Kafka的重要组件，谈谈流处理引擎Kafka Stream

系列文章目录

上手第一关，手把手教你安装kafka与可视化工具kafka-eagle
Kafka是什么，以及如何使用SpringBoot对接Kafka
架构必备能力——kafka的选型对比及应用场景
Kafka存取原理与实现分析，打破面试难关
防止消息丢失与消息重复——Kafka可靠性分析及优化实践

---

我们前面介绍了很多kafka本身的特性与设计，也说了不少原理性的内容，本次我们稍微放松一下，来介绍一下 Kafka的一个重要组件—— Kafka Stream

作者简介：战斧，从事金融IT行业，有着多年一线开发、架构经验；爱好广泛，乐于分享，致力于创作更多高质量内容
本文收录于 kafka 专栏，有需要者，可直接订阅专栏实时获取更新
高质量专栏 云原生、RabbitMQ、Spring全家桶 等仍在更新，欢迎指导
Zookeeper Redis dubbo docker netty等诸多框架，以及架构与分布式专题即将上线，敬请期待

---

一、Kafka Stream是什么

1. 简介

Kafka Stream是 Apache Kafka 的一个子项目，它提供了一种简单而快速的方法来对数据流进行处理，是一种无状态的流处理引擎，可以消费Kafka中的数据并将其转换为输出流。Kafka Stream不像其他流处理工具，它是一个Java库，能够快速构建、部署和管理数据流处理任务。

我们在前面的文章中《Kafka是什么，以及如何使用SpringBoot对接Kafka》 初步接触了kafka的客户端kafka client,当时如果有眼尖的同学应该也注意到了，在使用Spring Initializr创建项目时，就看见了Kafka Stream的身影

那么Kafka Stream 与 我们当时接触的 Kafka client 有什么联系吗？其实它们的共同点在于他们都是与Kafka集成的API，从逻辑层次来说，Kafka Stream 是建立在 Kafka client 上的，我们在引用 Kafka Stream 时， 其会自带着 Kafka client 的包，如下：

那它们的作用到底哪不一样呢？具体来说，它们的不同之处可从这几个方面看：

• 功能不同
  Kafka Stream是用于流处理任务的API，它提供了一种简单而快速的方法来对数据流进行处理。相反，Kafka Client主要用于生产和消费Kafka消息。

• 处理方式不同
  Kafka Client主要依赖于订阅和轮询来消费Kafka消息。而Kafka Stream依赖于数据流的处理，它会自动将Kafka消息转化为数据流，并实时处理这些数据。

• API调用方式不同
  在Kafka Stream中，您需要定义一个拓扑结构，描述如何将输入流转换成输出流，并执行转换。而在Kafka Client中，您需要调用API来发送和接收Kafka消息。

• 应用场景不同
  Kafka Stream适用于实时数据分析、实时预测等需要流处理的场景。而Kafka Client更适用于异步数据传输的场景，例如日志收集、事件处理等。

2. 特点

我们前面说过，流处理引擎做的人也是很多的，常见的比如说Apache Flink、Apache Spark Streaming、Apache Storm 以及阿里参考 Apache Storm 开发的Jstorm。既然有如此多的可选项，为什么还有Kafka Stream这个东西呢？其实说来也简单，就是应用简单+功能丰富

总计来说，其具备以下特点：

1. 无需额外征用集群资源
   在传统的流处理中，需要单独的集群进行数据处理，这就意味着需要额外的开销。而Kafka Stream是直接在Kafka集群上执行的，不会征用额外的资源。

2. 易于使用
   Kafka Stream提供了简单易用的API，使得开发人员可以快速地进行流处理任务的开发。它还支持Java 8中的Lambda表达式，使得代码更加简洁。

3. 支持丰富的转换操作
   Kafka Stream支持丰富的转换操作，包括过滤、映射、聚合等。这些操作可以被组合使用，以满足不同的处理需求。

二、流程与核心类

1. KStream 和 KTable 概念

我们上面简要介绍了下Kafka Stream的特点。但是，要想明白其流程并正确使用，我们还需要讲两个核心概念，也就是KStream 和 KTable

• KStream
  KStream是一个持续不断的流数据记录，每个记录都是一个key-value对，可以被读取、写入和转换。通常，KStream用于处理实时数据流，我们可以直接从kafka集群中指定主题来获取源源不断的数据

• KTable
  KTable顾名思义，可以看作是一张持久化的、可查询的、支持状态更新的表格。它通常是利用KStream的数据经过一系列转换和聚合操作生成的，KTable可以被读取和更新，但不能被删除。

KStream和KTable是互补的。KStream可以转换成KTable，也可以从KTable中获取值；KTable也可以转换成KStream，我们可以使用下图，看一下是如何针对数据流中，出现的单词进行计数并”落表“的：

当然，我们还有必要提及一下GlobalKTable，它是一种特殊的KTable，GlobalKTable通常用于处理比较静态的全局数据，例如维护一个全局的用户信息表，而且只在应用程序启动时从Kafka主题中加载所有数据，这意味着需要消耗较大的内存空间。

2. 常用逻辑与转换

我们上面说了KStream 和 KTable ，在代码里其实也对应了两个类，那这两个类都有些什么方法呢？最重要的，我们想知道，它们是如何互相转换的。

其实关于 KStream ，可能有些同学会想到JDK 里的 Stream ，因为确实很多方法是一致的，所以不用慌张。我们先来介绍下 KStream 的常用方法：

• filter：过滤数据流中不符合条件的记录。
• map：将每个记录转换为一个新的记录，可以改变记录的key和value。
• flatMap：与map类似，可以将一个记录转换为多个新的记录。
• mapValues：与map类似，但记录的键保留不变，只改变值
• groupByKey：将记录按key进行分组，生成一个KGroupedStream对象，可以用于聚合操作。
• reduce：对KGroupedStream对象进行聚合操作。
• join：将两个KStream对象进行join操作，生成一个新的KStream对象。
• windowed：对KStream对象进行窗口操作，可以使用时间窗口或大小窗口。
• aggregate：将当前流中的记录聚合，并生成一个新的KTable。与reduce方法不同，aggregate方法不仅考虑当前记录，还考虑之前记录的聚合结果
• to：将结果输出到输出主题中

我们举一个小代码段来看下这些方法的使用

KStream<String, String> input = ...;
// 使用filter方法过滤出包含"important"的值
KStream<String, String> filtered = input
    .filter((key, value) -> value.contains("important"))
// 使用mapValues方法将每个值的长度作为新值。
KStream<String, Integer> mapped = filtered
    .mapValues(value -> value.length());
// 使用groupBy方法将键值对按键分组，并使用count方法计算每个键出现的次数，将结果存储在KTable中
KTable<String, Integer> counted = mapped
    .groupBy((key, value) -> key)
    .count(Materialized.as("counts"));
// 使用selectKey方法选取值中"-"前的部分作为新键
KStream<String, String> rekeyed = input
    .selectKey((key, value) -> value.split("-")[0]);
// 使用leftJoin方法将两个KStream进行左连接，即mapped流和rekeyed流进行连接，
// 连接的条件是两个流中的键相等。连接函数的定义是将两个整型值相加，并将结果作为连接后的流的值
KStream<String, Integer> joined = mapped
    .leftJoin(rekeyed, (value1, value2) -> value1 + value2);
// 使用groupByKey方法对键值对按键分组，并使用windowedBy方法将窗口大小设置为5分钟，
// 然后使用count方法计算每个键在此时间窗口中出现的次数，最后使用toStream方法将结果
// 转换为KStream类型并将时间窗口的起止时间设置为键，值设置为次数
KStream<String, Long> windowed = input 
    .groupByKey()
    .windowedBy(TimeWindows.of(Duration.ofMinutes(5)))
    .count()
    .toStream()
    .map((key, value) -> new KeyValue<>(key.key(), value));
// 将结果输出到输出主题中
windowed.to("output-topic");

而关于KTable，也有一些常用方法，如下：

• filter：根据指定的谓词过滤记录，并返回一个新的KTable。谓词是一个接受key和value作为参数的函数，如果返回true，则保留该记录，否则过滤掉。
• mapValues：对KTable中的每个value执行指定的转换函数，并返回一个新的KTable。
• groupBy：根据指定的key进行分组，并返回一个KGroupedTable对象，该对象用于执行各种聚合操作。
• join：将当前KTable与另一个KTable或KStream进行连接，并返回一个新的KTable。
• toStream：将KTable转换为KStream，并返回一个新的KStream对象。

我们也写一小段代码用于演示：

// 从输入流中建立一个KTable
StreamsBuilder builder = new StreamsBuilder();
KTable<String, String> myKTable = builder.table("input-topic", Materialized.as("ktable-store"));

// 1. 执行一些过滤操作，保留包含特定前缀的键
KTable<String, String> filteredKTable = myKTable.filter((key, value) -> key.startsWith("prefix"));

// 2. 执行mapValues操作，将每个键值对中的value进行大写转换
KTable<String, String> uppercasedKTable = myKTable.mapValues(e -> e.toUpperCase());

// 3. 执行groupBy操作，将键值对按照key的前缀分组
KTable<String, String> groupedKTable = myKTable.groupBy((key, value) -> KeyValue.pair(key.split("_")[0], value))
        .reduce((aggValue, newValue) -> aggValue + "_" + newValue);

// 4. 执行leftJoin操作，将两个KTable进行连接，如果某一个KTable中没有该key，则用null进行填充
KTable<String, String> leftJoinedKTable = myKTable.leftJoin(filteredKTable,
        (value1, value2) -> value1 + "-" + value2);

// 5. 执行toStream操作，将KTable转换为KStream类型
myKTable.toStream().map((key, value) -> KeyValue.pair(key, value.toUpperCase()));

当然，关于上述哪些方法，我们也可以用一张图来概括它们之间的转换关系，如下图，其中的 KGroupedStream 和 KGroupedTable 其实就是KStream 和 KTable 进行聚合操作后的产物

三、使用场景与Demo

1. 实时数据分析

Kafka Stream可以将实时到达的数据进行处理，以便进行实时数据分析。在这种情况下，Kafka Stream通常会将数据转换为一些有用的信息，以便于更好的理解数据，我们可以举一个简单的示例demo

假设我们有一个数据流，其中包含电影评分信息和电影相关信息。我们的任务是计算出每个电影的平均评分。

首先，我们需要定义输入数据流所需的数据结构。假设我们的数据结构如下：

@Data
public class MovieRating {
    private String movieId;
    private float rating;
}

@Data
public class Movie {
    private String movieId;
    private String title;
}

接下来，我们需要编写Kafka流应用程序。我们可以将其分为三个步骤：

1.从Kafka主题读取电影评分和电影相关信息。
2.以电影ID为键，将电影评分聚合到一个窗口中，并计算平均值。
3.将结果写入新的Kafka主题。

public static void main(String[] args) throws Exception {
    Properties props = new Properties();
    props.put(StreamsConfig.APPLICATION_ID_CONFIG, "movie-ratings-app");
    props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
    props.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_CONFIG, Serdes.String().getClass());
    props.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_CONFIG, SpecificAvroSerde.class);

    final StreamsBuilder builder = new StreamsBuilder();

    // 步骤1：从kafka主题中读取电影信息及评分
    // 我们假设主题包含Avro编码的数据
    KStream<String, MovieRating> ratings = builder.stream("movie-ratings");
    KStream<String, Movie> movies = builder.stream("movies");

    // 步骤2: 按电影ID聚合评分并计算平均评分.
    KTable<Windowed<String>, Double> averageRatings = ratings
        .groupBy((key, value) -> value.getMovieId())
        .windowedBy(TimeWindows.of(Duration.ofMinutes(10)))
        .aggregate(
            () -> new RatingAggregate(0.0, 0L),
            (key, value, aggregate) -> new RatingAggregate(aggregate.getSum() + value.getRating(), aggregate.getCount() + 1),
            Materialized.with(Serdes.String(), new RatingAggregateSerde())
        )
        .mapValues((aggregate) -> aggregate.getSum() / aggregate.getCount())
        .toStream()
        .groupByKey()
        .windowedBy(TimeWindows.of(Duration.ofMinutes(10)))
        .reduce(
            (value1, value2) -> Math.max(value1, value2),
            Materialized.with(Serdes.String(), Serdes.Double())
        )
        .toStream()
        .map((key, value) -> new KeyValue<>(key.key(), value));

    // 步骤3: 将结果写入一个新的kafka主题.
    averageRatings.to("average-ratings");

    final KafkaStreams streams = new KafkaStreams(builder.build(), props);
    streams.start();
}

// 用于聚合评分的辅助类
public static class RatingAggregate {
    private double sum;
    private long count;

    public RatingAggregate(double sum, long count) {
        this.sum = sum;
        this.count = count;
    }

    public double getSum() {
        return sum;
    }

    public long getCount() {
        return count;
    }
}

// 序列化与反序列化.
public static class RatingAggregateSerde extends Serdes.WrapperSerde<RatingAggregate> {
    public RatingAggregateSerde() {
        super(new JsonSerializer<>(), new JsonDeserializer<>(RatingAggregate.class));
    }
}

在上面的代码中，我们使用Serdes.String()和SpecificAvroSerde来序列化和反序列化字符串和Avro-encoded对象。我们使用TimeWindows.of(Duration.ofMinutes(10))定义大小为10分钟的窗口。我们使用RatingAggregate类来辅助计算每个电影的平均评分，RatingAggregateSerde类来序列化和反序列化RatingAggregate对象

2. 实时预测

Kafka Stream可以用于实时预测任务，例如在一些应用中，需要根据实时到达的数据来进行预测。Kafka Stream可以使用已有的模型，对实时数据进行预测，从而实现实时的推荐或预测等功能。

还是拿电影举例，我们经常可以看到电影票房的预测，我们可以以此写一个Demo

public class MovieProcessor {

    private static final String INPUT_TOPIC = "box-office-input";
    private static final String OUTPUT_TOPIC = "box-office-output";

    public static void main(String[] args) {

        // 创建 Kafka Streams 配置
        Properties props = new Properties();
        props.put(StreamsConfig.APPLICATION_ID_CONFIG, "box-office-predictor");
        props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        props.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_CONFIG, Serdes.String().getClass().getName());
        props.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_CONFIG, Serdes.String().getClass().getName());

        // 创建 Kafka Streams
        StreamsBuilder builder = new StreamsBuilder();
        KStream<String, String> inputStream = builder.stream(INPUT_TOPIC);

        // 将上映日期转换为毫秒数，并计算出预测票房
        KTable<Long, Double> boxOfficePrediction = inputStream
                .mapValues(new ValueMapper<String, Double>() {
                    @Override
                    public Double apply(String value) {
                        String[] fields = value.split(",");
                        long releaseDateMillis = LocalDate.parse(fields[1]).toEpochDay() * 24 * 60 * 60 * 1000;
                        int runtime = Integer.parseInt(fields[2]);
                        double boxOffice = Double.parseDouble(fields[3]);
                        double prediction = boxOffice / (runtime * 60 * 1000.0) * (releaseDateMillis - System.currentTimeMillis());
                        return prediction > 0 ? prediction : 0;
                    }
                })
                .groupBy(new KeyValueMapper<String, Double, Long>() {
                    @Override
                    public Long apply(String key, Double value) {
                        return 1L;
                    }
                })
                .reduce(new Reducer<Double>() {
                    @Override
                    public Double apply(Double value1, Double value2) {
                        return value1 + value2;
                    }
                })
                .mapValues(new ValueMapper<Double, Double>() {
                    @Override
                    public Double apply(Double value) {
                        return value / (24 * 60 * 60 * 1000.0);
                    }
                });

        // 将预测结果发送到 Kafka Topic 中
		boxOfficePrediction.toStream().to("prediction");

        // 启动 Kafka Streams
        KafkaStreams streams = new KafkaStreams(builder.build(), props);
        streams.start();
    }
}

四、总结

今天我们学了一些关于Kafka Stream的内容太，知道了它是一种流处理引擎，可以消费Kafka中的数据，进行处理后，还能其转换为输出流。它特点在于不需要额外征用集群资源、易于使用、支持丰富的转换操作。使用场景包括实时数据分析、实时预测等。但其实Kafka Stream的内容还是很多的，我们将在后面的学习中继续讲解