Druid翻译五：加载流数据教程

入门

本教程介绍如何将自己的流数据加载到Druid。
在本教程中，我们假设您已经按照快速入门中所述下载了Druid和Tranquility，并将其在本机上运行。并且您不需要事先加载任何数据。
完成后，您可以通过编写自定义数据提取规范来加载自己的数据集。

编写数据提取规范

当使用流进行数据加载，推荐使用Stream Push方式。在本教程中使用Tranquility 通过HTTP将数据推送到Druid。

本教程将介绍如何通过HTTP将数据流推送到Druid，但Druid还支持各类批处理和流式加载方法。查看Loading files 和 Loading streams页面来了解其它方法的更多消息，包括Hadoop、Kafka, Storm、Samza、Spark Streaming和您自己的JVM应用。

你可以按照需求修改conf-quickstart/tranquility/server.json配置文件，来自定义Tranquility Server配置，通过HTTP加载新的数据集。
配置文件中有几项需要特别关注：

{
  "dataSources" : {
    "metrics" : {
      "spec" : {
        "dataSchema" : {
          //1.使用的数据集
          "dataSource" : "metrics",
          "parser" : {
            "type" : "string",
            "parseSpec" : {
              //2.哪个字段是timestamp
              "timestampSpec" : {
                "column" : "timestamp",
                "format" : "auto"
              },
              "dimensionsSpec" : {
                //3.哪些字段需要当成维度处理
                "dimensions" : [],
                "dimensionExclusions" : [
                  "timestamp",
                  "value"
                ]
              },
              "format" : "json"
            }
          },
          "granularitySpec" : {
            "type" : "uniform",
            "segmentGranularity" : "hour",
            "queryGranularity" : "none"
          },
          //4.哪些字段需要当成度量进行处理
          "metricsSpec" : [
            {
              "type" : "count",
              "name" : "count"
            },
            {
              "name" : "value_sum",
              "type" : "doubleSum",
              "fieldName" : "value"
            },
            {
              "fieldName" : "value",
              "name" : "value_min",
              "type" : "doubleMin"
            },
            {
              "type" : "doubleMax",
              "name" : "value_max",
              "fieldName" : "value"
            }
          ]
        },
        "ioConfig" : {
          "type" : "realtime"
        },
        "tuningConfig" : {
          "type" : "realtime",
          "maxRowsInMemory" : "100000",
          "intermediatePersistPeriod" : "PT10M",
          "windowPeriod" : "PT10M"
        }
      },
      "properties" : {
        "task.partitions" : "1",
        "task.replicants" : "1"
      }
    }
  },
  "properties" : {
    "zookeeper.connect" : "localhost",
    "druid.discovery.curator.path" : "/druid/discovery",
    "druid.selectors.indexing.serviceName" : "druid/overlord",
    "http.port" : "8200",
    "http.threads" : "8"
  }
}

下面用一个pageviews(浏览量)的json作为示例：

{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}

所以对于这个例子上述四个问题的答案是：

数据集就是pageviews
time字段是timestamp
可以用url和user作为维度
度量可以是计算pageviews计数，和latencyMs字段求和。在数据接收阶段求和，也能在查询的时候快速方便的求平均值。

所以配置文件修改后

{
  "dataSources" : {
    "metrics" : {
      "spec" : {
        "dataSchema" : {
          //1.使用的数据集
          "dataSource" : "pageviews",
          "parser" : {
            "type" : "string",
            "parseSpec" : {
              //2.哪个字段是timestamp
              "timestampSpec" : {
                "column" : "time",
                "format" : "auto"
              },
              "dimensionsSpec" : {
                //3.哪些字段需要当成维度处理
                "dimensions" : ["url", "user"],
                "dimensionExclusions" : [
                  "timestamp",
                  "value"
                ]
              },
              "format" : "json"
            }
          },
          "granularitySpec" : {
            "type" : "uniform",
            "segmentGranularity" : "hour",
            "queryGranularity" : "none"
          },
          //4.哪些字段需要当成度量进行处理
          "metricsSpec" : [
            {
              "name": "views",
              "type": "count"
            },
            {
              "name": "latencyMs", 
              "type": "doubleSum", 
              "fieldName": "latencyMs"
            }
          ]
        },
        "ioConfig" : {
          "type" : "realtime"
        },
        "tuningConfig" : {
          "type" : "realtime",
          "maxRowsInMemory" : "100000",
          "intermediatePersistPeriod" : "PT10M",
          "windowPeriod" : "PT10M"
        }
      },
      "properties" : {
        "task.partitions" : "1",
        "task.replicants" : "1"
      }
    }
  },
  "properties" : {
    "zookeeper.connect" : "localhost",
    "druid.discovery.curator.path" : "/druid/discovery",
    "druid.selectors.indexing.serviceName" : "druid/overlord",
    "http.port" : "8200",
    "http.threads" : "8"
  }
}

重启服务

停止Tranquility（CTRL-C）并重新启动，来获取新的配置文件并生效。

发送数据

发送测试数据如下：

{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}
{"time": "2000-01-01T00:00:00Z", "url": "/", "user": "bob", "latencyMs": 11}
{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "bob", "latencyMs": 45}

Druid流处理需要相对当前（准实时）的数据，相而言windowPeriod值控制的是更宽松的时间窗口（也就是流处理会检查数据timestamp的值，而时间窗口只关注数据接收的时间）。所以需要将2000-01-01T00:00:00Z转换为ISO8601格式的当前系统时间，你可以用以下命令转换：

python -c 'import datetime; print(datetime.datetime.utcnow().strftime("%Y-%m-%dT%H:%M:%SZ"))'

用输出的时间将上述的json示例的timestamps更新，并且保存到pageviews.json文件里。通过下面命令将数据发送到Druid：

curl -XPOST -H'Content-Type: application/json' --data-binary @pageviews.json http://localhost:8200/v1/post/pageviews

然后你会看到屏幕输出如下：

{"result":{"received":3,"sent":3}}

这表明HTTP服务接收了三条事件，并且发送了三条到Druid。因为需要分配Druid给ingestion 任务，所以初次运行可能会消耗几秒钟时间。但是后续查询请求就会变得很快了。
如果你看到是"sent":0，很有可能是时间戳（timestamps）不够新，再次更新时间戳并且重新发送。

数据查询

数据发送后就可以马上进行数据查询了，详见Druid查询

进一步阅读

想了解更多Druid流处理，详见streaming ingestion documentation

原文链接：http://druid.io/docs/0.9.2/tutorials/tutorial-streams.html