为什么用到ELK
曾经的我需要分析日志的时候，都是直接去服务器上捞日志，直在日志文件中 grep、awk 获得自己想要的信息。之所以这种方式满足我的需求，是因为当时虽然是分布式系统，也用到springCloud，但还是服务太少，这个服务没找到错误日志，那么在下一个服务，或下下个服务，必然可以找到。
但在规模较大的场景中，此方法效率低下，如果遇到服务太多，如果定位问题、日志量太大如何归档、文本搜索太慢怎么办、如何多维度查询。这时候就需要一个集中化的日志管理了，所有服务器上的日志收集汇总，然后统一管理，访问。
一般大型系统是一个分布式部署的架构，不同的服务模块部署在不同的服务器上，问题出现时，大部分情况需要根据问题暴露的关键信息，定位到具体的服务器和服务模块，构建一套集中式日志系统，可以提高定位问题的效率。
ELK提供了一整套解决方案，并且都是开源软件，之间互相配合使用，完美衔接，高效的满足了很多场合的应用。目前主流的一种日志系统。
简介
ELK是一个免费开源的日志分析架构技术总称，包含三大基础组件，分别是Elasticsearch、Logstash、Kibana。实际上ELK不仅仅适用于日志分析，它还可以支持其他任何数据搜索、分析和收集的场景，日志分析和收集只是更具代表性。
随着ELK的发展，又有新成员Beats、ElasticCloud的加入，所以就形成了Elastic Stack。所以说ELK是旧的称呼，ElasticStack是新的名字。
特色
处理方式灵活：es时目前最流行的准实时全文检索引擎，具有高速检索大数据的能力。
配置简单：安装elk的每个组件，仅需配置每个组件的一个配置文件即可。修改处不多，因为大量参数已经默认配在系统中，修改想要修改的选项即可。
接口简单：采用json形式RESTFUL API接受数据并响应，无关语言。
性能高效：es基于优秀的全文搜索技术Lucene，采用倒排索引，可以轻易在百亿级别数据量下，搜索出想要的内容，并且是秒级响应。
灵活扩展：es和logstash都可以根据集群规模线性扩展，es内部自动实现集群协作。
数据展示华丽：kibana作为前端展示工具，图表华丽，配置简单。
组件介绍
ElasticSearch简称ES，它是一个实时的分布式搜索和分析引擎，它可以用于全文搜索，结构化搜索以及分析。java开发，基于Lucene，特点有分布式、零配置、自动发现、索引自动分片、索引副本机制、restful风接口、多数据源等。
Logstash基于java开发，是一个数据收集转化工具。工作方式一般为c/s架构，client端安装在需要收集信息的主机上，server端负责将收到的个节点日志进行过滤、修改等发送到es或其他组件。
Kibana基于nodejs，是一个开源和免费的可视化工具。kebana可以为logstash和es提供友好的日志分析界面，可以汇总、分析和搜索重要数据日志。
Beats平台收集了多种单一用途数据采集器。他们从成百上千或成千上万台机器和系统向logstash或es发送数据。
用途
日志分析并不仅仅包括系统产生的错误日志，异常，也包括业务逻辑，或者任何文本类的分析。而基于日志的分析，能够在其上产生非常多的解决方案，譬如：
1.问题排查。日志分析技术显然是问题排查的基石。基于日志做问题排查，还有一个很帅的技术，叫全链路追踪，比如阿里的eagleeye 或者Google的dapper，也算是日志分析技术里的一种。
2.监控和预警。 日志，监控，预警是相辅相成的。基于日志的监控，预警使得运维有自己的机械战队，大大节省人力以及延长运维的寿命。
3.关联事件。多个数据源产生的日志进行联动分析，通过某种分析算法，就能够解决生活中各个问题。比如金融里的风险欺诈等。这个可以可以应用到无数领域了，取决于你的想象力。
4.数据分析。 这个对于数据分析师，还有算法工程师都是有所裨益的。
