任务日志分析方法、系统、计算机设备及存储介质

技术领域

本发明属于分布式计算任务日志分析方法领域，具体涉及一种任务日志分析方法、系统、计算机设备及存储介质。

背景技术

随着科技的发展，人类社会步入了大数据时代。所谓大数据就是指在合理的时间内，无法通过传统的方式处理的数据。为了应对这一问题，催生了MapReduce、Spark、Flink等诸多分布式计算框架。但是这些分布式计算框架在带来计算吞吐量和计算低延时的优势同时也带来很多问题。例如：在日常运维工作中，经常会遇到一些相同的问题：任务执行失败、任务计算缓慢、异常任务导致集群崩溃等等。在对集群的信息、任务信息获取不全面的情况下很难快速定位出任务的问题所在。

目前任务日志的分析都是通过人工分析的方式来进行。当任务结束时，YARN本身自带的任务日志聚合功能会将每个Task生成的日志上传到HDFS的指定目录。运维人员可以将任务日志下载到本地进行查看分析。但是会面临如下问题：直接查看任务日志对新手不是很友好；任务日志文件过大会花费更多的时间来定位问题日志；任务问题的定位有的时候需要结合机器的硬件日志来判断，但是机器的硬件日志并不会被采集，而且出于集群安全考虑并不是所有人都可以登录集群节点；机器硬件故障还会导致该机器上的日志丢失。所以设计了一种分布式任务日志分析系统，帮助开发人员和运维人员快速定位任务问题。

可读性差。如果任务运行的时间比较长，或者该任务的子任务比较多都会导致任务产生的日志文件很大，有的时候甚至会达到GB级别，而且日志中会有很多不重要的异常信息，所以运维人员在如此多的日志信息中定位到任务产生问题的原因是非常困难的，而且非常耗时。

效率低。出于对集群安全考虑，对集群的登录权限做了限制，只有集群的管理人员才能登陆集群的节点，所以开发人员无法实时观察某个Container的运行状态。如果想要获取Container状态只能联系集群管理员获取，效率比较低。

信息不全面。排查任务问题时往往需要结合当时Container所在节点的硬件相关信息，但是Container日志中并不会记录这些信息。

数据易丢失。由于聚合日志的时间粒度比较粗，若在任务日志聚合结束前如果Container所在节点发生故障，该Container的日志无法被聚合到HDFS上，就会导致这部分任务日志的缺失。

发明内容

本申请实施例提供了一种任务日志分析方法、系统、计算机存储设备，以至少解决相关技术中主观因素影响的问题。

本发明提供了一种任务日志分析方法，其中，包括：

输入步骤：输入任一任务到NodeManager节点的Agent上；

收集步骤：所述Agent实时收集Container的信息并发送到Kafka；

处理步骤：SparkStreaming对所述kafka中的信息进行处理，得到信息处理结果。

保存步骤：将所述信息处理结果保存到MySQL中。

上述分布式计算任务日志分析方法，其中，所述Container的信息包括：

Container的运行日志、Container的使用的CPU占比、Container的内存占比、Container的JVM信息、当前节点的负载信息、网卡流量信息和磁盘信息。

上述分布式计算任务日志分析方法，其中，所述处理步骤包括：

所述SparkStreaming实时消费所述Kafka中的信息，并结合多种日志对所述任务进行综合分析。

上述分布式计算任务日志分析方法，其中，还包括查询步骤：

所述MySQL中保存的处理结果可以被查询和展示。

本发明还包括一种分布式计算任务日志分析系统，其中，包括：

输入模块，所述输入模块输入任一任务到NodeManager节点的Agent上；

收集模块，所述收集模块实时收集Container的信息并发送到Kafka；

处理模块，所述处理模块对所述kafka中的信息进行处理，得到信息处理结果。

保存模块，所述保存模块将所述信息处理结果保存到MySQL中。

上述分布式计算任务日志分析系统，其中，所述Container的信息包括：

Container的运行日志、Container的使用的CPU占比、Container的内存占比、Container的JVM信息、当前节点的负载信息、网卡流量信息和磁盘信息。

上述分布式计算任务日志分析系统，其中，所述处理模块实时消费所述Kafka中的信息，并结合多种日志对所述任务进行综合分析。

上述分布式计算任务日志分析系统，其中，还包括查询模块，所述查询模块查询所述MySQL中保存的处理结果。

本发明还包括一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的分布式计算任务日志分析方法。

本发明还包括一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如所述的分布式计算任务日志分析方法。

本发明的有益效果在于：

1.减少了人力劳动，可以自动分析分布式计算任务相关日志，并进行结果展示。

2.高效且实时，可以对集群中的分布式计算任务运行情况进行实时分析。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

在附图中：

图1是分布式计算任务日志分析方法的流程图；

图2是分布式计算任务日志分析方法具体步骤流程图；

图3是本发明的分布式计算任务日志分析系统的结构示意图；

图4是根据本发明实施例的计算机设备的框架图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

在详细阐述本发明各个实施例之前，对本发明的核心发明思想予以概述，并通过下述若干实施例予以详细阐述。

在详细阐述本发明各个实施例之前，对本发明的核心发明思想予以概述，并通过下述若干实施例予以详细阐述。

请参照图1，图1是分布式计算任务日志分析方法的流程图。如图1所示，本发明的分布式计算任务日志分析方法包括：

输入步骤S1：输入任一任务到NodeManager节点的Agent上；

收集步骤S2：所述Agent实时收集Container的信息并发送到Kafka；

处理步骤S3：SparkStreaming对所述kafka中的信息进行处理，得到信息处理结果；

保存步骤S4：将所述信息处理结果保存到MySQL中。

其中，所述Container的信息包括：

Container的运行日志、Container的使用的CPU占比、Container的内存占比、Container的JVM信息、当前节点的负载信息、网卡流量信息和磁盘信息。

其中，所述处理步骤包括：

所述SparkStreaming实时消费所述Kafka中的信息，并结合多种日志对所述任务进行综合分析。

其中，还包括查询步骤：

所述MySQL中保存的处理结果可以被查询和展示。

以下，列举实施例具体说明本发明的分布式计算任务日志分析方法如下。

实施例一：

本实例揭示了基于统计的分布式计算任务日志分析方法(以下简称“方法”)的具体实施方式。

本发明解决数据丢失问题、信息不全面问题。每台NodeManager节点上会部署一个Agent程序，负责实时收集该节点上所有Container的运行日志，Container运行状态(包括CPU占用，内存占用)，机器硬件状态(包括机器负载，网卡负载，磁盘状态等)

本发明还解决可读性问题、解决效率低问题。过滤掉任务日志中的无用日志，只展示有可能影响任务运行的关键信息，并将运行日志转化成可视化图表。

NodeManager节点：负责计算节点的资源管理、管理Container的生命周期、监控每个Container的CPU和内存使用情况、监控计算节点健康状态等。

Container：分布式计算任务会被拆分成多个子任务，这些子任务会运行在NodeManager节点上的Container中，Container的日志会写入到本地磁盘中。

Agent：负责实时收集相关日志信息，用于后续的分析计算。

Kafka：用于暂存Agent生产的数据，并提供给SparkStreaming程序进行消费计算。

SparkStreaming：一个流式计算框架，分析Agent发送到Kafka中的数据，并将分析结果保存到数据库中。

MySQL：用于保存SparkStreaming分析生成的数据

本发明具体实施步骤如图2所示：

每个NodeManager节点会部署一个用于实时采集任务日志信息和机器硬件信息的Agent。

Agent实时收集Container的运行日志、Container的使用的CPU占比、Container的内存占比、Container的JVM信息、当前节点的负载信息、网卡流量信息、磁盘信息等，并发送到Kafka。

SparkStreaming实时消费Kafka中的信息，并结合多种日志对任务进行综合分析，然后将分析结果保存到MySQL中。

提供可视化的查询、展示。

实施例二：

请参照图3，图3是本发明的分布式计算任务日志分析系统的结构示意图。如图3所示本发明的一种分布式计算任务日志分析系统，其中，包括：

输入模块，所述输入模块输入任一任务到NodeManager节点的Agent上；

收集模块，所述收集模块实时收集Container的信息并发送到Kafka；

处理模块，所述处理模块对所述kafka中的信息进行处理，得到信息处理结果。

保存模块，所述保存模块将所述信息处理结果保存到MySQL中。

其中，所述Container的信息包括：

Container的运行日志、Container的使用的CPU占比、Container的内存占比、Container的JVM信息、当前节点的负载信息、网卡流量信息和磁盘信息。

其中，所述处理模块实时消费所述Kafka中的信息，并结合多种日志对所述任务进行综合分析。

其中，还包括查询模块，所述查询模块查询所述MySQL中保存的处理结果。

实施例三：

结合图4所示，本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。

具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。

处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种分布式计算任务日志分析方法。

在其中一些实施例中，计算机设备还可包括通信接口83和总线80。其中，如图4所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。

通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该计算机设备可以基于分布式计算任务日志分析，从而实现结合图1描述的方法。

另外，结合上述实施例中分布式计算任务日志分析方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种分布式计算任务日志分析方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

综上所述，基于本发明的有益效果在于，本专利提供了一种分布式计算任务日志分析方法，减少了人力劳动，可以自动分析分布式计算任务相关日志，并进行结果展示；高效且实时，可以对集群中的分布式计算任务运行情况进行实时分析。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。