Kafka Connect Details 详解

Kafka Connect Details 详解

原文地址：http://3gods.com/2017/08/18/Kafka-Connect-Details.html。

概览

Kafka Connect是在0.9以后加入的功能，主要是用来将其他系统的数据导入到Kafka,然后再将Kafka中的数据导出到另外的系统。
可以用来做实时数据同步的ETL，数据实时分析处理等。

主要有2种模式：Standalone（单机模式）和Distribute（分布式模式）。
单机主要用来开发，测试，分布式的用于生产环境。

启动和配置

Standalone 单机模式

启动命令： bin/connect-standalone.sh config/connect-standalone.properties connector1.properties [connector2.properties …]
这么多的配置，搞毛线啊。说真的，官网的这个，当时我真没看懂。下面解释下：
执行单机启动脚本connect-standalone.sh，将connect-standalone.properties属性文件传递进去作为Worker的配置，
另外的配置就是属于Connector的配置，会被全部传递给SouceConnector或者SinkConnector。

bootstrap.servers：kafka集群地址，例如：10.33.2.1:9092,10.33.2.9:9092,10.33.1.13:9092

key.converter：用来转换写入或者读出kafka中消息的key的，例如：org.apache.kafka.connect.json.JsonConverter。
效果是对指定了key是id=1000，转换成{“id” : 1000}，也可以使用Avro的格式。我做的项目使用的maxwell，发现使用Json转换后，
字段的双引号全没了，冒号变成等号，变成了这种鬼东西{id=1000}。后面直接改成使用String的转换器：org.apache.kafka.connect.storage.StringConverter。

value.converter：同上，只是用来转换消息的value的，也就是传输的具体数据。

offset.storage.file.filename：默认是：/tmp/connect.offsets。
这个配置要注意，单机模式是需要自己持久化offset的。 Kafka Connect会用这里配置的文件保存offset。
而且针对producer和consumer（也就是source和sink）需要单独分别配置：
producer.offset.storage.file.filename=/temp/source-offset
consuer.offset.storage.file.filename=/temp/sink-offset
但是，我单机好像从来没成功过，每次重启，都是重头消费。

Distribute 分布式模式

启动命令：
bin/connect-distributed.sh config/connect-distributed.properties
分布式模式下，connector类及其配置都是通过Rest API接口提交给kafka的。
但不需要配置保存offset的文件，因为分布式下，都是将offsets，configs和status保存到topics中的。
然后由Worker决定如何存储配置，分配工作，存储offsets和task的状态信息。
切记，为了程序的高可用，这3个topics最好手动创建。 
具体命令，请看另外一篇博客：Kafka命令 。

group.id：也就是connect-cluster的group id，这个不能和consumer的goup id冲突。
config.storage.topic：用来保存connector和task的配置的。 单分片，多副本，压实类型（compacted） 的topic。
因为非压实的topic在一定配置，触发条件下，会删除！！！
这里的多副本是为了配置一直都可用，建议数量等于Kafka Brokers的数量。单分片，应该是刚开始启动，初始化的时候， 只有一个线程消费。

offset.storage.topic：用来保存offset的，既有source connect的，也有sink connect的offset。多分片，多副本，压实的topic。
status.storage.topic：用来存储task状态的，多分片，多副本，压实的topic。
这两个多分片，多副本配置和一般的topic相同就行了，比如我们是3个副本，5个partition。

上面的3个topic，你都可以用console-consumer进行消费看看，特别是status.storage.topic非常有用，
因为分布式模式下，task因为一些配置，异常关掉，只会显示xxxTask closed，但是不会显示异常信息。
而从status.storage.topic中消费出来的消息可以看到具体异常信息。

Connector的配置

name：connector的唯一名字
connector.class：用来连接Kafka集群的类名，也就是你继承SourceConnector或SinkConnector的实现类，
也就是Connector程序的入口，尽量使用全量路径名。
tasks.max：task的数量，一个task就是一个线程。task数量设置要小于等于分片partition的数量，多了并发度无法提高。
key.converter：覆盖掉传递给Worker的消息的key转换类，也就是connect-stadalone.properties
和connect-distirbute.properties中key.converter。
value.converter：同上。
topics：要消费的topic列表，对于sink connector才需要配置。

Transformations 转换器

用来将消息进行修改，转换，以及路由的。可以将多个组合起来，作为一个转换链。
个人建议是，这些代码直接在connector中写，除非可以部署上去，多个系统公用。
还有一方面是，黑盒的类太多，出问题了后不知道是哪里出问题了，而且也不能本地debug。
再就是着他妈的Transformations配置也太多了，学习成本好高啊。这块的详细内容没看，详情请看官网。

REST API

这块就是用来查询Connector和Task的状态，主要用于Connector集群的监控。
GET /connectors - 查询所有connectors
POST /connectors - 提交一个connector。比如是JSON格式，例子：

{
 "name": "dis-maxwell-sink",
 "config": {
   "name" : "maxwell-sink-song",
   "connector.class" : "com.cimc.maxwell.sink.MySqlSinkConnector",
   "tasks.max": 1,
   "topics": "estation.db_ez.t_parcel,estation.db_ez.t_box",
   }
 }

GET /connectors/{name} - 查询指定connector信息的
GET /connectors/{name}/config - 查询指定connector配置的
PUT /connectors/{name}/config - 更新指定connector配置的
GET /connectors/{name}/status - 查询指定connector状态的
GET /connectors/{name}/tasks - 查询指定connector的所有tasks
GET /connectors/{name}/tasks/{taskid}/status - 查询指定connector的指定task的状态的，taskid一般是0，1，2之类
PUT /connectors/{name}/pause - 暂停指定connector的，慎用，比如因为系统更新升级，想停掉source connector拉取消息
PUT /connectors/{name}/resume - 恢复上面暂停的connector的
POST /connectors/{name}/restart - 重启一个connector（connector因为一些原因挂掉了，比如被强行杀死，一般不是异常造成）
POST /connectors/{name}/tasks/{taskId}/restart - 重启一个指定的task的
DELETE /connectors/{name} - 删除一个connector
GET /connector-plugins - 获取所有已安装的connector插件
PUT /connector-plugins/{connector-type}/config/validate - 校验connector的配置的属性类型。

Kafka Connect 开发详解

详见我的另外一篇博客：Kafka Connect 开发详解 。

Kafka Connect VS Producer Consumer

其实Kafka Connect的本质就是将Kafka Client包装了一层，并对开发者提供统一的实现接口。 
Source Connector对应Producer，Sink Connector对应Consumer。

Kafka Connect的优点

1.对开发者提供了统一的实现接口
2.开发，部署和管理都非常方便，统一 
3.使用分布式模式进行水平扩展，毫无压力
4.在分布式模式下可以通过Rest Api提交和管理Connectors
5.对offset自动管理，只需要很简单的配置，而不像Consumer中需要开发者处理
6.流式/批式处理的支持

第三方资源

这是已经得到支持的组件，不需要做额外的开发： https://www.confluent.io/product/connectors/
括号中的Source表示将数据从其他系统导入Kafka，Sink表示将数据从Kafka导出到其他系统。
其他的我没看，但是JDBC的实现比较的坑爹，是通过primary key（如id）和时间戳（如updateTime）字段，
来判断数据是否更新，这样的话应用范围非常受局限。

参考

Kafka Documentation

posted @ 2017-08-21 19:08  songxin1990  Views(3882)  Comments(0)  Edit  收藏  举报