ELK構建MySQL慢日志收集平台詳解

上篇文章《中小團隊快速構建SQL自動審核系統》我們完成了SQL的自動審核與執行，不僅提高了效率還受到了同事的肯定，心里美滋滋。但關於慢查詢的收集及處理也耗費了我們太多的時間和精力，如何在這一塊也能提升效率呢？且看本文講解如何利用ELK做慢日志收集

ELK介紹

ELK最早是Elasticsearch（以下簡稱ES）、Logstash、Kibana三款開源軟件的簡稱，三款軟件后來被同一公司收購，並加入了Xpark、Beats等組件，改名為Elastic Stack，成為現在最流行的開源日志解決方案，雖然有了新名字但大家依然喜歡叫她ELK，現在所說的ELK就指的是基於這些開源軟件構建的日志系統。

我們收集mysql慢日志的方案如下：

• mysql服務器安裝Filebeat作為agent收集slowLog
• Filebeat讀取mysql慢日志文件做簡單過濾傳給Kafka集群
• Logstash讀取Kafka集群數據並按字段拆分后轉成JSON格式存入ES集群
• Kibana讀取ES集群數據展示到web頁面上

慢日志分類

目前主要使用的mysql版本有5.5、5.6和5.7，經過仔細對比發現每個版本的慢查詢日志都稍有不同，如下：

5.5版本慢查詢日志

# Time: 180810  8:45:12
# User@Host: select[select] @  [10.63.253.59]
# Query_time: 1.064555  Lock_time: 0.000054 Rows_sent: 1  Rows_examined: 319707
SET timestamp=1533861912;
SELECT COUNT(*) FROM hs_forum_thread t  WHERE t.`fid`='50' AND t.`displayorder`>='0';

5.6版本慢查詢日志

# Time: 160928 18:36:08
# User@Host: root[root] @ localhost []  Id:  4922
# Query_time: 5.207662  Lock_time: 0.000085 Rows_sent: 1  Rows_examined: 526068
use db_name;
SET timestamp=1475058968;
select count(*) from redeem_item_consume where id<=526083;

5.7版本慢查詢日志

# Time: 2018-07-09T10:04:14.666231Z
# User@Host: bbs_code[bbs_code] @  [10.82.9.220]  Id: 9304381
# Query_time: 5.274805  Lock_time: 0.000052 Rows_sent: 0  Rows_examined: 2
SET timestamp=1531130654;
SELECT * FROM pre_common_session WHERE  sid='Ba1cSC'  OR lastactivity<1531129749;

慢查詢日志異同點：

1. 每個版本的Time字段格式都不一樣
2. 相較於5.6、5.7版本，5.5版本少了Id字段
3. use db語句不是每條慢日志都有的
4. 可能會出現像下邊這樣的情況，慢查詢塊# Time：下可能跟了多個慢查詢語句

# Time: 160918  2:00:03
# User@Host: dba_monitor[dba_monitor] @  [10.63.144.82]  Id:   968
# Query_time: 0.007479  Lock_time: 0.000181 Rows_sent: 172  Rows_examined: 344
SET timestamp=1474135203;
SELECT table_schema as 'DB',table_name as 'TABLE',CONCAT(ROUND(( data_length + index_length ) / ( 1024 * 1024 *1024 ), 2), '') as 'TOTAL',TABLE_COMMENT  FROM information_schema.TABLES ORDER BY data_length + index_length DESC;
# User@Host: dba_monitor[dba_monitor] @  [10.63.144.82]  Id:   969
# Query_time: 0.003303  Lock_time: 0.000395 Rows_sent: 233  Rows_examined: 233
SET timestamp=1474135203;
select TABLE_SCHEMA,TABLE_NAME,COLUMN_NAME,ORDINAL_POSITION,COLUMN_TYPE,ifnull(COLUMN_COMMENT,0) from COLUMNS where table_schema not in ('mysql','information_schema','performance_schema','test');

處理思路

上邊我們已經分析了各個版本慢查詢語句的構成，接下來我們就要開始收集這些數據了，究竟應該怎么收集呢？

1. 拼裝日志行：mysql的慢查詢日志多行構成了一條完整的日志，日志收集時要把這些行拼裝成一條日志傳輸與存儲。
2. Time行處理：# Time: 開頭的行可能不存在，且我們可以通過SET timestamp這個值來確定SQL執行時間，所以選擇過濾丟棄Time行
3. 一條完整的日志：最終將以# User@Host:開始的行，和以SQL語句結尾的行合並為一條完整的慢日志語句
4. 確定SQL對應的DB：use db這一行不是所有慢日志SQL都存在的，所以不能通過這個來確定SQL對應的DB，慢日志中也沒有字段記錄DB，所以這里建議為DB創建賬號時添加db name標識，例如我們的賬號命名方式為：projectName_dbName，這樣看到賬號名就知道是哪個DB了
5. 確定SQL對應的主機：我想通過日志知道這條SQL對應的是哪台數據庫服務器怎么辦？慢日志中同樣沒有字段記錄主機，可以通過filebeat注入字段來解決，例如我們給filebeat的name字段設置為服務器IP，這樣最終通過beat.name這個字段就可以確定SQL對應的主機了

Filebeat配置

filebeat完整的配置文件如下：

filebeat.prospectors:

- input_type: log
  paths:
    - /home/opt/data/slow/mysql_slow.log

  exclude_lines: ['^\# Time']
  
  multiline.pattern: '^\# Time|^\# User'
  multiline.negate: true
  multiline.match: after
  
  tail_files: true

name: 10.82.9.89

output.kafka:
  hosts: ["10.82.9.202:9092","10.82.9.203:9092","10.82.9.204:9092"]
  topic: mysql_slowlog_v2

重要參數解釋：

• input_type：指定輸入的類型是log或者是stdin
• paths：慢日志路徑，支持正則比如/data/*.log
• exclude_lines：過濾掉# Time開頭的行
• multiline.pattern：匹配多行時指定正則表達式，這里匹配以# Time或者# User開頭的行，Time行要先匹配再過濾
• multiline.negate：定義上邊pattern匹配到的行是否用於多行合並，也就是定義是不是作為日志的一部分
• multiline.match：定義如何將皮排行組合成時間，在之前或者之后
• tail_files：定義是從文件開頭讀取日志還是結尾，這里定義為true，從現在開始收集，之前已存在的不管
• name：設置filebeat的名字，如果為空則為服務器的主機名，這里我們定義為服務器IP
• output.kafka：配置要接收日志的kafka集群地址可topic名稱

Kafka接收到的日志格式：

{"@timestamp":"2018-08-07T09:36:00.140Z","beat":{"hostname":"db-7eb166d3","name":"10.63.144.71","version":"5.4.0"},"input_type":"log","message":"# User@Host: select[select] @  [10.63.144.16]  Id: 23460596\n# Query_time: 0.155956  Lock_time: 0.000079 Rows_sent: 112  Rows_examined: 366458\nSET timestamp=1533634557;\nSELECT DISTINCT(uid) FROM common_member WHERE hideforum=-1 AND uid != 0;","offset":1753219021,"source":"/data/slow/mysql_slow.log","type":"log"}

Logstash配置

logstash完整的配置文件如下：

input {
    kafka {
        bootstrap_servers => "10.82.9.202:9092,10.82.9.203:9092,10.82.9.204:9092"
        topics => ["mysql_slowlog_v2"]
    }
}

filter {
    json {
        source => "message"
    }

    grok {
        # 有ID有use
        match => [ "message", "(?m)^# User@Host: %{USER:user}\[[^\]]+\] @ (?:(?<clienthost>\S*) )?\[(?:%{IP:clientip})?\]\s+Id:\s%{NUMBER:id:int}\n# Query_time: %{NUMBER:query_time:float}\s+Lock_time: %{NUMBER:lock_time:float}\s+Rows_sent: %{NUMBER:rows_sent:int}\s+Rows_examined: %{NUMBER:rows_examined:int}\nuse\s(?<dbname>\w+);\nSET\s+timestamp=%{NUMBER:timestamp_mysql:int};\n(?<query>.*)" ]

        # 有ID無use
        match => [ "message", "(?m)^# User@Host: %{USER:user}\[[^\]]+\] @ (?:(?<clienthost>\S*) )?\[(?:%{IP:clientip})?\]\s+Id:\s%{NUMBER:id:int}\n# Query_time: %{NUMBER:query_time:float}\s+Lock_time: %{NUMBER:lock_time:float}\s+Rows_sent: %{NUMBER:rows_sent:int}\s+Rows_examined: %{NUMBER:rows_examined:int}\nSET\s+timestamp=%{NUMBER:timestamp_mysql:int};\n(?<query>.*)" ]

        # 無ID有use
        match => [ "message", "(?m)^# User@Host: %{USER:user}\[[^\]]+\] @ (?:(?<clienthost>\S*) )?\[(?:%{IP:clientip})?\]\n# Query_time: %{NUMBER:query_time:float}\s+Lock_time: %{NUMBER:lock_time:float}\s+Rows_sent: %{NUMBER:rows_sent:int}\s+Rows_examined: %{NUMBER:rows_examined:int}\nuse\s(?<dbname>\w+);\nSET\s+timestamp=%{NUMBER:timestamp_mysql:int};\n(?<query>.*)" ]

        # 無ID無use
        match => [ "message", "(?m)^# User@Host: %{USER:user}\[[^\]]+\] @ (?:(?<clienthost>\S*) )?\[(?:%{IP:clientip})?\]\n# Query_time: %{NUMBER:query_time:float}\s+Lock_time: %{NUMBER:lock_time:float}\s+Rows_sent: %{NUMBER:rows_sent:int}\s+Rows_examined: %{NUMBER:rows_examined:int}\nSET\s+timestamp=%{NUMBER:timestamp_mysql:int};\n(?<query>.*)" ]
    }

    date {
        match => ["timestamp_mysql","UNIX"]
        target => "@timestamp"
    }

}

output {
    elasticsearch {
        hosts => ["10.82.9.208:9200","10.82.9.217:9200"]
        index => "mysql-slowlog-%{+YYYY.MM.dd}"
    }
}

重要參數解釋：

• input：配置kafka的集群地址和topic名字
• filter：過濾日志文件，主要是對message信息（看前文kafka接收到的日志格式）進行拆分，拆分成一個一個易讀的字段，例如User、Host、Query_time、Lock_time、timestamp等。grok段根據我們前文對mysql慢日志的分類分別寫不通的正則表達式去匹配，當有多條正則表達式存在時，logstash會從上到下依次匹配，匹配到一條后邊的則不再匹配。date字段定義了讓SQL中的timestamp_mysql字段作為這條日志的時間字段，kibana上看到的實踐排序的數據依賴的就是這個時間
• output：配置ES服務器集群的地址和index，index自動按天分割

kibana查詢展示

• 打開Kibana添加mysql-slowlog-*的Index，並選擇timestamp，創建Index Pattern
  

• 進入Discover頁面，可以很直觀的看到各個時間點慢日志的數量變化，可以根據左側Field實現簡單過濾，搜索框也方便搜索慢日志，例如我要找查詢時間大於2s的慢日志，直接在搜索框輸入query_time: > 2回車即可
  

• 點擊每一條日志起邊的很色箭頭能查看具體某一條日志的詳情
  

• 如果你想做個大盤統計慢日志的整體情況，例如top 10 SQL等，也可以很方便的通過web界面配置
  

總結

1. 不要望而卻步，當你開始去做已經成功一半了
2. 本篇文章詳細介紹了關於mysql慢日志的收集，收集之后的處理呢？我們目前是DBA每天花時間去Kibana上查看分析，有優化的空間就跟開發一起溝通優化，后邊達成默契之后考慮做成自動報警或處理
3. 關於報警ELK生態的xpark已經提供，且最新版本也開源了，感興趣的可以先研究起來，歡迎一起交流

---