5. Flink学习之旅（五）

1. Kafka

1.1. Kafka官网

1.2. Kafka 简述

• Kafka 是一个分布式消息系统：具有生产者、消费者的功能。它提供了类似于JMS 的特性，但是在设计实现上完全不同，此外它并不是JMS 规范的实现。

1.3. Kafka特性

• 消息持久化:基于文件系统来存储和缓存消息
• 高吞吐量
• 多客户端支持:核心模块用Scala 语言开发，Kafka 提供了多种开发语言的接入，如Java 、Scala、C 、C＋＋、Python 、Go 、Erlang 、Ruby 、Node. 等
• 安全机制
  • 通过SSL 和SASL(Kerberos), SASL/PLA时验证机制支持生产者、消费者与broker连接时的身份认证；
  • 支持代理与ZooKeeper 连接身份验证
  • 通信时数据加密
  • 客户端读、写权限认证
  • Kafka 支持与外部其他认证授权服务的集成
• 数据备份
• 轻量级
• 消息压缩

1.4. kafka的应用场景

• Kafka作为消息传递系统
  
• Kafka 作为存储系统
  
• Kafka用做流处理
  
• 消息，存储，流处理结合起来使用
  

1.5. kafka-manager的部署

Kafka Manager 由 yahoo 公司开发，该工具可以方便查看集群 主题分布情况，同时支持对 多个集群的管理、分区平衡以及创建主题等操作。

• Centos7安装kafka-manager

• 启动脚本

  • bin/cmak -Dconfig.file=conf/application.conf -java-home /usr/lib/jdk-11.0.6 -Dhttp.port=9008 &

• 界面效果
  
  

• 注意
  

1.6. 使用Kafka Connect导入/导出数据

• 替代Flume——Kafka Connect
• 集群模式
  • 注意： 在集群模式下，配置并不会在命令行传进去，而是需要REST API来创建，修改和销毁连接器。
  • 通过一个示例了解kafka connect连接器
  • kafka connect简介以及部署

1.7. Kafka日志存储原理

Kafka的Message存储采用了分区(partition)，分段(LogSegment)和稀疏索引这几个手段来达到了高效性

• 查看分区.index文件

   bin/kafka-run-class.sh kafka.tools.DumpLogSegments --files kafka-logs/t2-2/00000000000000000000.index 
  

• 查看log文件

  扫描二维码关注公众号，回复： 9916510 查看本文章

  /bin/kafka-run-class.sh kafka.tools.DumpLogSegments --files t1-1/00000000000000000000.log --print-data-log
  

• 查看TimeIndex文件

  bin/kafka-run-class.sh kafka.tools.DumpLogSegments --files t1-2/00000000000000000000.timeindex --verify-index-only
  

• 引入时间戳的作用

2. Kafka与Flink的融合

Flink 提供了专门的 Kafka 连接器，向 Kafka topic 中读取或者写入数据。Flink Kafka Consumer 集成了 Flink 的 Checkpoint 机制，可提供 exactly-once 的处理语义。为此，Flink 并不完全依赖于跟踪 Kafka 消费组的偏移量，而是在内部跟踪和检查偏移量。

2.1. kafka连接flink流计算,实现flink消费kafka的数据

• 创建flink项目
  sbt new tillrohrmann/flink-project.g8

• 配置sbt

  ThisBuild / resolvers ++= Seq(
      "Apache Development Snapshot Repository" at "https://repository.apache.org/content/repositories/snapshots/",
      Resolver.mavenLocal
  )
  
  name := "FlinkKafkaProject"
  
  version := "1.0"
  
  organization := "com.xiaofan"
  
  ThisBuild / scalaVersion := "2.12.6"
  
  val flinkVersion = "1.10.0"
  val kafkaVersion = "2.2.0"
  
  val flinkDependencies = Seq(
    "org.apache.flink" %% "flink-scala" % flinkVersion % "provided",
    "org.apache.kafka" %% "kafka" % kafkaVersion % "provided",
    "org.apache.flink" %% "flink-connector-kafka" % flinkVersion,
    "org.apache.flink" %% "flink-streaming-scala" % flinkVersion % "provided")
  
  lazy val root = (project in file(".")).
    settings(
      libraryDependencies ++= flinkDependencies
    )
  
  assembly / mainClass := Some("com.xiaofan.Job")
  
  // make run command include the provided dependencies
  Compile / run  := Defaults.runTask(Compile / fullClasspath,
                                     Compile / run / mainClass,
                                     Compile / run / runner
                                    ).evaluated
  
  // stays inside the sbt console when we press "ctrl-c" while a Flink programme executes with "run" or "runMain"
  Compile / run / fork := true
  Global / cancelable := true
  
  // exclude Scala library from assembly
  assembly / assemblyOption  := (assembly / assemblyOption).value.copy(includeScala = false)
  
  

• 源代码

  package com.xiaofan
  
  import java.util.Properties
  
  import org.apache.flink.api.common.serialization.SimpleStringSchema
  import org.apache.flink.streaming.api.scala.{StreamExecutionEnvironment, _}
  import org.apache.flink.streaming.api.{CheckpointingMode, TimeCharacteristic}
  import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer
  
  /**
   * 用flink消费kafka
   *
   * @author xiaofan
   */
  object ReadingFromKafka {
    val ZOOKEEPER_HOST = "192.168.1.23:2181,192.168.1.24:2181,192.168.1.25:2181"
    val KAFKA_BROKER = "192.168.1.23:9091,192.168.1.24:9091,192.168.1.25:9091"
    val TRANSACTION_GROUP = "com.xiaofan.flink"
  
    def main(args: Array[String]): Unit = {
      val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
      env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
      env.enableCheckpointing(1000)
      env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)
  
      // configure kafka consumer
      val kafkaProps = new Properties()
      kafkaProps.setProperty("zookeeper.connect", ZOOKEEPER_HOST)
      kafkaProps.setProperty("bootstrap.servers", KAFKA_BROKER)
      kafkaProps.setProperty("group.id", TRANSACTION_GROUP)
  
      val transaction: DataStream[String] = env.addSource(new FlinkKafkaConsumer[String]("xiaofan01", new SimpleStringSchema(), kafkaProps))
      transaction.print
  
      env.execute()
  
    }
  }
  
  

• 启动kafka集群，运行结果
  

2.2. flink 读取kafka并且自定义水印再将数据写入kafka中

• 需求说明（自定义窗口，每分钟的词频统计）

  • 从kafka中读取数据（topic：t1）
  • kafka中有event time时间值，通过该时间戳来进行时间划分，窗口长度为10秒，窗口步长为5秒
  • 由于生产中可能会因为网络或者其他原因导致数据延时，比如 00：00：10 时间的数据可能 00:00:12 才会传入kafka中，所以在flink的处理中应该设置延时等待处理，这里设置的2秒，可以自行修改。
  • 结果数据写入kafka中（topic：t2）（数据格式 time：时间 count：每分钟的处理条数）

• 准备环境flink1.10.0 + kafka2.2.0

• 创建topic

  bin/kafka-topics.sh --create --bootstrap-server 192.168.1.25:9091 --replication-factor 2 --partitions 3 --topic t1
  

  bin/kafka-topics.sh --create --bootstrap-server 192.168.1.25:9091 --replication-factor 2 --partitions 3 --topic t2
  

• 向t1中生产数据

  package com.xiaofan
  
  import java.util.Properties
  
  import org.apache.kafka.clients.producer.{KafkaProducer, ProducerRecord}
  
  object ProduceData {
    def main(args: Array[String]): Unit = {
      val props = new Properties()
      props.put("bootstrap.servers", "192.168.1.25:9091")
      props.put("acks", "1")
      props.put("retries", "3")
      props.put("batch.size", "16384") // 16K
  
      props.put("linger.ms", "1")
      props.put("buffer.memory", "33554432") // 32M
  
      props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer")
      props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer")
  
      val producer = new KafkaProducer[String, String](props)
      var i = 0
      while (true) {
        i += 1
        // 模拟标记事件时间
        val record = new ProducerRecord[String, String]("t1", i + "," + System.currentTimeMillis())
        //  只管发送消息，不管是否发送成功
        producer.send(record)
        Thread.sleep(300)
      }
  
    }
  }
  
  

• 消费t1数据，处理后再次传入kafka t2

  package com.xiaofan
  
  
  import java.text.SimpleDateFormat
  import java.util.{Date, Properties}
  
  import org.apache.flink.api.common.serialization.SimpleStringSchema
  import org.apache.flink.streaming.api.TimeCharacteristic
  import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks
  import org.apache.flink.streaming.api.scala.{StreamExecutionEnvironment, _}
  import org.apache.flink.streaming.api.watermark.Watermark
  import org.apache.flink.streaming.api.windowing.time.Time
  import org.apache.flink.streaming.connectors.kafka.internals.KeyedSerializationSchemaWrapper
  import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaConsumer, FlinkKafkaProducer}
  
  /**
   * Watermark 案例
   * 根据自定义水印定义时间，计算每秒的消息数并且写入 kafka中
   */
  object StreamingWindowWatermarkScala {
  
    def main(args: Array[String]): Unit = {
  
      val env = StreamExecutionEnvironment.getExecutionEnvironment
      env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
      env.setParallelism(1)
  
      val topic = "t1"
      val prop = new Properties()
      prop.setProperty("bootstrap.servers","192.168.1.25:9091")
      prop.setProperty("group.id","con1")
  
  
      val myConsumer = new FlinkKafkaConsumer[String](topic,new SimpleStringSchema(),prop)
      // 添加源
      val text = env.addSource(myConsumer)
  
      val inputMap = text.map(line=>{
        val arr = line.split(",")
        (arr(0),arr(1).trim.toLong)
      })
      // 添加水印
      val waterMarkStream = inputMap.assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks[(String, Long)] {
        var currentMaxTimestamp = 0L
        var maxOutOfOrderness = 3000L// 最大允许的乱序时间是10s
  
        val sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
  
        override def getCurrentWatermark = new Watermark(currentMaxTimestamp - maxOutOfOrderness)
  
        override def extractTimestamp(element: (String, Long), previousElementTimestamp: Long) = {
          val timestamp = element._2
          currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp)
          val id = Thread.currentThread().getId
          println("currentThreadId:"+id+",key:"+element._1+",eventtime:["+element._2+"|"+sdf.format(element._2)+"],currentMaxTimestamp:["+currentMaxTimestamp+"|"+ sdf.format(currentMaxTimestamp)+"],watermark:["+getCurrentWatermark().getTimestamp+"|"+sdf.format(getCurrentWatermark().getTimestamp)+"]")
          timestamp
        }
      })
  
      val window = waterMarkStream.map(x=>(x._2,1)).timeWindowAll(Time.seconds(1),Time.seconds(1)).sum(1).map(x=>"time:"+tranTimeToString(x._1.toString)+"  count:"+x._2)
      // .window(TumblingEventTimeWindows.of(Time.seconds(3))) //按照消息的EventTime分配窗口，和调用TimeWindow效果一样
  
  
      val topic2 = "t2"
      val props = new Properties()
      props.setProperty("bootstrap.servers","192.168.1.25:9091")
      //使用支持仅一次语义的形式
      val myProducer = new FlinkKafkaProducer[String](topic2,new KeyedSerializationSchemaWrapper[String](new SimpleStringSchema()), props, FlinkKafkaProducer.Semantic.EXACTLY_ONCE)
  
      window.addSink(myProducer)
      env.execute("StreamingWindowWatermarkScala")
  
    }
  
  
    def tranTimeToString(timestamp:String) :String={
      val fm = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss")
      val time = fm.format(new Date(timestamp.toLong))
      time
    }
  
  
  }
  

• 运行效果

3. Airbnb 是如何通过 balanced Kafka reader 来扩展 Spark streaming 实时流处理能力的

• 参考链接1
• 参考链接2

4. 寄语：海阔凭鱼跃，天高任鸟飞