阿里云消息队列 Kafka 生态集成的实践与探索
作者：尘辉
消息队列 Kafka 简介
Apache Kafka是一个分布式流平台，作为互联网领域不可或缺的消息组件，在全球获得了广泛的应用。在使用过程中，Kafka一般被作为消息流转的核心枢纽，上下游系统通过Kafka实现异步，削峰填谷。在大数据处理和实时数据处理领域Kafka也是不可替代的组件。
Kafka使用非常广泛，在有些领域使用已经非常成熟，如日志收集，大数据处理，数据库等领域。Kafka跟上下游也有标准化的对接模块，如日志收集有Flume，Filebeat，Logstash，大数据处理有spark，flink等组件。同时在一些小众的领域则没有现成的工具可以直接对接，如对接某个小众的数据库，或者用户自己定制化的系统。这时一般的对接方法是自行开发Kafka生产消费程序对接。
在不同系统对接时通常会遇到以下问题：
- 公司的不同团队对同一个系统有对接需求，各自开发重复造轮子，且实现方式不一，升级运维成本高。
- 各子系统由不同的团队开发，因此，各系统中的数据在内容和格式上，存在天然的不一致性，需要进行格式处理，以消除各系统数据之间格式的不同。
基于Kafka使用的广泛度和上下游系统的多样性考虑，Kafka推出了内置的上下游系统对接框架Kafka Connect。
Kafka Connect 介绍
Kafka Connect是一个用于将数据流输入和输出Kafka的框架。下面介绍connector的一些主要概念：
- Connectors：通过管理task来协调数据流的高级抽象
- Tasks：如何将数据复制到Kafka或从Kafka复制数据的实现
- Workers：执行Connector和Task的运行进程
- Converters：用于在Connect和外部系统发送或接收数据之间转换数据的代码
- Transforms：更改由连接器生成或发送到连接器的每个消息的简单逻辑
Connectors
Kafka Connect中的connector定义了数据应该从哪里复制到哪里。connector实例是一种逻辑作业，负责管理Kafka与另一个系统之间的数据复制。
connector有一些开源的实现。同时用户也可以从头编写一个新的connector插件，编写流程一般如下：
Tasks
Task是Connect数据模型中的主要处理数据的角色。每个connector实例协调一组实际复制数据的task。通过允许connector将单个作业分解为多个task，Kafka Connect提供了内置的对并行性和可伸缩数据复制的支持，只需很少的配置。这些任务没有存储任何状态。任务状态存储在Kafka中的特殊主题config.storage.topic和status.storage.topic中。因此，可以在任何时候启动、停止或重新启动任务，以提供弹性的、可伸缩的数据管道。
Task再平衡
当connector首次提交到集群时，workers会重新平衡集群中的所有connector及其tasks，以便每个worker的工作量大致相同。当connector增加或减少它们所需的task数量，或者更改connector的配置时，也会使用相同的重新平衡过程。当一个worker失败时，task在活动的worker之间重新平衡。当一个task失败时，不会触发再平衡，因为task失败被认为是一个例外情况。因此，失败的task不会被框架自动重新启动，应该通过REST API重新启动。
Converters
在向Kafka写入或从Kafka读取数据时，Converter是使Kafka Connect支持特定数据格式所必需的。task使用转换器将数据格式从字节更改为连接内部数据格式，反之亦然。
默认提供以下converters：
- AvroConverter：与Schema Registry一起使用；
- JsonConverter：适合结构数据；
- StringConverter：简单的字符串格式；
- ByteArrayConverter：提供不进行转换的“传递”选项；
转换器与连接器本身解耦，以便在连接器之间自然地重用转换器。
Transforms
Connector可以配置转换，以便对单个消息进行简单且轻量的修改。这对于小数据的调整和事件路由十分方便，且可以在connector配置中将多个转换链接在一起。
开源问题
Kafka connect线下单独部署时，设计的很不错了，但作为一个云服务提供时，还是存在了不少的问题，主要体现在以下几点：
- 与云服务的集成度不好：云厂商有不少闭源产品，对于开源产品的云托管版也会有访问控制等问题。
- 占用Kafka集群资源：每个connector任务都需要三个内置元信息topic，占用云产品资源，对于元信息topic的误操作也会导致任务异常。
- 运维管控接口和监控简单：管控接口没法控制运行资源粒度，监控缺少connector任务维度的指标。
- 与云原生架构结合不好：架构初始设计并非云原生，任务之间隔离度不够，负载均衡算法简单，没有动态自平衡能力。
基于Kafka connect部署在云上的种种问题，消息队列Kafka团队在兼容原生kafka connect框架的前提下，以云原生的方式重新实现了Kafka connect模块。
阿里云消息队列 Kafka Connect 解决方案
阿里云消息队列Kafka Connect框架介绍
架构设计将控制面和运行面分开，通过数据库和Etcd进行任务分发和模块通信。底层运行环境采用K8S集群，更好的控制了资源的粒度和隔离程度，整体架构图如下：
该架构在很好的解决了Apache Kafka Connect模块在云上遇到的问题：
- 与云服务的对接：运行环境部署时默认网络打通，运行面打通了访问控制模块；
- 占用Kafka集群资源：元信息采用数据库和Etcd存储，不占用Kafka topic资源；
- 运维管控接口增强：增强了资源层面的管控Api，可以精细化的控制每个任务的运行资源；
- 监控指标增强：任务维度全链路运行时metrics收集，监控数据从流入到流出的不同阶段的运行情况，出现问题是及时定位问题；
- 云原生架构设计：控制面统筹全局资源，实时监测集群负载，并能够自动完成负载均衡，失败重启，异常漂移等运维操作；
阿里云Kafka Connect介绍
阿里云消息队列Kafka已经支持的Connector类型如下：
涵盖了数据库，数据仓库，数据检索和报表，告警系统，备份需求这些主流的使用场景。
根据不同场景的实际需求，阿里云消息队列Kafka Connect主要两种实现方式：
-
通过扩展Kafka Connect框架，完成外部系统与Kafka的直接对接。
-
对于需要数据处理的任务类型，通过Kafka->函数计算（下简称fc）->外部系统的，在fc上可以灵活的定制化处理逻辑。
具体connect的实现方式如下：
数据库
数据库之间备份一般不会走kafka，msyql->kafka一般都是为了将数据分发给下游订阅，在mysql数据有变更时作出告警或这其他响应，链路mysql->kafka->订阅程序->告警/变更其他系统。
数据仓库
数据仓库阿里云上常用的是maxCompute，任务特点是吞吐量大，也有数据清洗需求，一般流程为kafka->maxCompute，然后maxCompute内部任务进行数据转换。也可以在入maxCompute之前进行数据清洗，链路一般为kafka->flink->maxCompute。对于数据转换简单或者数据量小的任务，可以使用函数计算替换flink，链路为kafka->fc->maxCompute。
数据检索和报表
通用的数据检索和报表一般通过es，数据传入es前需要做清洗处理，适合的路径kafka->flink->es/kafka->fc->es。
告警系统
告警系统中使用kafka一般流程 前置模块->kafka->订阅程序->告警模块，这种最好的方式是 前置模块->kafka->fc->告警。
备份需求
有些数据可能需要定期归档，做长期保存，oss是一个不错的介质，这种场景一般只需要保存原属数据，所以好的方式可能是kafka->oss。如果数据需要处理，可以通过Kafka->fc->oss链路。
阿里云消息队列 Kafka 生态规划
消息队列Kafka当前支持的connect都采用自研新架构独立开发，对于主流的使用场景已经有了不错的覆盖，但同时也可以看到，Kafka生态发展非常迅猛，Kafka的使用场景也越来越多，开源Kafka connect也在不断的发展，下一步消息队列Kafka会对接开源Kafka connect，让开源Kakfa connect可以无需修改，无缝的运行在自研的架构上。
总结
Kafka在互联网架构中已经占据了重要的位置，同时也在积极往上下游拓展，除了Kafka connect，还有Kafka Streams，Ksql，Kafka Rest Proxy等模块也在不断完善和成熟，相信在后续的发展中，Kafka在软件架构中会扮演越来越多的重要角色。
点击此处，进官网了解更多详情
