码迷,mamicode.com
首页 > 其他好文 > 详细

Kafka Connect HDFS

时间:2019-11-08 12:07:39      阅读:120      评论:0      收藏:0      [点我收藏+]

标签:info   zip   完整性   class   intern   微软雅黑   record   and   stream   

概述

Kafka 的数据如何传输到HDFS?如果仔细思考,会发现这个问题并不简单。

不妨先想一下这两个问题?

1)为什么要将Kafka的数据传输到HDFS上?

2)为什么不直接写HDFS而要通过Kafka?

HDFS一直以来是为离线数据的存储和计算设计的,因此对实时事件数据的写入并不友好,而Kafka生来就是为实时数据设计的,但是数据在Kafka上无法使用离线计算框架来作批量离线分析。

那么,Kafka为什么就不能支持批量离线分析呢?想象我们将Kafka的数据按天拆分topic,并建足够多的分区,然后通过Spark-Streaming,Flink,又或者是KSql等来处理单个topic中的所有数据--这就相当于处理某一天的所有数据。这种计算的性能从原理上来说是不比Spark或者Hive离线计算差的。

而且更好的是,这样我们就不用将kafka中的数据翻来覆去的导到hdfs,而是直接在kafka上作计算。

后面我们将对此展开更多的讨论,这里先回归正题,在常见的大数据系统架构(lambda)中,通常会将kafka中的数据导入到HDFS来作离线的数据分析。在Kafka的官方wiki中提到了这样的一些方式来对接Hadoop生态。

https://cwiki.apache.org/confluence/display/KAFKA/Ecosystem

技术图片

其中最常用的是Flume,尤其是在CDH集群中,能够很方便的集成Flume和Kafka。

而HortonWorks在其3.0之后的HDP版本中去掉了Flume,原因是想将Flume放到HDF(HortonWorks Data Flow)中,这个做法还是比较失策的,虽然成全了HDF,但却让HDP失去了其完整性。

本案例中使用Ambari 2.7.4+HDP3.1 由于缺少了Flume组件,因此使用Kafka Connect HDFS来连接Hadoop。

下面记录了连接过程。以下操作的基础是,有一个搭建好的Ambari集群,并安装了Kafka+HDFS。

参考安装文档:

https://docs.confluent.io/3.0.0/connect/connect-hdfs/docs/index.html

项目github地址:

https://github.com/confluentinc/kafka-connect-hdfs


一.下载软件包

[work@node2 ~]$ wget http://packages.confluent.io/archive/3.0/confluent-3.0.0-2.11.zip
[work@node2 ~]$ unzip confluent-3.0.0-2.11.zip


二.快速体验Kafka-Connect

下面的例子其实不需要下载Confluent,是Kafka2.0中自带的FileSource和FileSink,而Confluent中也包含了这些功能,如果需要用到Kafka Connect HDFS,就需要Confluent了,这里只是用最简单的例子快速了解Kafka-Connect的用法。

2.1 在主目录下写test.txt文件,内容如下

[work@node2 confluent-3.0.0]$ ls
bin  etc  README.archive  share  src  test.txt
[work@node2 confluent-3.0.0]$ cat test.txt
foo
bar
New Record
New Record


2.2 修改etc/kafka/connect-standalone.properties

[work@node2 confluent-3.0.0]$ vi etc/kafka/connect-standalone.properties

技术图片

Ambari的kafka端口不是9092,而是6667。

Connector的rest.port默认是8083,和Ambari中安装的Druid的端口有冲突,所以改成8822。

2.3 运行命令

[work@node2 confluent-3.0.0]$ ./bin/connect-standalone etc/kafka/connect-standalone.properties etc/kafka/connect-file-source.properties etc/kafka/connect-file-sink.properties


2.4 生成sink文件

[work@node2 confluent-3.0.0]$ ls
bin  etc  logs  README.archive  share  src  test.sink.txt  test.txt
[work@node2 confluent-3.0.0]$ cat test.sink.txt
foo
bar
New Record
New Record

尝试新加一行数据

[work@node2 confluent-3.0.0]$ echo "Hello World" >> test.txt
[work@node2 confluent-3.0.0]$ cat test.sink.txt
foo
bar
New Record
New Record
Hello World


2.5 分析 etc/kafka/connect-file-source.properties 和 etc/kafka/connecfile-sink.properties

etc/kafka/connect-file-source.properties 如下

技术图片

etc/kafka/connecfile-sink.properties 如下

技术图片

通过Kafka Console Consumer查看 connect-test topic

[work@node2 confluent-3.0.0]$ ./bin/kafka-console-consumer  --bootstrap-server node1:6667 --topic connect-test --from-beginning --new-consumer
{"schema":{"type":"string","optional":false},"payload":"foo"}
{"schema":{"type":"string","optional":false},"payload":"bar"}
{"schema":{"type":"string","optional":false},"payload":"New Record"}
{"schema":{"type":"string","optional":false},"payload":"New Record"}
{"schema":{"type":"string","optional":false},"payload":"Hello World"}


2.6 Converter

从上一节中可以看到一行行json格式的数据,其中payload是原始数据。在这里connect-test这个topic有点类似于flume中的channel的角色,用来连接source和sink缓存中间数据。

当数据量非常大的情况下,这种额外的处理会造成性能和空间的浪费。

[work@node2 confluent-3.0.0]$ vi etc/kafka/connect-standalone.properties

技术图片

修改connect的配置,数据在传递过程中将不再作任何处理。StringConverter源码传送门:

https://github.com/apache/kafka/blob/trunk/connect/api/src/main/java/org/apache/kafka/connect/storage/StringConverter.java

key.converter=org.apache.kafka.connect.storage.StringConverter
value.converter=org.apache.kafka.connect.storage.StringConverter
key.converter.schemas.enable=false
value.converter.schemas.enable=false
internal.key.converter=org.apache.kafka.connect.storage.StringConverter
internal.value.converter=org.apache.kafka.connect.storage.StringConverter
internal.key.converter.schemas.enable=false
internal.value.converter.schemas.enable=false


三.通过Kafka将数据写入到HDFS

技术图片

https://github.com/confluentinc/kafka-connect-hdfs/blob/master/src/main/java/io/confluent/connect/hdfs/string/StringFormat.java

如果不使用Avro格式来存储和处理数据,那么这里要加一个配置

format.class=io.confluent.connect.hdfs.string.StringFormat

但是比较遗憾的是Confluent3.0.0的版本中不包含这个类。因此这里我使用了confluent-5.3.1的版本,然后再通过如下命令安装kafka-connect-hdfs

confluent-hub install confluentinc/kafka-connect-hdfs:latest

启动

bin/connect-standalone etc/kafka/connect-standalone.properties  share/confluent-hub-components/confluentinc-kafka-connect-hdfs/etc/quickstart-hdfs.properties

所有写入到test_hdfs这个topic中的数据都会写入到hdfs中。

[work@node2 confluent-5.3.1]$ bin/kafka-console-producer --broker-list node1:6667 --topic test_hdfs
>123
>456
>789
>13
>213w
>asd
>

查看hdfs中的结果

[work@node2 ~]$ hadoop fs -ls /topics/test_hdfs/partition=0
Found 2 items
-rw-r--r--   3 work work         12 2019-11-08 10:18 /topics/test_hdfs/partition=0/test_hdfs+0+0000000000+0000000002.txt
-rw-r--r--   3 work work         12 2019-11-08 10:20 /topics/test_hdfs/partition=0/test_hdfs+0+0000000003+0000000005.txt
[work@node2 ~]$ hadoop fs -cat /topics/test_hdfs/partition=0/test_hdfs+0+0000000000+0000000002.txt
123
123
456

Connect HDFS完毕。


三.总结

优势:

1.操作简单,部署方便。

2.可以直接和hive的元数据集成自动生成分区。

缺点:

1.支持的数据格式少,avro在国内并不流行。

2.一个致命缺陷,不支持压缩!!不知道是confluent的疏忽还是有特地的考虑?因为不支持压缩,使用这个组件会浪费80%的存储空间,无实用性。

Kafka Connect HDFS

标签:info   zip   完整性   class   intern   微软雅黑   record   and   stream   

原文地址:https://www.cnblogs.com/arli/p/11819009.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!