Apache Flink 漫談系列(14-1) - DataStream Connectors之Kafka【編寫中]
阿新 • • 發佈：2019-01-14
聊什麼
為了滿足本系列讀者的需求，在完成《Apache Flink 漫談系列(14) - DataStream Connectors》之前，我先介紹一下Kafka在Apache Flink中的使用。所以本篇以一個簡單的示例，向大家介紹在Apache Flink中如何使用Kafka。
Kafka 簡介
Apache Kafka是一個分散式釋出-訂閱訊息傳遞系統。 它最初由LinkedIn公司開發，Linkedin於2010年貢獻給了Apache基金會併成為頂級開源專案。Kafka用於構建實時資料管道和流式應用程式。它具有水平擴充套件性、容錯性、極快的速度，目前也得到了廣泛的應用。
Kafka不但是分散式訊息系統而且也支援流式計算，所以在介紹Kafka在Apache Flink中的應用之前，先以一個Kafka的簡單示例直觀瞭解什麼是Kafka。
安裝
本篇不是系統的，詳盡的介紹Kafka，而是想讓大家直觀認識Kafka，以便在Apahe Flink中進行很好的應用，所以我們以最簡單的方式安裝Kafka。
- 下載二進位制包
curl -L -O http://mirrors.shu.edu.cn/apache/kafka/2.1.0/kafka_2.11-2.1.0.tgz- 解壓安裝
Kafka安裝只需要將下載的tgz解壓即可，如下：
jincheng:kafka jincheng.sunjc$ tar -zxf kafka_2.11-2.1.0.tgz jincheng:kafka jincheng.sunjc$ cd kafka_2.11-2.1.0 jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ ls LICENSE NOTICE bin config libs site-docs
其中bin包含了所有Kafka的管理命令，如接下來我們要啟動的Kafka的Server。
- 啟動Kafka Server
Kafka是一個釋出訂閱系統，訊息訂閱首先要有個服務存在。我們啟動一個Kafka Server 例項。 Kafka需要使用ZooKeeper，要進行投產部署我們需要安裝ZooKeeper叢集，這不在本篇的介紹範圍內，所以我們利用Kafka提供的指令碼，安裝一個只有一個節點的ZooKeeper例項。如下：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/zookeeper-server-start.sh config/zookeeper.properties & [2019-01-13 09:06:19,985] INFO Reading configuration from: config/zookeeper.properties (org.apache.zookeeper.server.quorum.QuorumPeerConfig) .... .... [2019-01-13 09:06:20,061] INFO binding to port 0.0.0.0/0.0.0.0:2181 (org.apache.zookeeper.server.NIOServerCnxnFactory)
啟動之後，ZooKeeper會繫結2181埠（預設）。接下來我們啟動Kafka Server，如下：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-server-start.sh config/server.properties
[2019-01-13 09:09:16,937] INFO Registered kafka:type=kafka.Log4jController MBean (kafka.utils.Log4jControllerRegistration$)
[2019-01-13 09:09:17,267] INFO starting (kafka.server.KafkaServer)
[2019-01-13 09:09:17,267] INFO Connecting to zookeeper on localhost:2181 (kafka.server.KafkaServer)
[2019-01-13 09:09:17,284] INFO [ZooKeeperClient] Initializing a new session to localhost:2181. (kafka.zookeeper.ZooKeeperClient)
...
...
[2019-01-13 09:09:18,253] INFO [KafkaServer id=0] started (kafka.server.KafkaServer)如果上面一切順利，Kafka的安裝就完成了。
建立Topic
Kafka是訊息訂閱系統，首先建立可以被訂閱的Topic，我們建立一個名為flink-tipic的Topic，在一個新的terminal中，執行如下命令：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic flink-tipic
Created topic "flink-tipic".在Kafka Server的terminal中也會輸出如下成功建立資訊：
...
[2019-01-13 09:13:31,156] INFO Created log for partition flink-tipic-0 in /tmp/kafka-logs with properties {compression.type -> producer, message.format.version -> 2.1-IV2, file.delete.delay.ms -> 60000, max.message.bytes -> 1000012, min.compaction.lag.ms -> 0, message.timestamp.type -> CreateTime, message.downconversion.enable -> true, min.insync.replicas -> 1, segment.jitter.ms -> 0, preallocate -> false, min.cleanable.dirty.ratio -> 0.5, index.interval.bytes -> 4096, unclean.leader.election.enable -> false, retention.bytes -> -1, delete.retention.ms -> 86400000, cleanup.policy -> [delete], flush.ms -> 9223372036854775807, segment.ms -> 604800000, segment.bytes -> 1073741824, retention.ms -> 604800000, message.timestamp.difference.max.ms -> 9223372036854775807, segment.index.bytes -> 10485760, flush.messages -> 9223372036854775807}. (kafka.log.LogManager)
...上面顯示了flink-topic的基本屬性配置，如訊息壓縮方式，訊息格式，備份數量等等。
除了看日誌，我們可以用命令顯示的查詢我們是否成功的建立了flink-topic，如下：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-topics.sh --list --zookeeper localhost:2181
flink-tipic如果輸出flink-tipic那麼說明我們的Topic成功建立了。
那麼Topic是儲存在哪裡？Kafka是怎樣進行訊息的釋出和訂閱的呢？為直觀，我們看如下Kafka架構示意圖簡單理解一下：
簡單介紹一下，Kafka利用ZooKeeper來儲存叢集資訊，也就是上面我們啟動的Kafka Server 例項，一個叢集中可以有多個Kafka Server 例項，Kafka Server叫做Broker，我們建立的Topic可以在一個過多個Broker中。Kafka利用push模式傳送訊息，利用Pull方式拉取訊息。
傳送訊息
如何向已經存在的Topic中傳送訊息呢，當然我們可以API的方式編寫程式碼傳送訊息。同時，還可以利用命令方式來便捷的傳送訊息，如下：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-console-producer.sh --broker-list localhost:9092 --topic flink-topic
>Kafka test msg
>Kafka connector上面我們傳送了兩條訊息Kafka test msg 和 Kafka connector 到 flink-topic Topic中。
讀取訊息
如果讀取指定Topic的訊息呢？同樣可以API和命令兩種方式都可以完成，我們以命令方式讀取flink-topic的訊息，如下：
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic flink-topic --from-beginning
Kafka test msg
Kafka connector其中--from-beginning 描述了我們從Topic開始位置讀取訊息。
Flink Kafka Connector
前面我們以最簡單的方式安裝了Kafka環境，那麼我們以上面的環境介紹Flink Kafka Connector的使用。Flink Connector相關的基礎知識會在《Apache Flink 漫談系列(14) - Connectors》中介紹，這裡我們直接介紹與Kafka Connector相關的內容。
Apache Flink 中提供了多個版本的Kafka Connector，本篇以flink-1.7.0版本為例進行介紹。
mvn 依賴
要使用Kakfa Connector需要在我們的pom中增加對Kafka Connector的依賴，如下：
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka_2.11</artifactId>
<version>1.7.0</version>
</dependency>Flink Kafka Consumer需要知道如何將Kafka中的二進位制資料轉換為Java / Scala物件。 DeserializationSchema允許使用者指定這樣的模式。 為每個Kafka訊息呼叫 T deserialize（byte [] message）方法，從Kafka傳遞值。
Examples
我們示例讀取Kafka的資料，再將資料做簡單處理之後寫入到Kafka中。我們需要再建立一個用於寫入的Topic，如下：
bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic flink-tipic-output所以示例中我們Soruce利用flink-topic, Sink用slink-topic-output.
Simple ETL
我們假設Kafka中儲存的就是一個簡單的字串，所以我們需要一個用於對字串進行serialize和deserialize的實現，也就是我們要定義一個實現DeserializationSchema和SerializationSchema 的序列化和反序列化的類。因為我們示例中是字串，所以我們自定義一個KafkaMsgSchema實現類,然後在編寫Flink主程式。
- KafkaMsgSchema - 完整程式碼
import org.apache.flink.api.common.serialization.DeserializationSchema;
import org.apache.flink.api.common.serialization.SerializationSchema;
import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.util.Preconditions;
import java.io.IOException;
import java.io.ObjectInputStream;
import java.io.ObjectOutputStream;
import java.nio.charset.Charset;
public class KafkaMsgSchema implements DeserializationSchema<String>, SerializationSchema<String> {
private static final long serialVersionUID = 1L;
private transient Charset charset;
public KafkaMsgSchema() {
// 預設UTF-8編碼
this(Charset.forName("UTF-8"));
}
public KafkaMsgSchema(Charset charset) {
this.charset = Preconditions.checkNotNull(charset);
}
public Charset getCharset() {
return this.charset;
}
public String deserialize(byte[] message) {
// 將Kafka的訊息反序列化為java物件
return new String(message, charset);
}
public boolean isEndOfStream(String nextElement) {
// 流永遠不結束
return false;
}
public byte[] serialize(String element) {
// 將java物件序列化為Kafka的訊息
return element.getBytes(this.charset);
}
public TypeInformation<String> getProducedType() {
// 定義產生的資料Typeinfo
return BasicTypeInfo.STRING_TYPE_INFO;
}
private void writeObject(ObjectOutputStream out) throws IOException {
out.defaultWriteObject();
out.writeUTF(this.charset.name());
}
private void readObject(ObjectInputStream in) throws IOException, ClassNotFoundException {
in.defaultReadObject();
String charsetName = in.readUTF();
this.charset = Charset.forName(charsetName);
}
}
- 主程式 - 完整程式碼
import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.streaming.util.serialization.KeyedSerializationSchemaWrapper;
import java.util.Properties;
public class KafkaExample {
public static void main(String[] args) throws Exception {
// 使用者引數獲取
final ParameterTool parameterTool = ParameterTool.fromArgs(args);
// Stream 環境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// Source的topic
String sourceTopic = "flink-topic";
// Sink的topic
String sinkTopic = "flink-topic-output";
// broker 地址
String broker = "localhost:9092";
// 屬性引數 - 實際投產可以在命令列傳入
Properties p = parameterTool.getProperties();
p.putAll(parameterTool.getProperties());
p.put("bootstrap.servers", broker);
env.getConfig().setGlobalJobParameters(parameterTool);
// 建立消費者
FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>(
sourceTopic,
new KafkaMsgSchema(),
p);
// 設定讀取最早的資料
// consumer.setStartFromEarliest();
// 讀取Kafka訊息
DataStream<String> input = env.addSource(consumer);
// 資料處理
DataStream<String> result = input.map(new MapFunction<String, String>() {
public String map(String s) throws Exception {
String msg = "Flink study ".concat(s);
System.out.println(msg);
return msg;
}
});
// 建立生產者
FlinkKafkaProducer producer = new FlinkKafkaProducer<String>(
sinkTopic,
new KeyedSerializationSchemaWrapper<String>(new KafkaMsgSchema()),
p,
FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);
// 將資料寫入Kafka指定Topic中
result.addSink(producer);
// 執行job
env.execute("Kafka Example");
}
}
執行主程式如下：
我測試操作的過程如下：
- 啟動
flink-topic和flink-topic-output的消費拉取； - 通過命令向
flink-topic中新增測試訊息only for test; - 通過命令列印驗證新增的測試訊息
only for test; - 最簡單的FlinkJob
source->map->sink對測試訊息進行map處理："Flink study ".concat(s); - 通過命令列印sink的資料；
#### 內建Schemas
Apache Flink 內部提供瞭如下3中內建的常用訊息格式的Schemas:
-
TypeInformationSerializationSchema (and TypeInformationKeyValueSerializationSchema)它基於Flink的TypeInformation建立模式。 如果資料由Flink寫入和讀取，這將非常有用。 -
JsonDeserializationSchema (and JSONKeyValueDeserializationSchema)它將序列化的JSON轉換為ObjectNode物件，可以使用objectNode.get（“field”）作為（Int / String / ...）（）從中訪問欄位。 KeyValue objectNode包含“key”和“value”欄位，其中包含所有欄位以及可選的"metadata"欄位，該欄位公開此訊息的偏移量/分割槽/主題。 -
AvroDeserializationSchema它使用靜態提供的模式讀取使用Avro格式序列化的資料。 它可以從Avro生成的類（AvroDeserializationSchema.forSpecific（...））推斷出模式，或者它可以與GenericRecords一起使用手動提供的模式（使用AvroDeserializationSchema.forGeneric（...））
要使用內建的Schemas需要新增如下依賴：
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-avro</artifactId>
<version>1.7.0</version>
</dependency>讀取位置配置
我們在消費Kafka資料時候，我們可能需要指定消費的位置，Apache Flink 的FlinkKafkaConsumer提供很多便利的位置設定，如下：
- consumer.setStartFromEarliest() - 從最早的記錄開始；
- consumer.setStartFromLatest() - 從最新記錄開始；
- consumer.setStartFromTimestamp(...); // 從指定的epoch時間戳（毫秒）開始；
- consumer.setStartFromGroupOffsets(); // 預設行為，從上次消費的偏移量進行繼續消費。
上面的位置指定可以精確到每個分割槽，比如如下程式碼：
Map<KafkaTopicPartition, Long> specificStartOffsets = new HashMap<>();
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 0), 23L); // 第一個分割槽從23L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 1), 31L);// 第二個分割槽從31L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 2), 43L);// 第三個分割槽從43L開始
consumer.setStartFromSpecificOffsets(specificStartOffsets);對於沒有指定的分割槽還是預設的setStartFromGroupOffsets方式。
Topic發現
Kafka支援Topic自動發現，也就是用正則的方式建立FlinkKafkaConsumer,比如：
// 建立消費者
FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>( java.util.regex.Pattern.compile(sourceTopic.concat("-[0-9]")),
new KafkaMsgSchema(),
p);在上面的示例中，當作業開始執行時，消費者將訂閱名稱與指定正則表示式匹配的所有Topic（以sourceTopic的值開頭並以單個數字結尾）。
定義Watermark(Window)
對Kafka Connector的應用不僅限於上面的簡單資料提取，我們更多時候是期望對Kafka資料進行Event-time的視窗操作，那麼就需要在Flink Kafka Source中定義Watermark。
要定義Event-time，首先是Kafka資料裡面攜帶時間屬性，假設我們資料是String#Long的格式，如only for test#1000。那麼我們將Long作為時間列。
- KafkaWithTsMsgSchema - 完整程式碼
要想解析上面的Kafka的資料格式，我們需要開發一個自定義的Schema,比如叫KafkaWithTsMsgSchema，將String#Long解析為一個Java的Tuple2<String, Long>,完整程式碼如下：
import org.apache.flink.api.common.serialization.DeserializationSchema;
import org.apache.flink.api.common.serialization.SerializationSchema;
import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.typeutils.TupleTypeInfo;
import org.apache.flink.util.Preconditions;
import java.io.IOException;
import java.io.ObjectInputStream;
import java.io.ObjectOutputStream;
import java.nio.charset.Charset;
public class KafkaWithTsMsgSchema implements DeserializationSchema<Tuple2<String, Long>>, SerializationSchema<Tuple2<String, Long>> {
private static final long serialVersionUID = 1L;
private transient Charset charset;
public KafkaWithTsMsgSchema() {
this(Charset.forName("UTF-8"));
}
public KafkaWithTsMsgSchema(Charset charset) {
this.charset = Preconditions.checkNotNull(charset);
}
public Charset getCharset() {
return this.charset;
}
public Tuple2<String, Long> deserialize(byte[] message) {
String msg = new String(message, charset);
String[] dataAndTs = msg.split("#");
if(dataAndTs.length == 2){
return new Tuple2<String, Long>(dataAndTs[0], Long.parseLong(dataAndTs[1].trim()));
}else{
// 實際生產上需要丟擲runtime異常
System.out.println("Fail due to invalid msg format.. ["+msg+"]");
return new Tuple2<String, Long>(msg, 0L);
}
}
@Override
public boolean isEndOfStream(Tuple2<String, Long> stringLongTuple2) {
return false;
}
public byte[] serialize(Tuple2<String, Long> element) {
return "MAX - ".concat(element.f0).concat("#").concat(String.valueOf(element.f1)).getBytes(this.charset);
}
private void writeObject(ObjectOutputStream out) throws IOException {
out.defaultWriteObject();
out.writeUTF(this.charset.name());
}
private void readObject(ObjectInputStream in) throws IOException, ClassNotFoundException {
in.defaultReadObject();
String charsetName = in.readUTF();
this.charset = Charset.forName(charsetName);
}
@Override
public TypeInformation<Tuple2<String, Long>> getProducedType() {
return new TupleTypeInfo<Tuple2<String, Long>>(BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.LONG_TYPE_INFO);
}
}
- Watermark生成
提取時間戳和建立Watermark，需要實現一個自定義的時間提取和Watermark生成器。在Apache Flink 內部有2種方式如下:
- AssignerWithPunctuatedWatermarks - 每條記錄都產生Watermark。
- AssignerWithPeriodicWatermarks - 週期性的生成Watermark。
我們以
AssignerWithPunctuatedWatermarks為例寫一個自定義的時間提取和Watermark生成器。程式碼如下：
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.functions.AssignerWithPunctuatedWatermarks;
import org.apache.flink.streaming.api.watermark.Watermark;
import javax.annotation.Nullable;
public class KafkaAssignerWithPunctuatedWatermarks
implements AssignerWithPunctuatedWatermarks<Tuple2<String, Long>> {
@Nullable
@Override
public Watermark checkAndGetNextWatermark(Tuple2<String, Long> o, long l) {
// 利用提取的時間戳建立Watermark
return new Watermark(l);
}
@Override
public long extractTimestamp(Tuple2<String, Long> o, long l) {
// 提取時間戳
return o.f1;
}
}- 主程式 - 完整程式
我們計算一個大小為1秒的Tumble視窗，計算視窗內最大的值。完整的程式如下：
import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.typeutils.TupleTypeInfo;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.streaming.util.serialization.KeyedSerializationSchemaWrapper;
import java.util.Properties;
public class KafkaWithEventTimeExample {
public static void main(String[] args) throws Exception {
// 使用者引數獲取
final ParameterTool parameterTool = ParameterTool.fromArgs(args);
// Stream 環境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 設定 Event-time
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
// Source的topic
String sourceTopic = "flink-topic";
// Sink的topic
String sinkTopic = "flink-topic-output";
// broker 地址
String broker = "localhost:9092";
// 屬性引數 - 實際投產可以在命令列傳入
Properties p = parameterTool.getProperties();
p.putAll(parameterTool.getProperties());
p.put("bootstrap.servers", broker);
env.getConfig().setGlobalJobParameters(parameterTool);
// 建立消費者
FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<Tuple2<String, Long>>(
sourceTopic,
new KafkaWithTsMsgSchema(),
p);
// 讀取Kafka訊息
TypeInformation<Tuple2<String, Long>> typeInformation = new TupleTypeInfo<Tuple2<String, Long>>(
BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.LONG_TYPE_INFO);
DataStream<Tuple2<String, Long>> input = env
.addSource(consumer).returns(typeInformation)
// 提取時間戳，並生產Watermark
.assignTimestampsAndWatermarks(new KafkaAssignerWithPunctuatedWatermarks());
// 資料處理
DataStream<Tuple2<String, Long>> result = input
.windowAll(TumblingEventTimeWindows.of(Time.seconds(1)))
.max(0);
// 建立生產者
FlinkKafkaProducer producer = new FlinkKafkaProducer<Tuple2<String, Long>>(
sinkTopic,
new KeyedSerializationSchemaWrapper<Tuple2<String, Long>>(new KafkaWithTsMsgSchema()),
p,
FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);
// 將資料寫入Kafka指定Topic中
result.addSink(producer);
// 執行job
env.execute("Kafka With Event-time Example");
}
}測試執行如下：
簡單解釋一下，我們輸入數如下：
| Msg | Watermark |
|---|---|
| E#1000000 | 1000000 |
| A#3000000 | 3000000 |
| B#5000000 | 5000000 |
| C#5000100 | 5000100 |
| E#5000120 | 5000120 |
| A#7000000 | 7000000 |
我們看的5000000~7000000之間的資料，其中B#5000000, C#5000100和E#5000120是同一個視窗的內容。計算MAX值，按字串比較，最大的訊息就是輸出的E#5000120。
Kafka攜帶Timestamps
在Kafka-0.10+ 訊息可以攜帶timestamps，也就是說不用單獨的在msg中顯示新增一個數據列作為timestamps。只有在寫入和讀取都用Flink時候簡單一寫。一般情況用上面的示例方式以及足夠了。
小結
本篇重點是向大家介紹Kafka如和在Flink中進行應用，開篇介紹了Kafka的簡單安裝和收發訊息的命令演示，然後以一個簡單的資料提取和一個Event-time的視窗示例讓大家直觀的感受如何在Apache Flink中使用Kafka。源介紹的內容對您有所幫助！
關於點贊和評論
本系列文章難免有很多缺陷和不足，真誠希望讀者對有收穫的篇章給予點贊鼓勵，對有不足的篇章給予反饋和建議，先行感謝大家!