你所不知道的日志异步落库 - 程序诗人 - 博客园 https://www.cnblogs.com/scy251147/p/9193075.html
在互联网设计架构过程中，日志异步落库，俨然已经是高并发环节中不可缺少的一环。为什么说是高并发环节中不可缺少的呢？ 原因在于，如果直接用mq进行日志落库的时候，低并发下，生产端生产数据，然后由消费端异步落库，是没有什么问题的，而且性能也都是异常的好，估计tp99应该都在1ms以内。但是一旦并发增长起来，慢慢的你就发现生产端的tp99一直在增长，从1ms，变为2ms，4ms，直至send timeout。尤其在大促的时候，我司的系统就经历过这个情况，当时mq的发送耗时超过200ms，甚至一度有不少timeout产生。
考虑到这种情况在高并发的情况下才出现，所以今天我们就来探索更加可靠的方法来进行异步日志落库，保证所使用的方式不会因为过高的并发而出现接口ops持续下降甚至到不可用的情况。
方案一： 基于log4j的异步appender实现
此种方案，依赖于log4j。在log4j的异步appender中，通过mq进行生产消费入库。相当于在接口和mq之间建立了一个缓冲区，使得接口和mq的依赖分离，从而不让mq的操作影响接口的ops。
此种方案由于使用了异步方式，且由于异步的discard policy策略，当大量数据过来，缓冲区满了之后，会抛弃部分数据。此种方案适用于能够容忍数据丢失的业务场景，不适用于对数据完整有严格要求的业务场景。
来看看具体的实现方式：
首先，我们需要自定义一个Appender，继承自log4j的AppenderSkeleton类，实现方式如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
public class AsyncJmqAppender extends AppenderSkeleton { @Resource(name = "messageProducer") private MessageProducer messageProducer; @Override protected void append(LoggingEvent loggingEvent) { asyncPushMessage(loggingEvent.getMessage()); } /** * 异步调用jmq输出日志 * @param message */ private void asyncPushMessage(Object message) { CompletableFuture.runAsync(() -> { Message messageConverted = (Message) message; try { messageProducer.send(messageConverted); } catch (JMQException e) { e.printStackTrace(); } }); } @Override public boolean requiresLayout() { return false; } @Override public void close() { }} |
然后在log4j.xml中，为此类进行配置：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
<!--异步JMQ appender--><appender name="async_mq_appender" class="com.jd.limitbuy.common.util.AsyncJmqAppender"> <!-- 设置File参数：日志输出文件名 --> <param name="File" value="D:/export/Instances/order/server1/logs/order.async.jmq" /> <!-- 设置是否在重新启动服务时，在原有日志的基础添加新日志 --> <param name="Append" value="true" /> <!-- 设置文件大小 --> <param name="MaxFileSize" value="10KB" /> <!-- 设置文件备份 --> <param name="MaxBackupIndex" value="10000" /> <!-- 设置输出文件项目和格式 --> <layout class="org.apache.log4j.PatternLayout"> <param name="ConversionPattern" value="%m%n" /> </layout></appender><logger name="async_mq_appender_logger"> <appender-ref ref="async_mq_appender"/></logger> |
最后就可以按照如下的方式进行正常使用了：
|
1
|
private static Logger logger = LoggerFactory.getLogger("filelog_appender_logger"); |
注意： 此处需要注意log4j的一个性能问题。在log4j的conversionPattern中，匹配符最好不要出现 C% L%通配符，压测实践表明，这两个通配符会导致log4j打日志的效率降低10倍。
方案一很简便，且剥离了接口直接依赖mq导致的性能问题。但是无法解决数据丢失的问题（但是我们其实可以在本地搞个策略落盘来不及处理的数据，可以大大的减少数据丢失的几率）。但是很多的业务场景，是需要数据不丢失的，所以这就衍生出我们的另一套方案来。
方案二：增量消费log4j日志
此种方式，是开启worker在后台增量消费log4j的日志信息，和接口完全脱离。此种方式相比方案一，可以保证数据的不丢失，且可以做到完全不影响接口的ops。但是此种方式，由于是后台worker在后台启动进行扫描，会导致落库的数据慢一些，比如一分钟之后才落库完毕。所以适用于对落库数据实时性不高的场景。
具体的实现步骤如下：
首先，将需要进行增量消费的日志统一打到一个文件夹，以天为单位，每天生成一个带时间戳日志文件。由于log4j不支持直接带时间戳的日志文件生成，所以这里需要引入log4j.extras组件，然后配置log4j.xml如下：
之后在代码中的申明方式如下：
|
1
|
private static Logger businessLogger = LoggerFactory.getLogger("file_rolling_logger"); |
最后在需要记录日志的地方使用方式如下：
|
1
|
businessLogger.error(JsonUtils.toJSONString(myMessage)) |
这样就可以将日志打印到一个单独的文件中，且按照日期，每天生成一个。
然后，当日志文件生成完毕后，我们就可以开启我们的worker进行增量消费了，这里的增量消费方式，我们选择RandomAccessFile这个类来进行，由于其独特的位点读取方式，可以使得我们非常方便的根据位点的位置来消费增量文件，从而避免了逐行读取这种低效率的实现方式。
注意，为每个日志文件都单独创建了一个位点文件，里面存储了对应的文件的位点读取信息。当worker扫描开始的时候，会首先读取位点文件里面的位点信息，然后找到相应的日志文件，从位点信息位置开始进行消费。这就是整个增量消费worker的核心。具体代码实现如下(代码太长，做了折叠)：
此种方式由于worker扫描是每隔一段时间启动一次进行消费，所以导致数据从产生到入库，可能经历时间超过一分钟以上，但是在一些对数据延迟要求比较高的业务场景，比如库存扣减，是不能容忍的，所以这里我们就引申出第三种做法，基于内存文件队列的异步日志消费。
方案三：基于内存文件队列的异步日志消费
由于方案一和方案二都严重依赖log4j，且方案本身都存在着要么丢数据，要么入库时间长的缺点，所以都并不是那么尽如人意。但是本方案的做法，既解决了数据丢失的问题，又解决了数据入库时间被拉长的尴尬，所以是终极解决之道。而且在大促销过程中，此种方式经历了实战检验，可以大面积的推广使用。
此方案中提到的内存文件队列，是我司自研的一款基于RandomAccessFile和MappedByteBuffer实现的内存文件队列。队列核心使用了ArrayBlockingQueue，并提供了produce方法，进行数据入管道操作，提供了consume方法，进行数据出管道操作。而且后台有一个worker一直启动着，每隔5ms或者遍历了100条数据之后，就将数据落盘一次，以防数据丢失。具体的设计，就这么多，感兴趣的可以根据我提供的信息，自己实践一下。
由于有此中间件的加持，数据生产的时候，只需要入压入管道，然后消费端进行消费即可。未被消费的数据，会进行落盘操作，谨防数据丢失。当大促的时候，大量数据涌来的时候，管道满了的情况下会阻塞接口，数据不会被抛弃。虽然可能会导致接口在那一瞬间无响应，但是由于有落盘操作和消费操作（此操作操控的是JVM堆外内存数据，不受GC的影响，所以不会出现操作暂停的情况，为什么呢？因为用了MappedByteBuffer），此种阻塞并未影响到接口整体的ops。
在实际使用的时候，ArrayBlockingQueue作为核心队列，显然是全局加锁的，后续我们考虑升级为无锁队列，所以将会参考Netty中的有界无锁队列：MpscArrayQueue。预计性能将会再好一些。
受限于公司政策，我仅提供大致思路，但是不会提供具体代码，有问题评论区交流吧。
上面就是在进行异步日志消费的时候，我所经历的三个阶段，并且一步一步的优化到目前的方式。虽然过程曲折，但是结果令人欢欣鼓舞。如果喜欢就给个推荐，后续我将会持续更新你所不知道的系列，以期达到抛砖引玉的效果。