kafka连接flink操作流程

kafka连接flink操作流程

1、简介

1.1、Kafka Consumer提供了2种API：high level与low level（SimpleConsumer）。
（1）high level consumer的API较为简单，不需要关心offset、partition、broker等信息，kafka会自动读取zookeeper中该consumer group的last offset。
（2）low level consumer也叫SimpleConsumer，这个接口非常复杂，以下几种情况才会用到：
1、Read a message multiple times
2、Consume only a subset of the partitions in a topic in a process
3、Manage transactions to make sure a message is processed once and only once

2、Flink的开发准备

Flink提供了high level的API来消费kafka的数据：flink-connector-kafka-0.10_2.10。注意，这里的0.10代表的是kafka的版本，你可以通过maven来导入kafka的依赖，具体如下：

例如你的kafka安装版本是“kafka_2.10-0.10.2.1”,即此版本是由scala2.10编写，kafka的自身版本是0.10.2.1.那此时你需要添加如下的内容到maven的pom.xml文件中：

        org.apache.flink
        flink-connector-kafka-0.10_2.10
        ${flink.version}

注意：

${flink.version}是个变量，自己调整下代码，例如可以直接写1.3.2。我的项目 里采用的是添加了properties来控制

${flink.version}：

  
            UTF-8
            1.3.2

当时我入门的时候觉得很奇怪为什么会有maven出现，那是因为在这个demo中flink和kafka的连接部分使用了scala，而相关运用会在本文的后半部分出现。

3、集群环境准备

这里主要是介绍下Flink集群与kafka集群的搭建。
基础的软件安装包括JDK、scala、hadoop、zookeeper、kafka以及flink就不介绍了，直接看下flink的集群配置以及kafka的集群配置。

zookeeper–3.4.6 
hadoop–2.7.3 
kafka_2.10-0.10.1.2.6.3.0-235
flink–1.3.2

3.1、Flink集群配置（standalone且没有用zookeeper的HA）
（本文默认配置的三台虚拟机为master1、master2、slave1）

如图是我的虚拟机的映射 /etc/hosts
3.1.1.下载Flink压缩包
下载地址：http://flink.apache.org/downloads.html。
我集群环境是hadoop2.7，Scala2.11版本的，所以下载的是：
flink-1.3.2-bin-hadoop27-scala_2.11.tgz。
3.1.2.解压
分别上传至master1、master2、slave1的相同目录（默认下载的地址为 /opt/下）
，找到压缩版并执行如下命令解压：
tar xzf flink-1.3.2-bin-hadoop27-scala_2.11.tgz
3.1.3.配置master节点
选择一个 master节点(JobManager)然后在conf/flink-conf.yaml中设置jobmanager.rpc.address 配置项为该节点的IP 或者主机名。确保所有节点有有一样的jobmanager.rpc.address 配置。

jobmanager.rpc.address: master1
jobmanager.rpc.port: 6123
jobmanager.heap.mb: 1024
taskmanager.heap.mb: 1024
taskmanager.numberOfTaskSlots: 1
taskmanager.memory.preallocate: false
parallelism.default: 1
jobmanager.web.port: 8081

作者这里是在master1中配置上文信息然后将其拷贝至其他两台虚拟机（master2、slave1）
（关于配置作用参考我写的另外两篇“Flink Jobmanager HA配置（standalone）”、“Flink运行时之TaskManager执行Task”）
3.1.4.配置slaves
将所有的 slave 节点 （TaskManager）的IP 或者主机名（一行一个）填入/opt/flink-1.3.2/conf/slaves文件中，并保证三个节点的slaves文件都一致

3.1.5.注意
问https://ci.apache.org/projects/flink/flink-docs-release-1.0/setup/config.html查看更多可用的配置项。为了使Flink 更高效的运行，还需要设置一些配置项。
以下都是非常重要的配置项：
1、TaskManager总共能使用的内存大小（taskmanager.heap.mb）
2、每一台机器上能使用的 CPU 个数（taskmanager.numberOfTaskSlots）
3、集群中的总 CPU个数（parallelism.default）
4、临时目录（taskmanager.tmp.dirs）

3.2、kafka集群配置
3.2.1、环境变量

省略(其实不配置也没事，只不过要知道自己文件安装的kafka的bin目录在哪，每次在bin目录下启动)
3.2.2、配置config/zookeeper.properties
由于kafka集群依赖于zookeeper集群，所以kafka提供了通过kafka去启动zookeeper集群的功能，当然也可以手动去启动zookeeper的集群而不通过kafka去启动zookeeper的集群。 （配置内容如下）

dataDir=/usr/hdp/2.6.3.0-235/zookeeper/data
（注意这里的dataDir最好不要指定/tmp目录下，因为机器重启会删除此目录下的文件。且指定的新路径必须存在。）
dataLogDir=/usr/hdp/2.6.3.0-235/zookeeper
clientPort=2181
maxClientCnxns=100
tickTime=2000
initLimit=10
syncLimit=5

3.2.3、配置config/server.properties
这个文件是启动kafka集群需要指定的配置文件，注意2点：

# The id of the broker. This must be set to a unique integer for each broker.
broker.id=0
############################# Socket Server Settings #############################
# The port the socket server listens on#port=9092
listeners=PLAINTEXT://:9092

broker.id在kafka集群的每台机器上都不一样，我这里3台集群分别是0、1、2.

############################# Zookeeper #############################
# Zookeeper connection string (see zookeeper docs for details).# This is a comma separated host:port pairs, each corresponding to a zk# server. e.g. "127.0.0.1:3000,127.0.0.1:3001,127.0.0.1:3002".# You can also append an optional chroot string to the urls to specify the# root directory for all kafka znodes.
zookeeper.connect=master1:2181,master2:2181,slave1:2181
# Timeout in ms for connecting to zookeeper
zookeeper.connection.timeout.ms=6000

zookeeper.connect要配置kafka集群所依赖的zookeeper集群的信息，hostname:port。
3.2.4、复制kafka路径及环境变量到其他kafka集群的机器，并修改server.properties中的broker_id. （master2的broker_id = 1,slave1的broker_id = 2）

3.3、启动kafka集群+Flink集群
3.3.1、首先启动zookeeper集群（3台zookeeper机器都要启动）：
root@master1:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh start
root@master2:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh start
root@slave1:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh start
验证zookeeper集群：
进程是否启动；zookeeper集群中是否可以正常显示leader以及follower。
root@master1:/usr/local/zookeeper/zookeeper-3.4.6# jps3295 QuorumPeerMain

root@master1:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh statusJMX enabled by defaultUsing config: /usr/local/zookeeper/zookeeper-3.4.6/bin/…/conf/zoo.cfgMode: follower

root@mater2:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh statusJMX enabled by defaultUsing config: /usr/local/zookeeper/zookeeper-3.4.6/bin/…/conf/zoo.cfgMode: follower
root@mater2:/usr/local/zookeeper/zookeeper-3.4.6#

root@mater2:/usr/local/zookeeper/zookeeper-3.4.6# ./bin/zkServer.sh statusJMX enabled by defaultUsing config: /usr/local/zookeeper/zookeeper-3.4.6/bin/…/conf/zoo.cfgMode: leader
root@mater2:/usr/local/zookeeper/zookeeper-3.4.6/bin#
3.3.2、启动kafka集群（3台都要启动）
root@master1:/usr/local/kafka/kafka_2.10-0.8.2.1# ./bin/kafka-server-start.sh conf/server.properties &
root@master2:/usr/local/kafka/kafka_2.10-0.8.2.1# ./bin/kafka-server-start.sh conf/server.properties &
root@slave1:/usr/local/kafka/kafka_2.10-0.8.2.1# ./bin/kafka-server-start.sh conf/server.properties &
验证：
进程；日志
3512 Kafka

 3.3.3、启动hdfs（master上启动即可）
[root@master1 ~]#systemctl start hadoop-hdfs-namenode
[root@master1 ~]#systemctl start hadoop-hdfs-datanode
[root@master2 ~]#systemctl start hadoop-hdfs-secondarynamenode
[root@master2 ~]#systemctl start hadoop-hdfs-datanode
[root@slave1 ~]#systemctl start hadoop-hdfs-datanode

验证：进程及webUI
webUI：50070，默认可配置

3.3.4、启动Flink集群（master即可,当初Flink解压在哪就在哪启动）
[root@master1 flink-1.3.2]# ./bin/start-cluster.sh
Starting cluster.
Starting jobmanager daemon on host master1.
Starting taskmanager daemon on host master2.
Starting taskmanager daemon on host slave1.
验证：进程及WebUI
root@master1:# jps4411 JobManager

root@master2:# jps4151 TaskManager

root@slave1:# jps4110 TaskManager
WebUI：8081（默认，可配置）

4、编写Flink程序，实现consume kafka的数据（demo）

4.1、代码
这里就是简单的实现接收kafka的数据，要指定zookeeper以及kafka的集群配置，并指定topic的名字。
最后将consume的数据直接打印出来。

import java.util.Properties

import org.apache.flink.streaming.api.{CheckpointingMode, TimeCharacteristic}
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer010
import org.apache.flink.streaming.util.serialization.SimpleStringSchema


/**
  * 用Flink消费kafka
  */
object ReadingFromKafka {

  private val ZOOKEEPER_HOST = "master:2181,worker1:2181,worker2:2181"
  private val KAFKA_BROKER = "master1:9092,master2:9092,slave1:9092"
  private val TRANSACTION_GROUP = "transaction"

  def main(args : Array[String]){
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
    env.enableCheckpointing(1000)
    env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)

    // configure Kafka consumer
    val kafkaProps = new Properties()
    kafkaProps.setProperty("zookeeper.connect", ZOOKEEPER_HOST)
    kafkaProps.setProperty("bootstrap.servers", KAFKA_BROKER)
    kafkaProps.setProperty("group.id", TRANSACTION_GROUP)

    //topicd的名字是new，schema默认使用SimpleStringSchema()即可
    val transaction = env
      .addSource(
        new FlinkKafkaConsumer010[String]("new", new SimpleStringSchema(), kafkaProps)
      )

    transaction.print()

    env.execute()

  }

}

4.2、打包：
本文的打包将在windows操作系统下进行，运用到maven+scala+idea，用插件的形式进行打包（相关文档参考：“Flink与Kafka连接的jar包创建过程”）
4.3、发布到集群

root@master:/opt/flink-1.3.2/bin# flink run -c wikiedits.ReadingFromKafka /root/Documents/wiki-edits-0.1.jar 
(这里的wikiedits.ReadingFromKafka是scala中mainclass的路径，/root/Documents/wiki-edits-0.1.jar则是你打完的包的路径)
验证：进程及WebUI

    root@master:/opt/flink-1.3.2/bin# jps6080 CliFrontend

5、kafka produce数据，验证flink是否正常消费

5.1、通过kafka console produce数据
之前已经在kafka中创建了名字为new的topic，因此直接produce new的数据：

root@master1:/usr/hdp/2.6.3.0-235/kafka/bin# kafka-console-producer.sh --broker-list master:9092,worker1:9092,worker2:9092 --topic test

生产数据：

5.2、查看flink的标准输出中，是否已经消费了这部分数据：

root@master2:/opt/flink-1.3.2/log# ls -l | grep out
-rw-r--r-- 1 root root   254  6月 29 09:37 flink-root-taskmanager-0-worker2.out
root@worker2:/usr/local/flink/flink-1.0.3/log# 

我们在worker2的log中发现已经有了数据，下面看看内容：

OK，没问题，flink正常消费了数据。
6、总结
kafka作为一个消息系统，本身具有高吞吐、低延时、持久化、分布式等特点，其topic可以指定replication以及partitions，使得可靠性和性能都可以很好的保证。
Kafka+Flink的架构，可以使flink只需关注计算本身。