亿级业务日志系统演变过程

当线上出现问题时，我们可能无法快速准确的排查定位问题。为了解决这个问题，我们建立了一套业务日志系统。

痛点

你是否遇到过如下情况：线上偶尔出现一个问题，但我们并不能快速准确的排查定位该问题！

为了解决这个问题，快速准确的排查定位问题，我们建立了一套业务日志系统。

业务日志系统模块

我们业务日志系统模块主要分 4 个模块：

• 日志集中查询

• 业务编码配置

• 日志异步记录

• 日志存储

日志集中查询

由于你没有线上环境的权限，所以还需要运维帮你取一些日志。通常情况下，你是无法知道具体执行方法的代码位于集群中的哪台机器上，可能需要一台一台登录进行查询。为了避免这种情况，我们需要把所有日志统一到一个地方，提供统一的查询入口，供相应人员进行查询。

备注：登录系统，时间范围为当前时间-3 天 到当前时间 默认仅需要输入搜索条件即可进行搜索查询，如果需要调整时间，选择相应时间即可。

业务编码配置

由于每一个业务逻辑不一样，需要处理的数据也不一样，我们定义了一个下面类似的页面，每新加一个业务处理，添加一个业务，需要设置相应位置的字段的内容。

备注：定义完这个业务编码之后，我们输出的时候会在每个字段前面加上相应的解释，比如 ip 地址：123.145.33.25，而不是一些没有解释的直接输出的内容。

日志异步记录

如果记录日志慢，就会影响正常的业务流程，那么这个记录就是失败的！所以记录日志必须要走异步。

这里经历了 3 个大版本的演变，后续慢慢说明！

日志存储

对记录的日志进行处理，存储到相应地方，提供接口供统一查询进行调用。

这里也经历了 3 个大版本的演变，后续慢慢说明！

那些坑和演变过程

演变的过程，在我看来就是不断挖坑、填坑的过程！

上面提到业务日志系统的 4 个模块分别是：

• 日志集中查询

• 业务编码配置

• 日志异步记录

• 日志存储

其中关于日志异步记录、日志存储经历了一些坑，下面我们分别来谈谈。

日志异步记录的坑和演变过程

我们写一个通用工具类，通过在业务代码中间穿插发送日志代码

调用 sendMessage 方法发送日志如下：

String[] param = { ip, operStatus, result, errorMessage, userId,……等等的一些其他参数 };MessageLogsTempate.sendMessage("123456", param);

sendMessage 内部实现日志异步记录经历了三个过程：

• 走 activemq 记录日志

• 走 nginx 记录日志

• 走队列，异线程取队列走 nginx 记录日志

备注：记录日志的逻辑不能影响正常业务！！！

记录日志的逻辑不能影响正常业务！！！这个也很容易理解，但是我们以前就经历过这个坑。

大概在 2012-2013 年左右，我们当时讨论选择的框架就是走 mq，那样异步不会影响业务。当时就选择了 activemq。

做法思路就是 sendMessage 往 activemq 里面写数据，另外消费者消费 activemq 里面的数据。

思路也很简单，修改做起来也很简单，一直都挺好，有次业务高峰期，忽然整个系统很慢，最后排查定位发现是写 activemq 阻塞了。（具体原因很多，在这里就不详细说明了 ）。

使用 activemq 记录日志，出现阻塞，导致影响业务！问题很严重，后来我们就选择了通过走 nginx 记录日志了。

谈谈当时的想法，为什么没有继续选择其他 mq 呢？

• 时间紧迫，nginx 简单，并且用过 nginx 类似功能。

• mq 学习成本较大，同时也怕再次遇到类似 activemq 问题 。

由于上面的 2 个原因，最后我们选择了 nginx。

就变成了 sendMessage 方法通过调用 http 发送 nginx。

文件名称都是以小时来生成的，不同的情况会有不同的后缀，处理完成之后会修改文件名为 bak。

下面是测试环境类似日志：

有次我们通宵模拟的时候，发现如果 nginx 服务器特别卡顿的时候，会导致类似 activemq 一样的情况，会阻塞。

所以 sendMessage 方法继续修改：

最终我们的日志发送就变成：

日志发送完全异步，不管什么情况都不会影响业务！！！

日志存储的坑和演变过程

日志存储也同样经历了三个过程：

• 走 DB 存储

• 走 solrcloud 存储

• 走 es 集群存储

现在我们讨论后半段，之前不管是走 activemq 还是后面的异步 nginx 过程，开始的时候我们都是把数据存储在 DB 里。2012-2013 年的时候，数据不是特别多，也没发现特别大的问题，虽然搜索不太方便，但是还是可以搜索的（需要输入业务编码 ，相应属性输入值）

从上图可以发现，搜索不是特别方便，并且各个业务编码之间也不能相互搜索，一次只能搜索一个编码！但是还是可以使用，并且解决了很多问题！随着业务发展，日志越来越多，慢慢的数据入 DB 就跟不上了，就会面临一个问题：有时候一个日志生产了，但需要很久才可以查询的到。所以，我们就开始考虑解决这个问题，将单条插入修改为批量插入，性能提高了 n 倍，勉强做到了：日志产生后，5 分钟内可以处理入 DB。但是还是会有其它问题出现：

• 查询速度越来越慢！

• 跨业务编码间的搜索诉求越来越大！

• 模糊搜索很不理想！

针对这些问题，我们进行了专门的调研，SolrCloud 就进入了我们的视线了，solr 具备高级全文搜索能力：由 Lucene ™提供支持，Solr 可实现强大的匹配功能，包括短语、通配符、联接、分组以及任何数据类型 。

通过对 solr 的研究，我们用 solr 替换掉了 db，从而达到了下面的搜索情况：

不管搜索体验，还是搜索效率，都提高了很多，引入 SolrCloud 算是质的飞跃！并且还具备高亮，通过关键词、人员相关字段都可以进行匹配搜索到，如下：

选择一条记录点击，出现明细如下：

字段的解释名也会出现在行的左侧（这个就是之前配置的业务编码，不同的业务编码对应的字段是不一样的），后面是对应的值！

如果搜索条件在各个编码里面，如下，并且搜索的条件是红色的:

到这里之后，我们如果有什么问题，可以通过搜索这套日志系统，就可以快速准确的排查定位问题。这套系统不仅仅给开发查询问题，在周末、节假日值班的时候，我们的维护也通过可以通过这套系统进行查询，初步定位问题，解决 90%的问题。剩余的 10%的问题再到相应开发人员定位解决，提高了处理问题的响应速度，给用户一个好的体验！

本以为到这里很完美了，那里知道又要经历一波折磨人的时刻！

由于引入了 SolrCloud，业务发展迅速，日志量越来越多，1 天 2-3 亿的日志数据，查询速度在 1s 左右可以返回，但是 SolrCloud 忽然变的不稳定。

很早之前的测试环境

经常出现 SolrCloud OOM，需要重启，每次开发人员、维护人员都在喊:日志查不了！！！每次都需要重启之后补数据，特别节假日，晚上非常麻烦（solrcloud 太复杂当时没有想着看代码解决，曲线解决问题，我们定时 2 小时执行一次 FGC）经过执行 FGC 之后，出现频率问题低很多了，但是偶然还是会出现 OOM。

针对 SolrCloud 的问题很头疼，后来搜索发现 elasticsearch 和 solr 类似，并且互联网很多公司都用的是 es，决定研究下 es，看看是否可以采用！

通过研究 elasticsearch 发现和 solr 基本类似，替代也比较简单，就给替换了。

目前 elasticsearch 运行时间 2 年多了，并没有像 solr 那样的出现过 oom 等情况，非常稳定，这段期间也对 elasticsearch 进行过一些方面的优化（以后可以和大家分享）！

同一份数据多份去向的处理逻辑修改，由于之前我们的日志数据仅仅是流向到了 elasticsearch 集群，而有些数据特定的业务编码数据可能需要入库，有些需要进行大数据 fsdf，或者 redis 或者 kafka 中供大数据那边分析，所以我们对数据处理进行了修改，支持多种去向，并且做到已经有的处理可以立即配置生效。

由于日志系统太好用，记录的越来越多，我们发现有些日志没有必要，所以就对日志进行了分级（借鉴 log4j 的日志级别），这样很多一些低级别日志就不进入 elasticsearch 了。

我们日志的去向也可以根据业务编码进行动态的调整，控制去哪个维度，从而做到了灵活。

总结

这套业务日志系统经历了很多迭代，集合了很多人的智慧，不仅易用好用，而且可以快速准确的定位问题。希望我们做到的这套日志系统能够对读者有所帮助，我们要的不是屌炸天技术，而是稳定可靠易用，未来这套日志系统可能还会继续进行升级。