原文链接：http://click.aliyun.com/m/13995/
Logstash是一款开源日志收集处理框架，有各种不同的input、filter、output插件，用户使用这些插件可以将各种数据源导入到其他系统。
logstash-output-datahub插件，实现将数据导入DataHub的功能，通过简单的配置即可完成数据采集和向DataHub的传输任务。结合StreamCompute(Galaxy)用户可以方便的完成流式数据从采集，传输，开发到结果数据存储与展示的整套解决方案。同时，还可以通过创建Collector同步任务将数据同步到MaxCompute(ODPS),之后在MaxCompute上进行完备的数据开发工作。接下来，会将各个流程步骤在文章中作详细描述，以帮助用户使用Logstash＋DataHub＋StreamCompute/MaxCompute快速构建起自己的流式数据应用。
数据通道
是阿里云的基于飞天开发的pubsub服务；
创建用于数据采集与传输的DataHub Topic是我们的第一步。Endpoint列表
公共云DataHub服务Endpoint列表：
| 公有网络 | 经典网络ECS Endpoint | VPC ECS Endpoint |
|---|---|---|
基本概念
首先，明确DataHub中的几个概念，具体可参见：
Shard: Shard表示对一个Topic进行数据传输的并发通道，每个Shard会有对应的ID。每个Shard会有多种状态 : "Opening" - 启动中，"Active" - 启动完成可服务
Lifecycle: 表示一个Topic中写入数据可以保存的时间，以天为单位
Record: 用户数据和DataHub服务端交互的基本单位
Schema: 描述Record必须遵守的格式，以及每个字段的类型，包括：bigint、string、boolean、double和timestamp
创建Topic
目前DataHub提供的工具包括Datahub Java SDK和DataHub webconsole，另外console还处于试用阶段，若有需要可联系我们提供。
Webconsole
用户可在webconsole上完成对所属资源的基本操作，包括创建、查看、删除Topic以及数据抽样等。在webconsole中创建Topic如下所示:
SDK
依次调用以下接口来完成Project和Topic的创建，SDK的一些基本接口可参考。
public class DatahubClient { /** * 初始化DatahubClient， * @param conf Datahub的配置信息，包括用户的账号信息和datahub endpoint */ public DatahubClient(DatahubConfiguration conf); /** * 创建Datahub topic * @param projectName 该topic所属的project * @param topicName 要创建的topic名字 * @param shardCount 指定该topic的shard数量 * @param lifeCycle 数据回收时间 * @param recordType 该topic的record类型,包括TUPLE和BLOB * @param recordSchema 当recordType为TUPLE时，需要指定schema * @param desc topic的描述信息 */ public createTopic(String projectName, String topicName, int shardCount, int lifeCycle, RecordType recordType, RecordSchema recordSchema, String desc);} com.aliyun.datahub aliyun-sdk-datahub 2.3.0-public
数据采集
由于DataHub提供创建具有schema的Topic的功能，所以用户在使用logstash将数据采集到datahub时，可同时完成对原始数据清洗工作。这样在后续的数据分析工作中，用户能更加方便的进行数据开发。
安装
安装logstash-output-datahub插件，
$ {LOG_STASH_HOME}/bin/plugin install --local logstash-output-datahub-1.0.0.gem 直接下载免安装版logstash。 解压即可使用。
$ tar -xzvf logstash-with-datahub-2.3.0.tar.gz$ cd logstash-with-datahub-2.3.0
配置信息
我们以一条典型的日志为例，说明如何配置logstash和datahub topic.
示例日志为：
20:04:30.359 [qtp1453606810-20] INFO AuditInterceptor - [13pn9kdr5tl84stzkmaa8vmg] end /web/v1/project/fhp4clxfbu0w3ym2n7ee6ynh/statistics?executionName=bayes_poc_test GET, 187 ms
对应的Datahub Topic的schema定义为:
| 字段名称 | 字段类型 |
|---|---|
| request_time | STRING |
| thread_id | STRING |
| log_level | STRING |
| class_name | STRING |
| request_id | STRING |
| detail | STRING |
Logstash配置文件为:
input { file { path => "${APP_HOME}/log/bayes.log" start_position => "beginning" }}filter{ # 对每一条日志message进行分割，并将各分片指定对应的tag # 若将整条日志作为Topic的一个字段，可创建只包含(message string)字段的Topic，从而不用配置grok filter grok { match => { "message" => "(? \d\d:\d\d:\d\d\.\d+)\s+\[(? [\w\-]+)\]\s+(? \w+)\s+(? \w+)\s+\-(? .+)" } }}output { datahub { access_id => "" access_key => "" endpoint => "" project_name => "project" topic_name => "topic" #shard_id => "0" #shard_keys => ["thread_id"] dirty_data_continue => true dirty_data_file => "/Users/u1/trash/dirty.data" dirty_data_file_max_size => 1000 }} 启动logstash数据采集
使用命令启动logstash开始数据采集
logstash -f 上述配置文件地址
可使用参数 -b 指定每次batch大小，即每次请求的记录条数，可进行性能调试
# 缓存1000条数据后发送，不指定时默认为125(logstash的默认配置)logstash -f 上述配置文件地址 -b 1000
数据分析
目前DataHub和计算引擎StreamCompute(Galaxy)和MaxCompute(ODPS)已打通。
在StreamCompute中，可以通过配置DataHub数据源，直接进行数据开发，写入DataHub的数据会被StreamCompute订阅并进行实时计算。
同时，通过创建同步到MaxCompute的Collector，可以将DataHub数据同步到MaxCompute，从而在MaxCompute中进行数据开发。
StreamCompute
在StreamCompute中注册DataHub数据源。
在StreamCompute中查看或使用DataHub数据。
MaxCompute
可以通过创建Connector，将DataHub数据导入到MaxCompute(ODPS).
在Webconsole创建Connector是一件方便的事情，。如果有很多topic或者topic的field很多，不方便在页面上手动操作，也可以使用SDK。创建Connector
创建Connector之前，用户必须已创建好MaxCompute的Table，并且所使用的账号必须具备该MaxCompute Project的CreateInstance权限和归档ODPS表的Desc、Alter、Update权限。
在webconsole创建Connector步骤可参考.