Kafka 簡介

Apache Kafka是一個分布式發布-訂閱消息傳遞系統。它最初由LinkedIn公司開發，LinkedIn于2010年貢獻給了Apache基金會并成為頂級開源項目。Kafka用于構建實時數據管道和流式應用程序。它具有水平擴展性、容錯性、極快的速度，目前也得到了廣泛的應用。

Kafka不但是分布式消息系統而且也支持流式計算，所以在介紹Kafka在Apache Flink中的應用之前，先以一個Kafka的簡單示例直觀了解什么是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。

下載二進制包

curl -L -O http://mirrors.shu.edu.cn/apache/kafka/2.1.0/kafka_2.11-2.1.0.tgz復制代碼

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
復制代碼

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是一個發布訂閱系統，消息訂閱首先要有個服務存在。我們啟動一個Kafka Server 實例。 Kafka需要使用ZooKeeper，要進行投產部署我們需要安裝ZooKeeper集群，這不在本篇的介紹范圍內，所以我們利用Kafka提供的腳本，安裝一個只有一個節點的ZooKeeper實例。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)復制代碼

啟動之后，ZooKeeper會綁定2181端口（默認）。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)復制代碼

如果上面一切順利，Kafka的安裝就完成了。

創建Topic

Kafka是消息訂閱系統，首先創建可以被訂閱的Topic，我們創建一個名為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-tipicCreated topic "flink-tipic".復制代碼

在Kafka Server的terminal中也會輸出如下成功創建信息：

...
[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)
...復制代碼

上面顯示了flink-topic的基本屬性配置，如消息壓縮方式，消息格式，備份數量等等。

除了看日志，我們可以用命令顯示的查詢我們是否成功的創建了flink-topic，如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-topics.sh --list --zookeeper localhost:2181flink-tipic復制代碼

如果輸出flink-tipic，那么說明我們的Topic成功創建了。

那么Topic是保存在哪里？Kafka是怎樣進行消息的發布和訂閱的呢？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來存儲集群信息，也就是上面我們啟動的Kafka Server 實例，一個集群中可以有多個Kafka Server 實例，Kafka Server叫做Broker，我們創建的Topic可以在一個或多個Broker中。Kafka利用Push模式發送消息，利用Pull方式拉取消息。

發送消息

如何向已經存在的Topic中發送消息呢，當然我們可以API的方式編寫代碼發送消息。同時，還可以利用命令方式來便捷的發送消息，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復制代碼

上面我們發送了兩條消息Kafka test msg 和 Kafka connector 到 flink-topic Topic中。

讀取消息

如果讀取指定Topic的消息呢？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的消息，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復制代碼

其中--from-beginning 描述了我們從Topic開始位置讀取消息。

Flink Kafka Connector

前面我們以最簡單的方式安裝了Kafka環境，那么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，這里我們直接介紹與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>復制代碼

Flink Kafka Consumer需要知道如何將Kafka中的二進制數據轉換為Java / Scala對象。 DeserializationSchema允許用戶指定這樣的模式。為每個Kafka消息調用 T deserialize（byte [] message）方法，從Kafka傳遞值。

Examples

我們示例讀取Kafka的數據，再將數據做簡單處理之后寫入到Kafka中。我們需要再創建一個用于寫入的Topic，如下：

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic flink-tipic-output復制代碼

所以示例中我們Source利用flink-topic, Sink用slink-topic-output。

Simple ETL

我們假設Kafka中存儲的就是一個簡單的字符串，所以我們需要一個用于對字符串進行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符串，所以我們自定義一個KafkaMsgSchema實現類,然后在編寫Flink主程序。

KafkaMsgSchema - 完整代碼

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() {// 默認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的消息反序列化為java對象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對象序列化為Kafka的消息return element.getBytes(this.charset);}public TypeInformation<String> getProducedType() {// 定義產生的數據Typeinforeturn 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);}
}
復制代碼

主程序 - 完整代碼

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 {// 用戶參數獲取final ParameterTool parameterTool = ParameterTool.fromArgs(args);// Stream 環境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// Source的topicString sourceTopic = "flink-topic";// Sink的topicString sinkTopic = "flink-topic-output";// broker 地址String broker = "localhost:9092";// 屬性參數 - 實際投產可以在命令行傳入Properties p = parameterTool.getProperties();p.putAll(parameterTool.getProperties());p.put("bootstrap.servers", broker);env.getConfig().setGlobalJobParameters(parameterTool);// 創建消費者FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>(sourceTopic,new KafkaMsgSchema(),p);// 設置讀取最早的數據
//        consumer.setStartFromEarliest();// 讀取Kafka消息DataStream<String> input = env.addSource(consumer);// 數據處理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;}});// 創建生產者FlinkKafkaProducer producer = new FlinkKafkaProducer<String>(sinkTopic,new KeyedSerializationSchemaWrapper<String>(new KafkaMsgSchema()),p,FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);// 將數據寫入Kafka指定Topic中result.addSink(producer);// 執行jobenv.execute("Kafka Example");}
}
復制代碼

運行主程序如下：

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中添加測試消息only for test;
通過命令打印驗證添加的測試消息 only for test;
最簡單的FlinkJob source->map->sink 對測試消息進行map處理："Flink study ".concat(s);
通過命令打印sink的數據；

#### 內置Schemas
Apache Flink 內部提供了如下3種內置的常用消息格式的Schemas:

TypeInformationSerializationSchema (and TypeInformationKeyValueSerializationSchema) 它基于Flink的TypeInformation創建模式。如果數據由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對象，可以使用objectNode.get（“field”）作為（Int / String / ...）（）從中訪問字段。 KeyValue objectNode包含“key”和“value”字段，其中包含所有字段以及可選的"metadata"字段，該字段公開此消息的偏移量/分區/主題。
AvroDeserializationSchema 它使用靜態提供的模式讀取使用Avro格式序列化的數據。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（...））

要使用內置的Schemas需要添加如下依賴：

 <dependency><groupId>org.apache.flink</groupId><artifactId>flink-avro</artifactId><version>1.7.0</version>
</dependency>復制代碼

讀取位置配置

我們在消費Kafka數據時候，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置，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(); // 默認行為，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區，比如如下代碼：

Map<KafkaTopicPartition, Long> specificStartOffsets = new HashMap<>();
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 0), 23L); // 第一個分區從23L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 1), 31L);// 第二個分區從31L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 2), 43L);// 第三個分區從43L開始consumer.setStartFromSpecificOffsets(specificStartOffsets);復制代碼

對于沒有指定的分區還是默認的setStartFromGroupOffsets方式。

Topic發現

Kafka支持Topic自動發現，也就是用正則的方式創建FlinkKafkaConsumer,比如：

// 創建消費者
FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>(            java.util.regex.Pattern.compile(sourceTopic.concat("-[0-9]")),
new KafkaMsgSchema(),
p);復制代碼

在上面的示例中，當作業開始運行時，消費者將訂閱名稱與指定正則表達式匹配的所有Topic（以sourceTopic的值開頭并以單個數字結尾）。

定義Watermark(Window)

對Kafka Connector的應用不僅限于上面的簡單數據提取，我們更多時候是期望對Kafka數據進行Event-time的窗口操作，那么就需要在Flink Kafka Source中定義Watermark。

要定義Event-time，首先是Kafka數據里面攜帶時間屬性，假設我們數據是String#Long的格式，如only for test#1000。那么我們將Long作為時間列。

KafkaWithTsMsgSchema - 完整代碼
要想解析上面的Kafka的數據格式，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>,完整代碼如下：

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{// 實際生產上需要拋出runtime異常System.out.println("Fail due to invalid msg format.. ["+msg+"]");return new Tuple2<String, Long>(msg, 0L);}}@Overridepublic 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);}@Overridepublic TypeInformation<Tuple2<String, Long>> getProducedType() {return new TupleTypeInfo<Tuple2<String, Long>>(BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.LONG_TYPE_INFO);}
}
復制代碼

Watermark生成

提取時間戳和創建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 - 周期性的生成Watermark。
我們以AssignerWithPunctuatedWatermarks為例寫一個自定義的時間提取和Watermark生成器。代碼如下：

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 KafkaAssignerWithPunctuatedWatermarksimplements AssignerWithPunctuatedWatermarks<Tuple2<String, Long>> {@Nullable@Overridepublic Watermark checkAndGetNextWatermark(Tuple2<String, Long> o, long l) {// 利用提取的時間戳創建Watermarkreturn new Watermark(l);}@Overridepublic long extractTimestamp(Tuple2<String, Long> o, long l) {// 提取時間戳return o.f1;}
}復制代碼

主程序 - 完整程序
我們計算一個大小為1秒的Tumble窗口，計算窗口內最大的值。完整的程序如下：

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 {// 用戶參數獲取final ParameterTool parameterTool = ParameterTool.fromArgs(args);// Stream 環境StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();// 設置 Event-timeenv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);// Source的topicString sourceTopic = "flink-topic";// Sink的topicString sinkTopic = "flink-topic-output";// broker 地址String broker = "localhost:9092";// 屬性參數 - 實際投產可以在命令行傳入Properties p = parameterTool.getProperties();p.putAll(parameterTool.getProperties());p.put("bootstrap.servers", broker);env.getConfig().setGlobalJobParameters(parameterTool);// 創建消費者FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<Tuple2<String, Long>>(sourceTopic,new KafkaWithTsMsgSchema(),p);// 讀取Kafka消息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，并生產Watermark.assignTimestampsAndWatermarks(new KafkaAssignerWithPunctuatedWatermarks());// 數據處理DataStream<Tuple2<String, Long>> result = input.windowAll(TumblingEventTimeWindows.of(Time.seconds(1))).max(0);// 創建生產者FlinkKafkaProducer producer = new FlinkKafkaProducer<Tuple2<String, Long>>(sinkTopic,new KeyedSerializationSchemaWrapper<Tuple2<String, Long>>(new KafkaWithTsMsgSchema()),p,FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);// 將數據寫入Kafka指定Topic中result.addSink(producer);// 執行jobenv.execute("Kafka With Event-time Example");}
}復制代碼

測試運行如下

簡單解釋一下，我們輸入數如下：