Druid配置——Kafka Indexing Service（Kafka索引服务）
Kafka Indexing Service
Kafka索引服务可以在Overlord上配置，通过管理Kafka索引任务的创建和生命周期来促进Kafka的消费。这些索引任务使用Kafka自己的分区和偏移机制读取事件，因此能够提供完全一次摄取的保证。他们还能够从Kafka读取非近期事件，并且不受使用Tranquility对其他摄取机制施加的窗口期限的影响。主管监督索引任务的状态，以协调切换，管理故障并确保维护可伸缩性和复制要求。
Kafka索引服务使用了Kafka 0.10.x中引入的Java consumer。由于此版本中存在协议更改，因此Kafka 0.10.x消费者可能与较旧的brokers不兼容。在使用此功能之前，请确保您的Kafka brokers是0.10.x或更高版本。如果您使用的是旧版Kafka brokers，请参阅Kafka升级指南。
Submitting a Supervisor Spec
Kafka索引服务要求druid-kafka-indexing-service在Overlord和MiddleManagers上加载扩展。
通过HTTP POST提交Supervisor Specd来启动一个dataSource的规范:
http://
例如：
curl -X POST -H 'Content-Type: application/json' -d @supervisor-spec.json http://localhost:8090/druid/indexer/v1/supervisor
示例Supervisor Spec如下所示：
{
"type": "kafka",
"dataSchema": {
"dataSource": "metrics-kafka",
"parser": {
"type": "string",
"parseSpec": {
"format": "json",
"timestampSpec": {
"column": "timestamp",
"format": "auto"
},
"dimensionsSpec": {
"dimensions": [],
"dimensionExclusions": [
"timestamp",
"value"
]
}
}
},
"metricsSpec": [
{
"name": "count",
"type": "count"
},
{
"name": "value_sum",
"fieldName": "value",
"type": "doubleSum"
},
{
"name": "value_min",
"fieldName": "value",
"type": "doubleMin"
},
{
"name": "value_max",
"fieldName": "value",
"type": "doubleMax"
}
],
"granularitySpec": {
"type": "uniform",
"segmentGranularity": "HOUR",
"queryGranularity": "NONE"
}
},
"tuningConfig": {
"type": "kafka",
"maxRowsPerSegment": 5000000
},
"ioConfig": {
"topic": "metrics",
"consumerProperties": {
"bootstrap.servers": "localhost:9092"
},
"taskCount": 1,
"replicas": 1,
"taskDuration": "PT1H"
}
}
Supervisor Configuration
| 字段 | 描述 | 是否必须 |
|---|---|---|
| type | Supervisor 类型，这里应该为Kafka。 | 是 |
| dataSchema | 摄取过程中Kafka索引任务将使用的Schema，请参阅Ingestion Spec DataSchema。 | 是 |
| ioConfig | 用于配置管理程序和索引任务的KafkaSupervisorIOConfig，请参见下文。 | 是 |
| tuningConfig | 用于配置管理程序和索引任务的KafkaSupervisorTuningConfig，请参见下文。 | 否 |
KafkaSupervisorTuningConfig
tuningConfig是可选的，如果未指定tuningConfig，则将使用默认参数。
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| type | String | 索引任务类型，应该始终是kafka。 |
是 |
| maxRowsInMemory | Integer | 持久化之前要聚合的行数。此数字是后聚合行，因此它不等于输入事件的数量，而是等于这些事件导致的聚合行数。这用于管理所需的JVM堆大小。索引的最大堆内存使用量为：maxRowsInMemory *（2 + maxPendingPersists）。通常用户不需要设置它，但是根据数据的性质，如果行以字节为单位比较短，用户可能不希望在内存中存储一百万行，应该设置该值。 |
否（默认==000000） |
| maxBytesInMemory | Long | 持久化之前在堆内存中聚合的字节数。这是基于对内存使用情况的粗略估计，而不是实际使用情况。通常这是在内部计算的，用户不需要设置它。索引的最大堆内存使用量是：maxBytesInMemory *（2 + maxPendingPersists）。 |
否（默认==大JVM内存的六分之一） |
| maxRowsPerSegment | Integer | 要聚合成段的行数;这个数字是聚合后的行。切换将在maxRowsPerSegment或maxTotalRows被触发或每次intermediateHandoffPeriod时发生，以先发生者为准。 |
否（默认==000000） |
| maxTotalRows | Long | 在所有段中聚合的行数; 这个数字是后聚合行。切换将在maxRowsPerSegment或maxTotalRows被触发或每次intermediateHandoffPeriod时发生，以先发生者为准。 |
否（默认==nlimited） |
| intermediatePersistPeriod | ISO8601 Period | 决定中间体持续发生率的时期。 | 否（默认== PT10M） |
| maxPendingPersists | Integer | 可挂起但未启动的最大持久性数量。如果一个新的中间持久化会超过这个限制，那么在当前运行的持久化完成之前，摄入将被阻塞。索引规模的最大堆内存使用量maxRowsInMemory * (2 + maxpendingpersist)。 |
否（默认== 0，表示一个persist可以与摄取同时运行，并且没有一个可以排队） |
| indexSpec | Object | 调整数据的索引方式，有关详细信息，请参阅下面的“IndexSpec”。 | |
| reportParseExceptions | Boolean | 弃用。如果为true，则在抛出过程中遇到的异常将被抛出并将停止摄取; 如果为false，将跳过不可解析的行和字段。设置reportParseExceptions为true将覆盖现有的配置maxParseExceptions和maxSavedParseExceptions，设置maxParseExceptions为0，限制maxSavedParseExceptions为不超过1。 |
否（默认== false） |
| handoffConditionTimeout | Long | 等待段切换的毫秒数。它必须> = 0，其中0表示永远等待。 | 否（默认== 0） |
| resetOffsetAutomatically | Boolean | 是否重置消费者偏移量，如果它尝试获取的下一个偏移量小于该特定分区的最早可用偏移量。根据useEarliestOffset的属性（见下文），消费者偏移将重置为最早或最近的偏移KafkaSupervisorIOConfig。这种情况通常发生在Kafka的消息不再可供消费时，因此不会被摄入Druid。如果设置为false，则将暂停对该特定分区的摄取，并且需要手动干预来纠正这种情况，请参阅Reset Supervisor下面的API。 |
否（默认== false） |
| workerThreads | Integer | Supervisor将用于异步操作的线程数。 | 否（默认== min（10，taskCount）） |
| chatThreads | Integer | 将用于与索引任务通信的线程数。 | 否（默认== min（10，taskCount * replicas）） |
| chatRetries | Integer | 在考虑任务无响应之前，将重试HTTP请求索引任务的次数。 | 否（默认== 8） |
| httpTimeout | ISO8601 Period | 从索引任务等待HTTP响应的时间 | 否（默认== PT10S） |
| shutdownTimeout | ISO8601 Period | 在退出之前，等待Supervisor尝试优雅地关闭任务需要多长时间。 | 否（默认== PT80S） |
| offsetFetchPeriod | ISO8601 Period | 主管查询Kafka和索引任务以获取当前偏移量和计算延迟的频率。 | 否（默认== PT30S，分钟== PT5S） |
| segmentWriteOutMediumFactory | Object | 分段写入介质，用于创建分段。请参阅下面的详细信息。 | 否（默认情况下未指定，使用的值druid.peon.defaultSegmentWriteOutMediumFactory.type） |
| intermediateHandoffPeriod | ISO8601 Period | 任务应该多长时间分配一次。切换将在maxRowsPerSegment或maxTotalRows被触发或每次intermediateHandoffPeriod时发生，以先发生者为准。 |
否（默认== P2147483647D |
| logParseExceptions | Boolean | 如果为true，则在发生解析异常时记录错误消息，其中包含有关发生错误的行的信息。 | 否（默认== false） |
| maxParseExceptions | Integer | 在任务停止摄取和失败之前可能发生的最大解析异常数。如果reportParseExceptions已设置，则重写。 |
否（默认无限制） |
| maxSavedParseExceptions | Integer | 当发生解析异常时，Druid可以跟踪最近的解析异常。“maxSavedParseExceptions”限制将保存多少个异常实例。这些保存的异常将在任务完成报告中任务完成后可用。如果reportParseExceptions已设置，则重写。 |
否（默认== 0） |
IndexSpec
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| bitmap | Object | 位图索引的压缩格式。应该是一个JSON对象; 请参阅下文的“Bitmap types”。 | 否（默认为 Concise） |
| dimensionCompression | String | 维列的压缩格式。选择LZ4，LZF或uncompressed。 |
否（默认== LZ4） |
| metricCompression | String | 公制列的压缩格式。选择LZ4，LZF，uncompressed，或none。 |
否（默认== LZ4） |
| longEncoding | String | 类型为long的度量和维度列的编码格式。选择auto或longs。auto根据列基数使用偏移量或查找表对值进行编码，并以可变大小存储它们。longs将值存储为每个8字节。 |
否（默认== longs） |
Bitmap types
Concise bitmaps:
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| type | String | 必须为 concise。 |
是 |
Roaring bitmaps:
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| type | String | 必须为 roaring。 |
是 |
| compressRunOnSerialization | Boolean | 使用行程编码，估计其空间效率更高。 | 否（默认==true） |
SegmentWriteOutMediumFactory
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| type | String | 有关说明和可用选项，请参阅其他Peon配置：SegmentWriteOutMediumFactory。 | 是 |
KafkaSupervisorIOConfig
| 字段 | 类型 | 描述 | 是否必须 |
|---|---|---|---|
| topic | String | Kafka topic可供阅读。这必须是特定topic，因为不支持topic模式。 | 是 |
| consumerProperties | Map | 要传递给Kafka consumer的属性的映射。这必须包含一个属性bootstrap.servers，其中包含以下形式的Kafka代理列表：keystore，truststore和key密码可以作为一个被提供密码提供或字符串密码。 |
是 |
| pollTimeout | Long | 等待kafka consumer轮询记录的时间长度，以毫秒为单位 | 否（默认== 100） |
| replicas | Integer | 副本的数量，其中1表示一组任务（无复制）。副本任务将始终分配给不同的工作人员，以提供针对流程故障的弹性。 | 否（默认== 1） |
| taskCount | Integer | 副本集的最大读取任务数。这意味着最大读取任务数为taskCount * replicas，而总任务数(读取+发布)将高于此值。有关详细信息，请参阅下面的“容量规划”。如果任务计数为> {numKafkaPartitions}，则读取任务的数量将小于taskCount。 |
否（默认== 1） |
| taskDuration | ISO8601 Period | 任务停止读取并开始发布其段之前的时间长度 | 否（默认== PT1H） |
| startDelay | ISO8601 Period | 在Supervisor开始管理任务之前等待的时间。 | 否（默认== PT5S） |
| period | ISO8601 Period | Supervisor执行其管理逻辑的频率。请注意，管理程序也将运行以响应某些事件（例如任务成功，失败和达到tasksDuration），因此该值指定迭代之间的最长时间。 |
否（默认== PT30S） |
| useEarliestOffset | Boolean | 如果Supervisor第一次管理dataSource，它将从Kafka获得一组起始偏移量。此标志确定它是否检索Kafka中的最早或最新偏移量。在正常情况下，后续任务将从前一个段结束的位置开始，因此该标志仅在首次运行时使用。 | 否（默认== false） |
| completionTimeout | ISO8601 Period | 在将发布任务声明为失败并终止之前等待的时间长度。如果设置得太低，您的任务可能永远不会发布。任务的发布时间大致在taskDuration过去后开始。 |
否（默认== PT30M） |
| lateMessageRejectionPeriod | ISO8601 Period | 配置任务以拒绝时间戳早于创建任务之前的时间段的消息;例如，如果将此设置为PT1H并且主管在2016-01-01T12：00Z创建任务，则将删除时间戳早于2016-01-01T11：00Z的消息。如果您的数据流具有延迟消息并且您有多个需要在相同段上运行的管道（例如，实时和夜间批量提取管道），这可能有助于防止并发问题。 |
否（默认==none） |
| earlyMessageRejectionPeriod | ISO8601 Period | 配置任务以在任务到达taskDuration后拒绝时间戳晚于此时间段的消息; 例如，如果设置为PT1H，则taskDuration设置为PT1H，并且主管在2016-01-01T12：00Z创建任务，将删除时间戳晚于2016-01-01T14：00Z的消息。**注意：**任务有时会超过其任务持续时间，例如，在主管故障转移的情况下。将earlyMessageRejectionPeriod设置得太低可能会导致在任务超过其最初配置的任务持续时间时意外删除消息。 |
否（默认==none） |