先把結論列在前面：
- Golang的性能可以做到非常好，但是一些native包的性能很可能會拖後腿，比如regexp和encoding/json。如果在性能要求較高的場合使用，要根據實際情況做相應優化。
- on-cpu/off-cpu火焰圖的使用是程序性能分析的利器，往往一針見血。雖然生成一張火焰圖比較繁瑣（尤其是off-cpu圖），但絕對值得擁有！
之前一直使用Logstash作爲日誌文件採集客戶端程序。Logstash功能強大，有豐富的數據處理插件及很好的擴展能力，但由於使用JRuby實現，性能堪憂。而Filebeat是後來出現的一個用go語言實現的，更輕量級的日誌文件採集客戶端。性能不錯、資源佔用少，但幾乎沒有任何解析處理能力。通常的使用場景是使用Filebeat採集到Logstash解析處理，然後再上傳到Kafka或Elasticsearch。值得注意的是，Logstash和Filebeat都是Elastic公司的優秀開源產品。
爲了提高客戶端的日誌採集性能，又減少數據傳輸環節和部署複雜度，並更充分的將go語言的性能優勢利用於日誌解析，於是決定在Filebeat上通過開發插件的方式，實現針對公司日誌格式規範的解析，直接作爲Logstash的替代品。
背景介紹完畢，下面是實現和優化的過程。
Version 1
先做一個最簡單的實現，即用go自帶的正則表達式包regexp做日誌解析。性能已經比Logstash（也是通過開發插件做規範日誌解析）高出30%。
這裏的性能測試着眼於日誌採集的瓶頸——解析處理環節，指標是在限制只使用一個cpu core的條件下（在服務器上要儘量減少對業務應用的資源佔用），採集並解析1百萬條指定格式和長度的日誌所花費的時間。測試環境是1臺主頻爲3.2GHz的PC。爲了避免disk IO及page cache的影響，將輸入文件和輸出文件都放在/dev/shm中。對於Filebeat的CPU限制，是通過啓動時指定環境變量GOMAXPROCS=1實現。
這一版本處理1百萬條日誌花費的時間爲122秒，即每秒8200條日誌。
Version 2
接下來嘗試做一些優化，看看這個go插件的性能還可不可以有些提升。首先想到的是替換regexp包。Linux下有一個C實現的PCRE庫，github.com/glenn-brown/golang-pkg-pcre/src/pkg/pcre這個第三方包正是將PCRE庫應用到golang中。CentOS下需要先安裝pcre-devel這個包。
這個版本的處理時間爲97秒，結果顯示比第一個版本的處理性能提升了25%。
Version 3
第三個版本，是完全不使用正則表達式，而是針對固定的日誌格式規則，利用strings.Index()做字符串分解和提取操作。這個版本的處理時間爲70秒，性能又大大的提升了將近40%。
Version 4
那還有沒有進一步提升的空間呢。有，就是Filebeat用作序列化輸出的json包。我們的日誌上傳使用json格式，而Filebeat使用go自帶的encoding/json包是基於反射實現的，性能一直廣受詬病。如果對json解析有優化的話，性能提高會是很可觀的。既然我們的日誌格式是固定的，解析出來的字段也是固定的，這時就可以基於固定的日誌結構體做json的序列化，而不必用低效率的反射來實現。go有多個針對給定結構體做json序列化/反序列化的第三方包，我們這裏使用的是easyjson。在安裝完easyjson包後，對我們包含了日誌格式結構體定義的程序文件執行easyjson命令，會生成一個xxx_easyjson.go的文件，裏面包含了這個結構體專用的Marshal/Unmarshal方法。這樣一來，處理時間又縮短爲61秒，性能提高15%。
這時，代碼在我面前，已經想不出有什麼大的方面還可以優化的了。是時候該本文的另一個主角，火焰圖出場了。
火焰圖是性能分析的一個有效工具，這裏是它的說明。通常看到的火焰圖，是指on-cpu火焰圖，用來分析cpu都消耗在哪些函數調用上。
安裝完FlameGraph工具後，先對目前版本的程序運行一次性能測試，按照說明抓取數據生成火焰圖如下。
FlameGraph對於c/go程序是通用的。對於go程序，也可以使用自帶的net/http/pprof包作爲數據源，然後安裝uber的go-torch工具來自動調用FlameGraph腳本生成on-cpu火焰圖，執行會稍爲簡便一些。參見go-torch說明。
圖中縱向代表的是函數調用棧，橫向各個方塊的寬度代表的是佔用cpu時間的比例，需要留意的是靠近頂端的大長條。方塊的顏色是隨機的沒有實際意義。
從上圖可以看到cpu時間佔用最多的主要有兩塊。一塊是Output處理部分，稍爲大頭的是json處理，這塊已經優化過沒什麼可以做的了。另一塊就比較奇怪了，是common.MapStr.Clone()方法，居然佔了40%的cpu時間。再往上看，主要是Errorf的處理。一看代碼，馬上明白了。
func (m MapStr) Clone() MapStr {
result := MapStr{}
for k, v := range m {
innerMap, err := toMapStr(v)
if err == nil {
result[k] = innerMap.Clone()
} else {
result[k] = v
}
}
return result
}
common.MapStr是在pipeline中存放日誌內容的結構體，它的Clone()方法實現裏判斷一個子鍵值是否爲嵌套的Mapstr結構時，是通過判斷toMapStr()方法是否返回error。從這裏看，生成error對象的代價是非常可觀的。於是，一個顯然的fix，就是將toMapStr()中的判斷方法移到Clone()中並避免生成error。
Version 5
對修改後的代碼重新生成一張火焰圖如下。
這時common.MapStr.Clone()從圖中已經幾乎找不見了，證明花費的cpu時間已經可以忽略不計。
測試時間一下子縮短到了46秒，節省了33%，非常大的改善！
到現在，還有一個之前未提到的問題沒有解決——在限制使用一個core之後，測試運行時cpu利用率只能跑到82%左右。是不是由於有鎖存在影響了性能呢？
這時候，又該請off-cpu火焰圖出場了。Off-cpu火焰圖，是用來分析程序沒有有效利用cpu的時候，消耗在什麼地方了，在這裏有詳細的介紹。數據收集比on-cpu火焰圖要複雜，可以使用大名鼎鼎的春哥提供的openresty-systemtap-toolkit包。春哥的項目頁面中沒有詳細說明的是kernel-devel和debuginfo包的安裝方法。在此也記錄一下。
# kernel-devel沒有問題，直接yum安裝
sudo yum install -y kernel-devel
# debuginfo，在CentOS7中需要這樣裝
sudo vim /etc/yum.repos.d/CentOS-Debuginfo.repo
修改爲enable=1
sudo debuginfo-install kernel
安裝時可能還會報錯：
Invalid GPG Key from file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-Debug-7: No key found in given key data
需要從https://www.centos.org/keys/RPM-GPG-KEY-CentOS-Debug-7下載key寫入到/etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-Debug-7
安裝完後按照說明生成了off-cpu火焰圖如下：
我還不能完全解讀這張圖，但是已經可以明顯看到，對Registry文件（Filebeat用於記錄文件採集列表和offset數據）的寫操作佔了一定比例。於是，嘗試將Filebeat的spool_size（每完成這麼多條日誌更新一次Registry文件）設置爲10240，默認值的5倍，運行測試cpu已經可以跑到95%以上。而將Registry設置到/dev/shm/下也同樣可以解決測試時cpu跑不滿的問題。
這就否定了上面對鎖使用不當影響性能的猜測。在實際應用時spool_size的設置應當依據結合了output端（如寫入到Kafka）的測試數據來決定。
至此，優化結束，達到了最初版本性能的3倍！
各個版本的具體運行性能數據如下圖所示。
需要稍作說明的是：
- Filebeat開發是基於5.3.1版本，go版本是1.8
- Logstash的測試通過-w 1參數配置使用一個工作進程，並未限制使用一個core
- 執行時間包括了程序的啓動時間（Logstash的啓動時間有將近20秒）
最終的優化結果是，針對特定格式和長度的日誌解析能力在PC上達到了每秒25000條，即使在CPU主頻較低的生產服務器上，也可以達到每秒20000條。
Go的高性能真不是吹的，當然是要在足夠的優化後：）
附錄，關於go的性能有一篇這樣的討論，有興趣可以看看：
http://stackoverflow.com/questions/20875341/why-golang-is-slower-than-scala