

1）Elasticsearch 存儲

?

Elasticsearch 是個開源分布式搜索引擎，提供搜集、分析、存儲數據三大功能。它的特點有：分布式，零配置，自動發現，索引自動分片，索引副本機制，restful 風格接口，多數據源，自動搜索負載等。

2）Filebeat 日志數據采集

?

filebeat 是 Beats 中的一員，Beats 在是一個輕量級日志采集器，其實 Beats 家族有 6 個成員，早期的 ELK 架構中使用 Logstash 收集、解析日志，但是 Logstash 對內存、cpu、io 等資源消耗比較高。相比 Logstash，Beats 所占系統的 CPU 和內存幾乎可以忽略不計。

?

Filebeat 是用于轉發和集中日志數據的輕量級傳送工具。Filebeat 監視您指定的日志文件或位置，收集日志事件。

目前 Beats 包含六種工具：

Packetbeat：網絡數據（收集網絡流量數據）

Metricbeat：指標（收集系統、進程和文件系統級別的 CPU 和內存使用情況等數據）

Filebeat：日志文件（收集文件數據）

Winlogbeat：windows 事件日志（收集 Windows 事件日志數據）

Auditbeat：審計數據（收集審計日志）

Heartbeat：運行時間監控（收集系統運行時的數據）

工作的流程圖如下：

優點

Filebeat 只是一個二進制文件沒有任何依賴。它占用資源極少。

缺點

Filebeat 的應用范圍十分有限，因此在某些場景下咱們會碰到問題。在 5.x 版本中，它還具有過濾的能力。

3）Kafka

?

kafka 能幫助我們削峰。ELK 可以使用 redis 作為消息隊列，但 redis 作為消息隊列不是強項而且 redis 集群不如專業的消息發布系統 kafka。kafka 安裝可以參考我之前的文章：Kafka 原理介紹+安裝+基本操作（kafka on k8s）[1]。

4）Logstash 過濾

?

Logstash 主要是用來日志的搜集、分析、過濾日志的工具，支持大量的數據獲取方式。一般工作方式為 c/s 架構，client 端安裝在需要收集日志的主機上，server 端負責將收到的各節點日志進行過濾、修改等操作在一并發往 elasticsearch 上去。

優點

可伸縮性

?

節拍應該在一組 Logstash 節點之間進行負載平衡。建議至少使用兩個 Logstash 節點以實現高可用性。每個 Logstash 節點只部署一個 Beats 輸入是很常見的，但每個 Logstash 節點也可以部署多個 Beats 輸入，以便為不同的數據源公開獨立的端點。

彈性

?

Logstash 持久隊列提供跨節點故障的保護。對于 Logstash 中的磁盤級彈性，確保磁盤冗余非常重要。對于內部部署，建議您配置 RAID。在云或容器化環境中運行時，建議您使用具有反映數據 SLA 的復制策略的永久磁盤。

可過濾

?

對事件字段執行常規轉換。您可以重命名，刪除，替換和修改事件中的字段。

缺點

Logstash 耗資源較大，運行占用 CPU 和內存高。另外沒有消息隊列緩存，存在數據丟失隱患。

5）Kibana 展示

?

Kibana 也是一個開源和免費的工具，Kibana 可以為 Logstash 和 ElasticSearch 提供的日志分析友好的 Web 界面，可以幫助匯總、分析和搜索重要數據日志。

filebeat 和 logstash 的關系

?

因為 logstash 是 jvm 跑的，資源消耗比較大，所以后來作者又用 golang 寫了一個功能較少但是資源消耗也小的輕量級的 logstash-forwarder。不過作者只是一個人，加入 http://elastic.co 公司以后，因為 es 公司本身還收購了另一個開源項目 packetbeat，而這個項目專門就是用 golang 的，有整個團隊，所以 es 公司干脆把 logstash-forwarder 的開發工作也合并到同一個 golang 團隊來搞，于是新的項目就叫 filebeat 了。

二、helm3 安裝 ELK

詳細流程圖如下：

1）準備條件

1、添加 helm 倉庫

$helmrepoaddelastichttps://helm.elastic.co

2）helm3 安裝 elasticsearch

1、自定義 values

?

主要是設置 storage Class 持久化和資源限制，本人電腦資源有限，所以這里就把資源調小了很多，小伙伴們可以根據自己配置自定義哈。

#集群名稱
clusterName:"elasticsearch"
#ElasticSearch6.8+默認安裝了x-pack插件，部分功能免費，這里選禁用
esConfig:
elasticsearch.yml:|
network.host:0.0.0.0
cluster.name:"elasticsearch"
xpack.security.enabled:false
resources:
requests:
memory:1Gi
volumeClaimTemplate:
storageClassName:"bigdata-nfs-storage"
accessModes:["ReadWriteOnce"]
resources:
requests:
storage:3Gi
service:
type:NodePort
port:9000
nodePort:31311

?

禁用 Kibana 安全提示（Elasticsearch built-in security features are not enabled）xpack.security.enabled: false

2、開始安裝 Elasitcsearch

?

安裝過程比較慢，因為官方鏡像下載比較慢

$helminstalleselastic/elasticsearch-fmy-values.yaml--namespacebigdata

W12072357.98028321465warnings.go:70]policy/v1beta1PodDisruptionBudgetisdeprecatedinv1.21+,unavailableinv1.25+;usepolicy/v1PodDisruptionBudget
W12072358.01541621465warnings.go:70]policy/v1beta1PodDisruptionBudgetisdeprecatedinv1.21+,unavailableinv1.25+;usepolicy/v1PodDisruptionBudget
NAME:es
LASTDEPLOYED:TueDec723572021
NAMESPACE:bigdata
STATUS:deployed
REVISION:1
NOTES:
1.Watchallclustermemberscomeup.
$kubectlgetpods--namespace=bigdata-lapp=elasticsearch-master-w2.TestclusterhealthusingHelmtest.
$helm--namespace=bigdatatestes

查看，需要所有 pod 都正常運行才正常，下載鏡像有點慢，需要稍等一段時間再查看

$kubectlgetpod-nbigdata-lapp=elasticsearch-master
$kubectlgetpvc-nbigdata
$watchkubectlgetpod-nbigdata-lapp=elasticsearch-master

3、驗證

$helm--namespace=bigdatatestes
$kubectlgetpod,svc-nbigdata-lapp=elasticsearch-master-owide
$curl192.168.0.113:31311/_cat/health
$curl192.168.0.113:31311/_cat/nodes

4、清理

$helmuninstalles-nbigdata
$kubectldeletepvcelasticsearch-master-elasticsearch-master-0-nbigdata
$kubectldeletepvcelasticsearch-master-elasticsearch-master-1-nbigdata
$kubectldeletepvcelasticsearch-master-elasticsearch-master-2-nbigdata

3）helm3 安裝 Kibana

1、自定義 values

域名（elasticsearch-master-headless.bigdata.svc.cluster.local）的由來不清楚的，可以參考我之前的文章：Kubernetes（k8s）DNS（CoreDNS）介紹[2]

$cat<my-values.yaml
#此處修改了kibana的配置文件，默認位置/usr/share/kibana/kibana.yaml
kibanaConfig:
kibana.yml:|
server.port:5601
server.host:"0.0.0.0"
elasticsearch.hosts:["elasticsearch-master-headless.bigdata.svc.cluster.local:9200"]
resources:
requests:
cpu:"1000m"
memory:"256Mi"
limits:
cpu:"1000m"
memory:"1Gi"
service:
#type:ClusterIP
type:NodePort
loadBalancerIP:""
port:5601
nodePort:"30026"
EOF

2、開始安裝 Kibana

$helminstallkibanaelastic/kibana-fmy-values.yaml--namespacebigdata

3、驗證

$kubectlgetpod,svc-nbigdata-lapp=kibana

瀏覽器訪問：http://192.168.0.113:30026/

4、清理

$helmuninstallkibana-nbigdata

4）helm3 安裝 Filebeat

?

filebeat 默認收集宿主機上 docker 的日志路徑：/var/lib/docker/containers。如果我們修改了 docker 的安裝路徑要怎么收集呢，很簡單修改 chart 里的 DaemonSet 文件里邊的 hostPath 參數：

-name:varlibdockercontainers
hostPath:
path:/var/lib/docker/containers#改為docker安裝路徑

當然也可以自定義 values 修改，這里推薦自定義 values 方式修改采集日志路徑

1、自定義 values

?

默認是將數據存儲到 ES，這里做修改數據存儲到 Kafka

$cat<my-values.yaml
daemonset:
filebeatConfig:
filebeat.yml:|
filebeat.inputs:
-type:container
paths:
-/var/log/containers/*.log

output.elasticsearch:
enabled:false
host:'${NODE_NAME}'
hosts:'${ELASTICSEARCH_HOSTS9200}'
output.kafka:
enabled:true
hosts:["kafka-headless.bigdata.svc.cluster.local:9092"]
topic:test
EOF

2、開始安裝 Filefeat

$helminstallfilebeatelastic/filebeat-fmy-values.yaml--namespacebigdata
$kubectlgetpods--namespace=bigdata-lapp=filebeat-filebeat-w

3、驗證

#先登錄kafka客戶端
$kubectlexec--tty-ikafka-client--namespacebigdata--bash
#再消費數據
$kafka-console-consumer.sh--bootstrap-serverkafka.bigdata.svc.cluster.local:9092--topictest

看到已經可以消費數據了，說明數據已經存儲到 kafka 了。

查看 kafka 數據積壓情況

$kubectlexec--tty-ikafka-client--namespacebigdata--bash
$kafka-consumer-groups.sh--bootstrap-serverkafka-0.kafka-headless.bigdata.svc.cluster.local:9092--describe--groupmygroup

發現大量數據都是處于積壓的狀態

接下來就是部署 logstash 去消費 kafka 數據，最后存儲到 ES。

4、清理

$helmuninstallfilebeat-nbigdata

5）helm3 安裝 Logstash

1、自定義 values

?

【注意】記得把 ES 和 kafka 的地址換成自己環境的。

$cat<my-values.yaml
logstashConfig:
logstash.yml:|
xpack.monitoring.enabled:false

logstashPipeline:
logstash.yml:|
input{
kafka{
bootstrap_servers=>"kafka-headless.bigdata.svc.cluster.local:9092"
topics=>["test"]
group_id=>"mygroup"
#如果使用元數據就不能使用下面的byte字節序列化，否則會報錯
#key_deserializer_class=>"org.apache.kafka.common.serialization.ByteArrayDeserializer"
#value_deserializer_class=>"org.apache.kafka.common.serialization.ByteArrayDeserializer"
consumer_threads=>1
#默認為false，只有為true的時候才會獲取到元數據
decorate_events=>true
auto_offset_reset=>"earliest"
}
}
filter{
mutate{
#從kafka的key中獲取數據并按照逗號切割
split=>["[@metadata][kafka][key]",","]
add_field=>{
#將切割后的第一位數據放入自定義的“index”字段中
"index"=>"%{[@metadata][kafka][key][0]}"
}
}
}
output{
elasticsearch{
pool_max=>1000
pool_max_per_route=>200
hosts=>["elasticsearch-master-headless.bigdata.svc.cluster.local:9200"]
index=>"test-%{+YYYY.MM.dd}"
}
}

#資源限制
resources:
requests:
cpu:"100m"
memory:"256Mi"
limits:
cpu:"1000m"
memory:"1Gi"

volumeClaimTemplate:
accessModes:["ReadWriteOnce"]
resources:
requests:
storage:3Gi
EOF

output plugin 輸出插件，將事件發送到特定目標：

?

stdout { codec => rubydebug } // 開啟 debug 模式，可在控制臺輸出

stdout ：標準輸出。將事件輸出到屏幕上

output{
    stdout{
        codec => "rubydebug"
    }
}

file ：將事件寫入文件

output{
   file {
       path => "/data/logstash/%{host}/{application}
       codec => line { format => "%{message}"} }
    }
}

kafka ：將事件發送到 kafka

output{
   kafka{
        bootstrap_servers => "localhost:9092"
        topic_id => "test_topic"  #必需的設置。生成消息的主題
    }
}

elasticseach ：在 es 中存儲日志

output{
   elasticsearch {
        #user => elastic
        #password => changeme
        hosts => "localhost:9200"
        index => "nginx-access-log-%{+YYYY.MM.dd}"  
    }
}

2、開始安裝 Logstash

$helminstalllogstashelastic/logstash-fmy-values.yaml--namespacebigdata

$kubectlgetpods--namespace=bigdata-lapp=logstash-logstash

3、驗證

1、登錄 kibana 查看索引是否創建

2、查看 logs

$kubectllogs-flogstash-logstash-0-nbigdata>logs
$tail-100logs

3、查看 kafka 消費情況

$kubectlexec--tty-ikafka-client--namespacebigdata--bash
$kafka-consumer-groups.sh--bootstrap-serverkafka-0.kafka-headless.bigdata.svc.cluster.local:9092--describe--groupmygroup

4、通過 kibana 查看索引數據（Kibana 版本：7.15.0） 創建索引模式

?

Management-》Stack Management-》Kibana-》Index patterns

通過上面創建的索引模式查詢數據（Discover）

4、清理

$helmuninstalllogstash-nbigdata

三、ELK 相關的備份組件和備份方式

Elasticsearch 備份兩種方式：

將數據導出成文本文件，比如通過elasticdump[3]、esm[4]等工具將存儲在 Elasticsearch 中的數據導出到文件中。適用數據量小的場景。

備份 elasticsearch data 目錄中文件的形式來做快照，借助 Elasticsearch 中 snapshot 接口實現的功能。適用大數據量的場景。

1）Elasticsearch 的 snapshot 快照備份

優點：通過 snapshot 拍攝快照，然后定義快照備份策略，能夠實現快照自動化存儲，可以定義各種策略來滿足自己不同的備份

缺點：還原不夠靈活，拍攝快照進行備份很快，但是還原的時候沒辦法隨意進行還原，類似虛擬機快照

1、配置備份目錄

在 elasticsearch.yml 的配置文件中注明可以用作備份路徑 path.repo ，如下所示：

path.repo:["/mount/backups","/mount/longterm_backups"]

配置好后，就可以使用 snapshot api 來創建一個 repository 了，如下我們創建一個名為 my_backup 的 repository。

PUT/_snapshot/my_backup
{
"type":"fs",
"settings":{
"location":"/mount/backups/my_backup"
}
}

2、開始通過 API 接口備份

有了 repostiroy 后，我們就可以做備份了，也叫快照，也就是記錄當下數據的狀態。如下所示我們創建一個名為snapshot_1的快照。

PUT/_snapshot/my_backup/snapshot_1?wait_for_completion=true

?

【溫馨提示】wait_for_completion 為 true 是指該 api 在備份執行完畢后再返回結果，否則默認是異步執行的，我們這里為了立刻看到效果，所以設置了該參數，線上執行時不用設置該參數，讓其在后臺異步執行即可。

3、增量備份

PUT/_snapshot/my_backup/snapshot_2?wait_for_completion=true

?

當執行完畢后，你會發現 /mount/backups/my_backup 體積變大了。這說明新數據備份進來了。要說明的一點是，當你在同一個 repository 中做多次 snapshot 時，elasticsearch 會檢查要備份的數據 segment 文件是否有變化，如果沒有變化則不處理，否則只會把發生變化的 segment file 備份下來。這其實就實現了增量備份。

4、數據恢復

通過調用如下 api 即可快速實現恢復功能：

POST/_snapshot/my_backup/snapshot_1/_restore?wait_for_completion=true
{
"indices":"index_1",
"rename_replacement":"restored_index_1"
}

2）elasticdump 備份遷移 es 數據

索引數據導出為文件（備份）

#導出索引Mapping數據
$elasticdump
--input=http://es實例IP:9200/index_name/index_type
--output=/data/my_index_mapping.json#存放目錄
--type=mapping
#導出索引數據
$elasticdump
--input=http://es實例IP:9200/index_name/index_type
--output=/data/my_index.json
--type=data

索引數據文件導入至索引（恢復）

#Mapping數據導入至索引
$elasticdump
--output=http://es實例IP:9200/index_name
--input=/home/indexdata/roll_vote_mapping.json#導入數據目錄
--type=mapping
#ES文檔數據導入至索引
$elasticdump
--output=http:///es實例IP:9200/index_name
--input=/home/indexdata/roll_vote.json
--type=data

可直接將備份數據導入另一個 es 集群

$elasticdump--input=http://127.0.0.1:9200/test_event--output=http://127.0.0.2:9200/test_event--type=data

type 類型

type 是 ES 數據導出導入類型，Elasticdump 工具支持以下數據類型：

type 類型	說明
mapping	ES 的索引映射結構數據
data	ES 的數據
settings	ES 的索引庫默認配置
analyzer	ES 的分詞器
template	ES 的模板結構數據
alias	ES 的索引別名

3）esm 備份遷移 es 數據

備份 es 數據

$esm-shttp://10.33.8.103:9201-x"petition_data"-b5--count=5000--sliced_scroll_size=10--refresh-o=./es_backup.bin

?

-w 表示線程數 -b 表示一次 bulk 請求數據大小，單位 MB 默認 5M -c 一次 scroll 請求數量 導入恢復 es 數據

$esm-dhttp://172.16.20.20:9201-y"petition_data6"-c5000-b5--refresh-i=./dump.bin

四、彩蛋

還有個日志系統架構跟 ELK 架構很相似（Elasticsearch、Flume、Kafka、Flink、Kibana），只是把 Filebeat 換成了 Flume，Logstash 換成了 Flink。后面也會寫篇文章分享出來，請耐心等待……