前言
敲代码有时候真的有点难，要考虑各种情况。
应用在执行中，会不断生成日志文件。
假如要实现一个日志收集的工具。不考虑其他的分析功能，仅仅考虑收集，有哪些方面要考虑的？
首先看下一般的log框架是怎样输出日志的：
可能是这种：a.log.1, a.log.2, a.log.3, a.log.4, a.log.5 循环输出。
可能是这种： a.2014-5-5.log, a.2014-5-6.log, a.2014-5-7.log，每天生成一个日志文件；
可能是这种：log.out。每次重新启动都会生成一个新的log.out，覆盖旧的文件。
那么，我们有哪些方面要实现和注意的？
- 提供正则或者globs方式的通配符。
- 要能推断文件是不是新建的。
- 怎样推断文件有没有更新？
- 怎样保存文件的读取进度？
- 假设我们在读取文件的过程中，文件被删除了会怎样？
- 假设我们在读取文件过程中，进程挂了，读取进度有没有及时保存？
- 在保存文件进度时，假设挂了，重新启动能不能正确恢复文件进度？
- 能不能保证读取的内容不反复？
- 假设日志文件非常快生成。又非常快删除了，能否保证不漏掉？
- 假设日志文件是软链接(soft link)。能不能正确处理？
- 文件系统的inode会被回收利用，能不能处理这个？
- 有没有控制读进内存的数据的大小，防止占用过多的内存？
logstash的实现
以下解释下logstash是怎样实现和处理上面的问题的：
能够配置path參数（Array），当中支持globs风格的匹配。如：
path => [ "/var/log/messages", "/var/log/*.log" ]能够配置exclude參数（Array），排除掉不须要的文件。如：
exclude => "*.gz"利用inode来识别新文件
logstash把进度保存到所谓的sincedb里，实际上即这种一个文本文件，默认是放在home文件夹下的。如：
.sincedb_e794081d6134aace51b759aea8cc3be2
.sincedb_f7a0c8a0def03e0c572511ceea0b9f63
后面是日志文件。即path的hash值。
这样就区分了不同的文件名称的日志文件的进度保存问题。
sincedb文件中是相似这种内容：
6511055 0 2051 118617881
5495516 0 2051 155859036
6348913 0 2051 148511449
上面的4列各自是：
inode, major number, minor number, pos。
当中major number和minor number是设备相关的数字，參考：http://unix.stackexchange.com/questions/73988/linux-major-and-minor-device-numbers
inode是文件系统给文件分配的是一个号码，參考：http://zh.wikipedia.org/wiki/Inode
因此logstash区分了设备。文件名称，文件的不同版本号。
这里引出了一个新问题。用inode来推断文件的不同版本号，是否够准确了？由于inode是会回收再使用的。
比方依次执行以下的命令，能够发现。两个文件的inode是一样的：
touch test
stat test
rm test
touch test
stat test可是由于logstash是没有close掉文件，所以是一直持有inode，所以新的同名的日志文件会有一个新的inode。
也正是由于这样，假设logstash监视的日志文件假设被删除了，还是能够继续把删除的文件的内容处理完。
利用inode这点特性，有时能够做一些补救工作，比方不小心把mysql的文件删掉了，还是能够把数据dump出来，由于mysql进程还持有数据文件的inode。
另外，logstash默认是每隔1秒就尝试读取文件有没有新内容，默认是15秒就扫描，检查有没有新文件。相应stat_interval和discover_interval參数。
另一些小细节：
比方每次最多仅仅读取出16394字节的数据，防止占用过多的内存，每5秒推断下是否须要保存新的pos。
假设日志文件被删除了，也会删除sincedb文件。
利用rename原子性地保存pos
当读取到新文件内容时。pos会添加，在保存新的pos到sincedb时，logstash採用了暂时文件的办法：
先建立一个暂时文件，写入新内容。再调用操作系统提供的remane函数。原子性地替换原来的sincedb文件。
这种实际上是比較经常使用的技巧了，redis也是这样子做的。
能否保证不反复，不丢失数据？
非常遗憾。这是不能的，除非是分布式事务。否则，总有可能丢失或者反复发送数据。不论什么日志收集软件或者消息队列软件都是如此。
实现的代码
详细的实现代码就不贴了，由于比較易读，当中logstash使用了filewatch这个库。能够用gem来安装。相关的代码在线查看：
https://github.com/elasticsearch/logstash/blob/v1.4.1/lib/logstash/inputs/file.rb
https://github.com/jordansissel/ruby-filewatch/tree/master/lib/filewatch
和fluentd的in_tail插件比較
fluentd也是一个非常流行的日志收集工具。
简单再看了下fluentd的in_tail插件，发现里面还有自己当年提交的一个防止内存占用过大的建议：）
https://github.com/fluent/fluentd/blob/master/lib/fluent/plugin/in_tail.rb
fluentd的in_tail插件的原理和logstash的file input是几乎相同的，都是用inode来区分文件是否更新。
可是fluentd仅仅保存了inode和pos。没有logstash那样把设备都考虑进去了。
另外fluentd保存pos时，都是以文件追加的方式来保存的，没有像logstash那样是用rename文件来保存到新文件中。显然logstash的实现更加合理。
扯远一点。logstash部署要比fluentd方便。虽然两者都是用ruby写的。不同的是logstash默认是jruby，仅仅要有JVM就能够跑，fluentd则要安装ruby环境。比較麻烦。
其他的一些东东：
logstash大有一统江湖之势，这句话忘记在哪里看到的了。在github上的logstash的start有2000多个。
logstash + elasticsearch + Kibana的日志收集。搜索，展现的一条龙服务非常流行。
參考：
http://unix.stackexchange.com/questions/73988/linux-major-and-minor-device-numbers
http://zh.wikipedia.org/wiki/Inode
https://github.com/elasticsearch/logstash/blob/v1.4.1/lib/logstash/inputs/file.rb