深入理解 Apache Pulsar Connector 与 Functions 的关系

阅读本文需要约 10 分钟。

背景知识

• Connector：Apache Pulsar 的连接器，包括 Source 和 Sink 两个组件。
• Functions：Apache Pulsar 的轻量级计算组件。

Instance 架构

使用 pulsar-admin source、pulsar-admin sink 或 pulsar-admin function 命令操作 Source、Sink 或 Function 时，在 Worker 上会启动一个 Instance，Instance 架构如下图所示。

• Worker Service：在此处运行 Instance。
• Source：将外部系统的数据输入至 Pulsar。在命令行中，可以使用 pulsar-admin 操作 Source。
• Sink：将 Pulsar 的数据输出至外部系统。 在命令行中，可以使用 pulsar-admin 操作 Sink。
• Function：执行轻量级计算。在命令行中，可以使用 pulsar-admin 操作。 Function。
• IdentityFunction、PulsarSource 和 PulsarSink：Instance 的组件。
• Consumer：Pulsar 的消费者。
• Producer：Pulsar 的生产者。
• queue: 进行数据传递的数据结构。
• 红色箭头：从外部系统流入至 Pulsar 的数据和从 Pulsar 流出至外部系统的数据。
• 黄色箭头：流入至 Pulsar Topic 的数据和从 Pulsar Topic 流出的数据。

前文提到，使用 pulsar-admin 启动一个 Source、Sink 或 Function 时，实际是启动了一个 Instance，该 Instance 跑在 Worker（图中标注 Worker Service 的深蓝色方块）上。

上图有两个 Worker Service：

• Worker Service1 上有两个 Instance，分别是 Source 和 Function。
• Worker Service2 上有一个 Instance，即 Sink。

另外，图中的 PulsarSource、IdentityFunction 和 PulsarSink 组件都是 Instance 的一部分。当外部系统向 Pulsar 输入数据时，会使用 pulsar-admin source 启动 Source 的 Instance，该 Instance 会初始化三个组件，代码如下：

// sink 组件，负责数据输出
 setupOutput(contextImpl);
// source 组件，负责数据输入
setupInput(contextImpl);
// function 组件，负责简单计算和过滤等
return new JavaInstance(contextImpl, object);

首先初始化数据的出口，如果数据目的地有问题，就不会继续进行。

每个组件内部有以下逻辑判断：

if (sinkSpec.getClassName().isEmpty()) {
  // 未指定 className，则使用系统默认的组件初始化，即前文提到的 PulsarSink
} else {
  // 如果可以找到 className，则使用它进行初始化
}
// If source classname is not set, we default pulsar source
if (sourceSpec.getClassName().isEmpty()) {
  // 未指定 className，则使用系统默认的组件初始化，即前文提到的 PulsarSource
} else {
  // 如果可以找到 className，则使用它进行初始化
}
// create the functions
if (userClassObject instanceof Function) {
  // 使用默认的的 IdentityFunction 进行初始化
    this.function = (Function) userClassObject;
} else {
    // 使用用户定义的 Function
    this.javaUtilFunction = (java.util.function.Function) userClassObject;
}

Source 命令启动后，Instance 发现提供了 className，则会使用 className 替换系统默认的 Source 组件接收外部系统的数据。收到数据后，会将这些数据放在 queue 中。

无论是用户自定义的 source，还是系统默认的 PulsarSource，收到数据之后都会执行以下代码：

consume(record);
public void consume(Record record) {
      try {
          queue.put(record);
      } catch (InterruptedException e) {
          throw new RuntimeException(e);
      }
  }

Pulsar 会把数据放至队列中，等待 Function 处理。这里已指定了 Source ，因此使用系统默认的 IdentityFunction。PulsarSource 和用户自定义 source 有以下区别：

• 用户自定义 Source：用于与外部系统集成（图中的红色箭头）。例如，数据库和日志等。
• 系统默认的 PulsarSource：会启动 Consumer ，用于消费来自 Pulsar topic 的数据（图中指向 Consumer 的黄色箭头）。

数据流入至 Function 时，会执行以下逻辑：

// process the message
result = javaInstance.handleMessage(currentRecord, currentRecord.getValue());
public JavaExecutionResult handleMessage(Record record, Object input) {
  ...
  if (function != null) {
    // 用户自定义 function 的处理逻辑
      output = function.process(input, context);
  } else {
    // 系统默认 IdentityFunction 的处理逻辑
      output = javaUtilFunction.apply(input);
  }
  ...
}

数据在 Function 处理完成之后，会进入到下一个组件，即 Sink，Sink 同样会执行类似的判断。如果是用户自定义 Sink，则会调用用户的类执行初始化；如果没有用户自定义 Sink，则使用系统默认的 PulsarSink 执行初始化，从而完成数据的输出，这里使用了 PulsarSink。

PulsarSink 与用户自定义 Sink 有以下区别：

• 用户自定义 Sink：将数据输出至外部系统（图中第二个红色箭头）。
• 系统默认的 PulsarSink：会初始化 Pulsar 的 Producer，将数据输出至 Pulsar Topic（图中指向外部的黄色箭头）。

以上流程是在命令行中执行 pulsar-admin source 时进行的逻辑，当执行 Function 时，会将 IdentityFunction 替换为用户的 Function 对象，但是 Source 和 Sink 会使用系统默认的 PulsarSource 和 PulsarSink 进行初始化（图中标注 Function 的蓝色方块）。pulsar-admin sink 同样如此，此处不再赘述。

总结

本文分享了 Source、Sink 和 Function 之间的关系以及数据流通的过程。 Instance 实际包含了三个组件：Source、Sink 和 Function，这三个组件是不同的，因此，“Source 和 Sink 是一种特殊的 Function” 的说法是不准确的。同时，本文还介绍了每个 Instance 对 pub/sub 模型的封装。Source 和 Sink 作为 Instance 中单独的组件，在构建与外部系统的生态时有重要意义。