文字コードの変換について

[hogehuga]

Javaが吐いている「Shift_JIS + \r改行」のファイルをElasticsearchに取り込むと文字化けしてしまいます。

環境としては以下のとおりです。

• Windowsサーバ上で
  • 対象のファイルが出力されている
  • Filebeatを導入して、Logstashサーバに送っている
• Logstashで
  • inputで charset => "Shift_JIS" 及び charset => "CP932" としても、文字化けして登録される

対象のファイルはnkf等で確認しすると Shift_JIS(改行は\n) で、Windowsのメモ帳でみると「改行がないが文字化けはない」ものです。その為、Shift_JIS(CR+LF) ではなく、Shift_JIS(LF)で間違いないと思います。

以下のような logstashのinput設定をしているのですが、対処方法をおわかりになる方はいらっしゃいますでしょうか。
; codec=>plainなもので入力文字コードを指定すれば、出力時に自動でUTF8に変換される？

input {
  beats { 
    port => "5044"
    codec => plain {
      charset => "Shift_JIS"
    }
  }
}

1日調べましたが、事例も見つけられなかったので、こちらで相談させていただきました。

[tsgkdt]

beatsのファイルを読む設定でencodingをshift-jisにしてみてはどうですか？

SJISで改行コードLFのファイルを用意して、やってみたら文字化けせずに入りました。
で、beatsのencoding指定をはずすと文字化けすることも確認しました。
以下、試した設定などを書いておきます。

beatsの設定

- type: log

  # Change to true to enable this input configuration.
  enabled: true

  # Paths that should be crawled and fetched. Glob based paths.
  paths:
    - Z:\TEMP\*.log
    #- c:\programdata\elasticsearch\logs\*

  # ↓ 読み込むファイルの文字コードを指定 ↓
  encoding: shift-jis

logstashの設定(beatsでshift-jisを設定しただけで、logstashはそのまま）

input {
  beats {
    port => 5044
  }
}

output {
  elasticsearch {
    hosts => "xxx.xxx.xxx.xxx:9200"
    manage_template => false
    index => "%{[@metadata][beat]}-%{[@metadata][version]}-%{+YYYY.MM.dd}" 
    document_type => "doc" 
  }
}

テストファイル（改行コードはLF)

あいうえおかきくけこ東京特許許可局
となりの客はよく柿食う客だ
生麦生米なまたまご

インデックスされた例

[mukai]

「\r」は下記のmutate(汎用文字列加工)フィルター使えば消すことができます。

message項目の「\r」を「」に置換

Mutate filter plugin | Logstash Reference [8.11] | Elastic
filter {
mutate {
gsub => [
"message", "\r", ""
]
}
}

ただ、\rの有無は文字化けには影響しない(データに改行コードが残るだけ)ので、今回の文字化けには関係ないかもしれません。

[hogehuga]

ありがとうございます。
改行がLFのみなので、\r(CR)は既に存在しません。
また、\nを消してしまうと改行記号がなくなるので、全てが1行になってしまいます。
改行記号だけであれば、文字化けはしませんね。

上記から、今回の用途には合いませんでした。
しかしながら mutate/gsub で文字列置換ができることを初めて知りました。
有用な情報をありがとうございます！

[hogehuga]

ありがとうございます。
確認までして頂き、大変助かりました。ありがとうございます！