日志大家都不陌生，无论是电脑还是手机每天会产生大量的日志，处理这些日志需要专门的日志系统，这些日志系统普遍需要具有以下特点：
（1）构建应用系统和分析系统的桥梁，并将它们之间的关联解耦；
（2）支持近实时的在线分析系统和类似于Hadoop之类的离线分析系统；
（3）具有高可扩展性。即：当数据量增加时，可以通过增加节点进行水平扩展。
我们就从设计架构，负载均衡，可扩展性和容错性等方面对比当今比较有名气的几款日志系统，以便为了更好地了解日志系统。
1、Scribe
Scribe是FaceBook开源的日志收集系统，在FaceBook内部已经得到大量的应用，它能够从各种日志源上收集日志，存储到一个中央存储系统 （可以是NFS，分布式文件系统等）上，以便于进行集中统计分析处理。它为日志的“分布式收集，统一处理”提供了一个可扩展的，高容错的方案。它最重要的特点是容错性好，当后端的存储系统crash时，Scribe会将数据写到本地磁盘上，当存储系统恢复正常后，Scribe将日志重新加载到存储系统中。
Scribe的架构比较简单主要包括三部分，分别为Scribe agent， Scribe和存储系统。
1.1、Scribe agent
Scribe agent实际上是一个thrift client，向Scribe发送数据的唯一方法是使用thrift client， Scribe内部定义了一个thrift接口，用户使用该接口将数据发送给server。
1.2、Scribe
Scribe接收到thrift client发送过来的数据，根据配置文件，将不同topic的数据发送给不同的对象。Scribe提供了各种各样的store，如 file， HDFS等，Scribe可将数据加载到这些store中。
1.3、存储系统
存储系统实际上就是Scribe中的store，当前Scribe支持非常多的store，包括file（文件），buffer（双层存储，一个主储存，一个副存储），network（另一个scribe服务器），bucket（包含多个 store，通过hash的将数据存到不同store中），null(忽略数据)，thriftfile（写到一个Thrift TFileTransport文件中）和multi（把数据同时存放到不同store中）。
2、Chukwa
Chukwa是一个非常新的开源项目，属于hadoop系列产品，因使用了很多hadoop的组件（用HDFS存储，用mapreduce处理数据），它提供了很多模块以支持hadoop集群日志分析，具有以下特点：
-
灵活的，动态可控的数据源
-
高性能，高可扩展的存储系统
-
合适的框架，用于对收集到的大规模数据进行分析
架构：Chukwa中主要有3种，分别是adaptor，agent和collector，Demux和achieving。
2.1、 Adaptor 数据源
可封装其他数据源，如file，unix命令行工具等，目前可用的数据源有：hadoop logs，应用程序度量数据，系统参数数据（如linux cpu使用流率）。
2.2、 agent和collector
Chukwa最开始采用了HDFS作为存储系统，HDFS的设计初衷是支持大文件存储和小并发高速写的应用场景，而日志系统的特点恰好相反，它需支持高并发低速率的写和大量小文件的存储，为了解决这些问题，增加了agent和collector，增加Agent的作用是给adaptor提供各种服务，包括启动和关闭adaptor，将数据通过HTTP传递给Collector；定期记录adaptor状态，以便crash后恢复。增加Collector的作用是对多个数据源发过来的数据进行合并，然后加载到HDFS中；隐藏HDFS实现的细节，如HDFS版本更换后，只需修改collector即可。
2.3、Demux和achieving
为了直接支持利用MapReduce处理数据，内置了两个mapreduce作业，分别用于获取data和将data转化为结构化的log，然后存储到data store（可以是数据库或者HDFS等）中。
3、Kafka
Kafka是2010年12月份开源的项目，采用scala语言编写，使用了多种效率优化机制，整体架构比较新颖（push/pull），更适合异构集群，具有以下特点：
-
数据在磁盘上的存取代价为0
-
高吞吐率，在普通的服务器上每秒也能处理几十万条消息
-
分布式架构，能够对消息分区
-
支持将数据并行的加载到hadoop
架构：Kafka实际上是一个消息发布订阅系统。producer向某个topic发布消息，而consumer订阅某个topic的消息，进而一旦有新的关于某个topic的消息，broker会传递给订阅它的所有consumer，在Kafka中消息是按topic组织的，而每个topic又会分为多个partition，这样便于管理数据和进行负载均衡。同时它也使用了zookeeper进行负载均衡，Kafka中主要有三种角色，分别为producer，broker和consumer。3.1、Producer
Producer的任务是向broker发送数据。Kafka提供了两种producer接口，一种是low_level接口，使用该接口会向特定的broker的某个topic下的某个partition发送数据；另一种是high level接口，该接口支持同步/异步发送数据，基于zookeeper的broker自动识别和负载均衡（基于Partitioner），producer可以通过zookeeper获取可用的broker列表，也可以在zookeeper中注册listener，该listener在以下情况下会被唤醒：
-
添加一个broker
-
删除一个broker
-
注册新的topic
-
broker注册已存在的topic
当producer得知以上时间时，可根据需要采取一定的行动。
3.2、Broker
Broker采取了多种策略提高数据处理效率，包括sendfile和zero copy等技术。
3.3、 Consumer
consumer的作用是将日志信息加载到中央存储系统上。Kafka提供了两种consumer接口，一种是low level的，它维护到某一个broker的连接，并且这个连接是无状态的，每次从broker上pull数据时，都要告诉broker数据的偏移量。另一种是high-level 接口，它隐藏了broker的细节，允许consumer从broker上push数据而不必关心网络拓扑结构。更重要的是对于大部分日志系统而言，consumer已经获取的数据信息都由broker保存，而在Kafka中是由consumer自己维护所取数据信息。
4、Flume
Flume是cloudera于2009年7月开源的日志系统，它内置的各种组件非常齐全，用户几乎不必进行任何额外开发即可使用，具有以下特点：
-
可靠：当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不进行确认）。
-
可扩展：Flume采用了三层架构，分别问agent，collector和storage，每一层均可以水平扩展。其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题，也可根据需要添加自己的agent，colletor或者storage。
-
可管理：所有agent和colletor由master统一管理，这使得系统便于维护，用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载，Flume提供了web 和shell script command两种形式对数据流进行管理。
架构：Flume采用了分层架构，由三层组成，分别为agent，collector和storage。agent和collector均由两部分组成：source和sink，source是数据来源，sink是数据去向。
4.1、agent
agent的作用是将数据源的数据发送给collector，Flume自带了很多直接可用的数据源（source）如：
text(“filename”)：将文件filename作为数据源，按行发送
tail(“filename”)：探测filename新产生的数据，按行发送出去
fsyslogTcp(5140)：监听TCP的5140端口，并且接收到的数据发送出去
同时提供了很多sink，如：
console[("format")] ：直接将将数据显示在桌面上
text(“txtfile”)：将数据写到文件txtfile中
dfs(“dfsfile”)：将数据写到HDFS上的dfsfile文件中
syslogTcp(“host”,port)：将数据通过TCP传递给host节点
4.2、 collector
collector的作用是将多个agent的数据汇总后，加载到storage中，它的source和sink与agent类似。
如有6个agent，3个collector，所有collector均将数据导入HDFS中。agent A，B将数据发送给collector A，agent C，D将数据发送给collectorB，agent C，D将数据发送给collectorB，同时为每个agent添加end-to-end可靠性保障（Flume的三种可靠性保障分别由agentE2EChain, agentDFOChain, and agentBEChain实现），如A出现故障时，agent A和agent B会将数据分别发给collector B和collector C。
下图是配置文件片段：
使用autoE2EChain，当某个collector 出现故障时，Flume会自动探测一个可用collector，并将数据定向到这个新的可用collector上。
4.3、 storage
storage是存储系统，可以是一个普通file，也可以是HDFS，HIVE，HBase等。
5、总结
根据这四个系统的架构设计，可以总结出典型的日志系统需具备三个基本组件，分别为agent（封装数据源，将数据源中的数据发送给collector），collector（接收多个agent的数据，并进行汇总后导入后端的store中），store（中央存储系统，应该具有可扩展性和可靠性，应该支持当前非常流行的HDFS）。
对比这四个系统以便于更好地理解：