Logstash: 应用实践 - 装载 CSV 文档到 Elasticsearch

【腾讯云 Elasticsearch Service】高可用，可伸缩，云端全托管。集成X-Pack高级特性，适用日志分析/企业搜索/BI分析等场景

在进行我们这个实践之前，相信大家已经安装好自己的 Logstash 环境。如果大家还没安装好Logstash，可以参照我之前的文章 “如何安装Elastic栈中的Logstash”。

Logstash 到底是做什么的？

我们先看一下如下的图：

简单地说，Logstash 就是位于 Data 和 Elasticsearch 之间的一个中间件。Logstash 是一个功能强大的工具，可与各种部署集成。它提供了大量插件。它从数据源实时地把数据进行采集，可帮助您解析，丰富，转换和缓冲来自各种来源的数据，并最终把数据传入到Elasticsearch之中。如果您的数据需要 Beats 中没有的其他处理，则需要将 Logstash 添加到部署中。Logstash 部署于 ingest node 之中。

更具体的描述：

在Logstash之中，它也分为三个部分：

Inputs
Filters
Ouput

Input 创建事件，Filter 修改输入事件，然后 Ouput 将它们发送到目标。 Input 和 Output 支持编解码器，使用编解码器，你可以在数据进入或退出管道时进行编码或解码，而不必使用单独的过滤器。默认情况下，Logstash 在管道（pipeline）阶段之间使用内存中有界队列（输入到过滤器和过滤器到输出）来缓冲事件。如果Logstash 不安全地终止，则存储在内存中的所有事件都将丢失。为防止数据丢失，您可以使 Logstash 通过使用持久队列将正在进行的事件持久化到磁盘上。可以通过在 logstash.yml 文件中设置 queue.type: persistent 属性来启用持久队列，该文件位于LOGSTASH_HOME/config 文件夹下。 logstash.yml 是一个配置文件，其中包含与 Logstash 相关的设置。默认情况下，文件存储在 LOGSTASH_HOME/data /queue 中。你可以通过在 logstash.yml 中设置 path.queue 属性来覆盖它。

Logstash 配置由一系列输入，过滤器和输出插件及其相应的属性组成。每个插件在解析，处理和最终以所需格式放置数据方面起着重要作用。输入插件生成事件，过滤器修改它们，输出将它们发送到其他系统。 Logstash 提供超过 200 个插件，以及创建和贡献自己的灵活性:

在我们安装的 Logstash bin 目录下，我们可以使用如下的命令来获得所有的 plugins：

代码语言：javascript复制

  $ ./logstash-plugin list

下载 Data

为了能够使得我的练习能够进行，我们必须先得到数据。我们可以到网址 kaggle.com 进行下载。该网站含有大量的数据可以供我们进行下载。我们在该网页搜索 “cars”：

我们可以得到一叫做“Classified Ads for Cars”的 dataset。从上面我们可以看到有大概有 92M 的数据，不多，但是确实也不少啊。对于我们做这个练习来说，确实应该是可以的了。在网页上，我们可以看到这个 csv 文件的所有的数据描述。我们可以先注册一个账号，然后点击 “Download” 按钮，下载这个数据，并解压这个文件。在我们的电脑的 “Downloads” 文件目录下可以看到被解压的文件 “all_anonymized_2015_11_2017_03.csv”。我们可以在我们的 home 目录下创建一个叫做 data 的目录，并把这个文件拷贝过去，并重新命名为 cars.csv。

代码语言：javascript复制

localhost:data liuxg$ tree.└── cars.csv 0 directories, 1 filelocalhost:data liuxg$ pwd/Users/liuxg/data

我们可以看到在data目录下只有叫做cars.csv的文件。我们可以打开这个文件，我们可以看到如下的内容：

这是一个非常大的文件。在这个文件里，我们可以看到 maker, model， mileage， manufacture 等等字段。

Index CSV 文件到 Elasticsearch

在上一节中，我们已经把我们的数据存入到我们的data目录中。在这节里我们来讲述如何把数据写入到 Elasticsearch 之中。首先，我们可以参阅链接 “Configuring Logstash”。我们需要创建一个属于我们自己的 config 文件。通常一个 config 文件由如下的三个部分组成：

代码语言：javascript复制

# This is a comment. You should use comments to describe# parts of your configuration.input {  ...} filter {  ...} output {  ...}

我们在之前已经创建好的目录data下创建一个叫做 longstash_cars.config 的文件。我们可以使用我们喜欢的编辑器来编辑这个文件。

logstash_cars.config 文件的内容如下：

代码语言：javascript复制

input {	file {		path => "/Users/liuxg/data/cars.csv"		start_position => "beginning"		sincedb_path => "/dev/null"	}} filter {	csv {		separator => "," 		columns => [ "maker", "model", "mileage", "manufacture_year", "engine_displacement",		"engine_power", "body_type", "color_slug", "stk_year", "transmission", "door_count",		"seat_count", "fuel_type", "date_created", "date_last_seen", "price_eur" ]	} 	mutate { convert => ["mileage", "integer"] }	mutate { convert => ["price_eur", "float"] }	mutate { convert => ["engine_power", "integer"] }	mutate { convert => ["door_count", "integer"] }	mutate { convert => ["seat_count", "integer"] }} output {	elasticsearch {		hosts => "localhost:9200"		index => "cars"		document_type => "sold_cars"	} 	stdout {}}

这里有几点需要说明的：

在 input 中，我们定义了一个文件，它的path指向我们的 csv 文件的位置。start_position 指向beginning。如果对于一个实时的数据源来说，它通常是 ending，这样表示它每次都是从最后拿到那个数据。sincedb_path 通常指向一个文件。这个文件保存上次操作的位置。针对我们的情况，我们设置为 /dev/null，表明，我们不存储这个数据
在 filter 中，CSV filter 是非常直接的，不太需要很多的解释。这里的 column 都来自于我们的 csv 表格。通常 Logstash 会把每个数据都当做是字符串。针对我们的情况，我们可看到 mileage 是一个整型数，price_eur 是一个浮点数。这些我们都需要进行调整。这个调整我们可以通过 mutate 来完成
在 output 之中，我们制定本地的 Elasticsearch 为我们的数据库，它的 index 是 cars，同时 document_type 为_doc。我们也同时使用 stdout，这样我们可以在terminal屏幕中看出数据在处理之中

装载数据到 Elasticsearch

我们首先进入到 Logstash 的安装目录，然后打入如下的命令：

代码语言：javascript复制

sudo ./bin/logstash -f ~/data/logstash_cars.config

提示：在运行 Logstash 时使用 -r 标志可让您在更改和保存配置后自动重新加载配置。在测试新配置时，这将很有用，因为你可以对其进行修改，这样就不必在每次更改配置时都手动启动Logstash。

然后，我们可以在屏幕上看到如下的输出：

同时如果我们这在 Kibana 上可以看到正在 index 的 cars index数量（count)是一直变化的。

因为这是一个很大的文件，所以建立索引需要一段时间，而且我的电脑也将会是非常的热。

经过一段时间的运行，我们可以看到屏幕上不再滚动了，表明Logstash已经完成了数据的传输。我们可以在 Kibana上打入如下的命令：

代码语言：javascript复制

GET cars/_stats

我看可以看到我们的cars Index的统计数据：

我们可以看到共有 3,167,984 条数据，并且它的大小有 2.466G 这么大的数据。

我们可以打入如下的命令：

代码语言：javascript复制

GET cars

我们可以看到 Elasticsearch 已经为我们创建好了 mapping，并且它们的数据类型也可以看到：

代码语言：javascript复制

{  "cars" : {    "aliases" : { },    "mappings" : {      "properties" : {        "@timestamp" : {          "type" : "date"        },     ...        "color_slug" : {          "type" : "text",          "fields" : {            "keyword" : {              "type" : "keyword",              "ignore_above" : 256            }          }        },        "door_count" : {          "type" : "long"        },        "engine_power" : {          "type" : "long"        },        "fuel_type" : {          "type" : "text",          "fields" : {            "keyword" : {              "type" : "keyword",              "ignore_above" : 256            }          }        },        "host" : {          "type" : "text",          "fields" : {            "keyword" : {              "type" : "keyword",              "ignore_above" : 256            }          }        },    ...    },    "settings" : {      "index" : {        "creation_date" : "1567949013407",        "number_of_shards" : "1",        "number_of_replicas" : "1",        "uuid" : "tYT-XWpFTGiqwn_rMX4S3A",        "version" : {          "created" : "7030099"        },        "provided_name" : "cars"      }    }  }}

我们可以看到 door_count 及 engine_power 都已经修改为 long 数据类型了。在默认的情况下已经为我们创建了一个 replica。