Grok 正则捕获

Grok 是 Logstash 最重要的插件。你可以在 grok 里预定义好命名正则表达式，在稍后(grok参数或者其他正则表达式里)引用它。

正则表达式语法

运维工程师多多少少都会一点正则。你可以在 grok 里写标准的正则，像下面这样：

  1. \s+(?<request_time>\d+(?:\.\d+)?)\s+

小贴士：这个正则表达式写法对于 Perl 或者 Ruby 程序员应该很熟悉了，Python 程序员可能更习惯写 (?P<name>pattern)，没办法，适应一下吧。

现在给我们的配置文件添加第一个过滤器区段配置。配置要添加在输入和输出区段之间(logstash 执行区段的时候并不依赖于次序，不过为了自己看得方便，还是按次序书写吧)：

  1. input {stdin{}}
  2. filter {
  3.     grok {
  4.         match => {
  5.             "message" => "\s+(?<request_time>\d+(?:\.\d+)?)\s+"
  6.         }
  7.     }
  8. }
  9. output {stdout{codec => rubydebug}}

运行 logstash 进程然后输入 “begin 123.456 end”，你会看到类似下面这样的输出：

  1. {
  2.          "message" => "begin 123.456 end",
  3.         "@version" => "1",
  4.       "@timestamp" => "2014-08-09T11:55:38.186Z",
  5.             "host" => "raochenlindeMacBook-Air.local",
  6.     "request_time" => "123.456"
  7. }

漂亮！不过数据类型好像不太满意……request_time 应该是数值而不是字符串。

我们已经提过稍后会学习用 LogStash::Filters::Mutate 来转换字段值类型，不过在 grok 里，其实有自己的魔法来实现这个功能！

Grok 表达式语法

Grok 支持把预定义的 grok 表达式 写入到文件中，官方提供的预定义 grok 表达式见：https://github.com/logstash-plugins/logstash-patterns-core/tree/master/patterns。

注意：在新版本的logstash里面，pattern目录已经为空，最后一个commit提示core patterns将会由logstash-patterns-core gem来提供，该目录可供用户存放自定义patterns

下面是从官方文件中摘抄的最简单但是足够说明用法的示例：

  1. USERNAME [a-zA-Z0-9._-]+
  2. USER %{USERNAME}

第一行，用普通的正则表达式来定义一个 grok 表达式；第二行，通过打印赋值格式(sprintf format)，用前面定义好的 grok 表达式来定义另一个 grok 表达式。

grok 表达式的打印赋值格式的完整语法是下面这样的：

  1. %{PATTERN_NAME:capture_name:data_type}

小贴士：data_type 目前只支持两个值：int 和 float。

所以我们可以改进我们的配置成下面这样：

  1. filter {
  2.     grok {
  3.         match => {
  4.             "message" => "%{WORD} %{NUMBER:request_time:float} %{WORD}"
  5.         }
  6.     }
  7. }

重新运行进程然后可以得到如下结果：

  1. {
  2.          "message" => "begin 123.456 end",
  3.         "@version" => "1",
  4.       "@timestamp" => "2014-08-09T12:23:36.634Z",
  5.             "host" => "raochenlindeMacBook-Air.local",
  6.     "request_time" => 123.456
  7. }

这次 request_time 变成数值类型了。

最佳实践

实际运用中，我们需要处理各种各样的日志文件，如果你都是在配置文件里各自写一行自己的表达式，就完全不可管理了。所以，我们建议是把所有的 grok 表达式统一写入到一个地方。然后用 filter/grok 的 patterns_dir 选项来指明。

如果你把 “message” 里所有的信息都 grok 到不同的字段了，数据实质上就相当于是重复存储了两份。所以你可以用 remove_field 参数来删除掉 message 字段，或者用 overwrite 参数来重写默认的 message 字段，只保留最重要的部分。

重写参数的示例如下：

  1. filter {
  2.     grok {
  3.         patterns_dir => ["/path/to/your/own/patterns"]
  4.         match => {
  5.             "message" => "%{SYSLOGBASE} %{DATA:message}"
  6.         }
  7.         overwrite => ["message"]
  8.     }
  9. }

更多有关 grok 正则性能的最佳实践(timeout_millis 等)，见：https://www.elastic.co/blog/do-you-grok-grok

小贴士

多行匹配

在和 codec/multiline 搭配使用的时候，需要注意一个问题，grok 正则和普通正则一样，默认是不支持匹配回车换行的。就像你需要 =~ //m 一样也需要单独指定，具体写法是在表达式开始位置加 (?m) 标记。如下所示：

  1. match => {
  2.     "message" => "(?m)\s+(?<request_time>\d+(?:\.\d+)?)\s+"
  3. }

多项选择

有时候我们会碰上一个日志有多种可能格式的情况。这时候要写成单一正则就比较困难，或者全用 | 隔开又比较丑陋。这时候，logstash 的语法提供给我们一个有趣的解决方式。

文档中，都说明 logstash/filters/grok 插件的 match 参数应该接受的是一个 Hash 值。但是因为早期的 logstash 语法中 Hash 值也是用 [] 这种方式书写的，所以其实现在传递 Array 值给 match 参数也完全没问题。所以，我们这里其实可以传递多个正则来匹配同一个字段：

  1. match => [
  2.     "message", "(?<request_time>\d+(?:\.\d+)?)",
  3.     "message", "%{SYSLOGBASE} %{DATA:message}",
  4.     "message", "(?m)%{WORD}"
  5. ]

logstash 会按照这个定义次序依次尝试匹配，到匹配成功为止。虽说效果跟用 | 分割写个大大的正则是一样的，但是可阅读性好了很多。

最后也是最关键的，我强烈建议每个人都要使用 Grok Debugger 来调试自己的 grok 表达式。

grokdebugger