Google云平台构建数据ETL任务的最佳实践

在数据处理中，我们经常需要构建ETL的任务，对数据进行加载，转换处理后再写入到数据存储中。Google的云平台提供了多种方案来构建ETL任务，我也研究了一下这些方案，比较方案之间的优缺点，从而找到一个最适合我业务场景的方案。

假设我们的业务场景需要定期从Kafka中获取数据，经过一些数据清洗，数据关联，数据Enrich操作之后，把数据写入到Bigquery数据仓库，从而方便以后生成统计分析报表。

Google云平台提供了几个方案来完成这个任务：

1. Datafusion，通过在UI界面设计ETL pipeline，然后把Pipeline转换为Spark应用，部署在Dataproc上运行。

2. 编写Spark应用代码，然后在Dataproc上运行或者在K8S集群上通过Spark operator来调度执行。

3. 编写Apache Beam代码，通过Dataflow runner在VM上执行任务。

方案一的优点是基本不需要编写代码，在图形界面上即可完成Pipeline的设计。缺点是如果有一些额外的需求可能不太方便实现，另外最主要是太贵。Datafusion需要单独部署在一个Instance上24小时运行，这个Instance企业版的收费大概一小时要几美元。另外Pipeline运行的时候会调度Dataproc的Instance，这里会产生额外的费用。

方案二的优点是可以灵活的通过Spark代码来完成各种需求。缺点也是比较贵，因为Dataproc是基于Hadoop集群的，需要有Zookeeper, driver和executor这几个VM。如果采用K8S集群，则Spark operator也是需要单独24小时运行在一个pod上，另外还有额外的driver, executor的Pod需要调度执行。

方案三是综合考虑最优的方案，因为Beam的代码是提供了一个通用的流批处理框架，可以运行在Spark,Flink,Dataflow等引擎上，而Dataflow是Google提供的一个优秀的引擎，在运行任务时，Dataflow按需调度VM来运行，只收取运行时的费用。

因此，对于我的这个业务场景，使用方案三是最合适的。下面我将介绍一下整个实现的过程。

Beam批处理任务的实现

在Dataflow的官方Template里面，有一个消费Kafka数据写入到Bigquery的例子，但是这个是流处理方式实现的，对于我的业务场景来说，并不需要这么实时的处理数据，只需要定期消费即可，因此用批处理的方式更合适，这样也能大幅节约费用。

Beam的Kafka I/O connector是默认处理的数据是无边界的，即流式数据。要以批处理的方式来处理，需要调用withStartReadTime和withStopReadTime两个方法获取要读取的Kafka topic的start和end offset，这样就可以把数据转换为有边界数据。调用这两个方法需要注意的是，如果Kafka没有任何一条消息的时间戳是大于等于这个时间戳的话，那么会报错，因此我们需要确定一下具体的时间戳。

以下的代码是检查Kafka消息的所有分区是否存在消息的时间戳是大于我们指定的时间戳，如果不存在的话，那么我们需要找出这些分区里面的最晚时间戳里面的最早的一个。例如Topic有3个分区，要指定的时间戳是1697289783000，但是3个分区里面的所有消息都小于这个时间戳，因此我们需要分别找出每个分区里面的消息的最晚的时间戳，然后取这3个分区的最晚时间戳里面最早的那个，作为我们的指定时间戳。

public class CheckKafkaMsgTimestamp {
    private static final Logger LOG = LoggerFactory.getLogger(CheckKafkaMsgTimestamp.class);
   
    public static KafkaResult getTimestamp(String bootstrapServer, String topic, long startTimestamp, long stopTimestamp) {
        long max_timestamp = stopTimestamp;
        long max_records = 5L;
        Properties props = new Properties();
        props.setProperty("bootstrap.servers", bootstrapServer);
        props.setProperty("group.id", "test");
        props.setProperty("enable.auto.commit", "true");
        props.setProperty("auto.commit.interval.ms", "1000");
        props.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        props.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer consumer = new KafkaConsumer<>(props);

        // Get all the partitions of the topic
        int partition_num = consumer.partitionsFor(topic).size();
        HashMap search_map = new HashMap<>();
        ArrayList tp = new ArrayList<>();
        for (int i=0;i selected_tp = new ArrayList<>();
        //LOG.info("Start to check the timestamp {}", stopTimestamp);
        Map results = consumer.offsetsForTimes(search_map);
        for (Map.Entry entry : results.entrySet()) {
            OffsetAndTimestamp value = entry.getValue();
            if (value==null) {   //there is at least one partition don't have timestamp greater or equal to the stopTime
                flag = false;
                break;
            }
        }
        // Get the latest timestamp of all partitions if the above check result is false
        // Note the timestamp is the earliest of all the partitions. 
        if (!flag) {
            max_timestamp = 0L;
            consumer.assign(tp);
            Map endoffsets = consumer.endOffsets(tp);
            for (Map.Entry entry : endoffsets.entrySet()) {
                Long temp_timestamp = 0L;
                int record_count = 0;
                TopicPartition t = entry.getKey();
                long offset = entry.getValue();
                if (offset < 1) {
                    LOG.warn("Can not get max_timestamp as partition has no record!");
                    continue;
                }
                consumer.assign(Arrays.asList(t));
                consumer.seek(t, offset>max_records?offset-5:0);
            
                Iterator> records = consumer.poll(Duration.ofSeconds(2)).iterator();
                while (records.hasNext()) {
                    record_count++;
                    ConsumerRecord record = records.next();
                    LOG.info("Topic: {}, Record Timestamp: {}, recordcount: {}", t, record.timestamp(), record_count);
                    if (temp_timestamp == 0L || record.timestamp() > temp_timestamp) {
                        temp_timestamp = record.timestamp();
                    }
                }
                //LOG.info("Record count: {}", record_count);
                if (temp_timestamp > 0L && temp_timestamp > startTimestamp) {
                    if (max_timestamp == 0L || max_timestamp > temp_timestamp) {
                        max_timestamp = temp_timestamp;
                    }
                    selected_tp.add(t);
                    LOG.info("Temp_timestamp {}", temp_timestamp);
                    LOG.info("Selected topic partition {}", t);
                    LOG.info("Partition offset {}", consumer.position(t));
                    //consumer.seek(t, -1L);
                }
            }
        } else {
            selected_tp = tp;
        }
        consumer.close();
        LOG.info("Max Timestamp: {}", max_timestamp);
        return new KafkaResult(max_timestamp, selected_tp);
    }
}

调用以上代码，我们可以获取要选择的分区以及对应的时间戳。利用这两个信息，我们就可以把指定时间范围内的Kafka数据转换为有边界数据了。以下是Beam建立Pipeline并处理数据，然后写入到Bigquery的代码：

KafkaResult checkResult = CheckKafkaMsgTimestamp.getTimestamp(options.getBootstrapServer(), options.getInputTopic(), start_read_time, stop_read_time);
stop_read_time = checkResult.max_timestamp;
ArrayList selected_tp = checkResult.selected_tp;

PCollection input = pipeline
    .apply("Read messages from Kafka",
        KafkaIO.read()
            .withBootstrapServers(options.getBootstrapServer())
            .withKeyDeserializer(StringDeserializer.class)
            .withValueDeserializer(StringDeserializer.class)
            .withConsumerConfigUpdates(ImmutableMap.of("group.id", "telematics_statistic.app", "enable.auto.commit", true))
            .withStartReadTime(Instant.ofEpochMilli(start_read_time))
            .withStopReadTime(Instant.ofEpochMilli(stop_read_time))
            .withTopicPartitions(selected_tp)
            .withoutMetadata())
    .apply("Get message contents", Values.create());

PCollectionTuple msgTuple = input
    .apply("Filter message", ParDo.of(new DoFn() {
        @ProcessElement
        public void processElement(@Element String element, MultiOutputReceiver out) {
            TelematicsStatisticsMsg msg = GSON.fromJson(element, TelematicsStatisticsMsg.class);
            if (msg.timestamp==0 || msg.vin==null) {
                out.get(otherMsgTag).output(element);
            } else {
                if (msg.timestamp=stop_process_time) {
                    out.get(otherMsgTag).output(element);
                } else {
                    out.get(statisticsMsgTag).output(msg);
                }
            }
        }
    })
    .withOutputTags(statisticsMsgTag, TupleTagList.of(otherMsgTag))); 

// Get the filter out msg
PCollection statisticsMsg = msgTuple.get(statisticsMsgTag);
// Save the raw records to Bigquery
statisticsMsg
    .apply("Convert raw records to BigQuery TableRow", MapElements.into(TypeDescriptor.of(TableRow.class))
        .via(TelematicsStatisticsMsg -> new TableRow()
            .set("timestamp", Instant.ofEpochMilli(TelematicsStatisticsMsg.timestamp).toString())
            .set("vin", TelematicsStatisticsMsg.vin)
            .set("service", TelematicsStatisticsMsg.service)
            .set("type", TelematicsStatisticsMsg.messageType)))
    .apply("Save raw records to BigQuery", BigQueryIO.writeTableRows()
        .to(options.getStatisticsOutputTable())
        .withSchema(new TableSchema().setFields(Arrays.asList(
            new TableFieldSchema().setName("timestamp").setType("TIMESTAMP"),
            new TableFieldSchema().setName("vin").setType("STRING"),
            new TableFieldSchema().setName("service").setType("STRING"),
            new TableFieldSchema().setName("type").setType("STRING"))))
        .withCreateDisposition(CreateDisposition.CREATE_IF_NEEDED)
        .withWriteDisposition(WriteDisposition.WRITE_APPEND));

PipelineResult result = pipeline.run();
try {
    result.getState();
    result.waitUntilFinish();
} catch (UnsupportedOperationException e) {
    // do nothing
} catch (Exception e) {
    e.printStackTrace();
}

需要注意的是，每次处理任务完成后，我们需要把当前的stopReadTime记录下来，下次任务运行的时候把这个时间戳作为startReadTime，这样可以避免某些情况下的数据缺失读取的问题。这个时间戳我们可以把其记录在GCS的bucket里面。这里略过这部分代码。

提交Dataflow任务

之后我们就可以调用Google的Cloud Build功能来把代码打包为Flex Template

首先在Java项目中运行mvn clean package，打包jar文件

然后在命令行中设置以下环境变量：

export TEMPLATE_PATH="gs://[your project ID]/dataflow/templates/telematics-pipeline.json" 
export TEMPLATE_IMAGE="gcr.io/[your project ID]/telematics-pipeline:latest" 
export REGION="us-west1"

之后运行gcloud build的命令来构建镜像：

gcloud dataflow flex-template build $TEMPLATE_PATH --image-gcr-path "$TEMPLATE_IMAGE" --sdk-language "JAVA" --flex-template-base-image "gcr.io/dataflow-templates-base/java17-template-launcher-base:20230308_RC00" --jar "target/telematics-pipeline-1.0-SNAPSHOT.jar" --env FLEX_TEMPLATE_JAVA_MAIN_CLASS="com.example.TelematicsBatch"

最后就可以调用命令来提交任务执行了：

gcloud dataflow flex-template run "analytics-pipeline-`date +%Y%m%d-%H%M%S`" --template-file-gcs-location "$TEMPLATE_PATH" --region "us-west1" --parameters ^~^bootstrapServer="kafka-1:9094,kafka-2:9094"~statisticsOutputTable="youprojectid:dataset.tablename"~serviceAccount="[email protected]"~region="us-west1"~usePublicIps=false~runner=DataflowRunner~subnetwork="XXXX"~tempLocation=gs://bucketname/temp/~startTime=1693530000000~stopTime=1697216400000~processStartTime=1693530000000~processStopTime=1697216400000

如果我们需要任务自动定期执行，还可以在dataflow里面import一个Pipeline，用之前指定的Template_path来导入。然后设置任务的定期周期和启动时间即可，非常方便。