使用kafka connect，將數(shù)據(jù)批量寫到hdfs完整過程

版權(quán)聲明：本文為博主原創(chuàng)文章，未經(jīng)博主允許不得轉(zhuǎn)載

本文是基于hadoop 2.7.1，以及kafka 0.11.0.0。kafka-connect是以單節(jié)點模式運行，即standalone。


一. 首先，先對kafka和kafka connect做一個簡單的介紹

kafka：Kafka是一種高吞吐量的分布式發(fā)布訂閱消息系統(tǒng)，它可以處理消費者規(guī)模的網(wǎng)站中的所有動作流數(shù)據(jù)。比較直觀的解釋就是其有一個生產(chǎn)者（producer）和一個消費者（consumer）?？梢詫afka想象成一個數(shù)據(jù)容器，生產(chǎn)者負責(zé)發(fā)送數(shù)據(jù)到這個容器中，而消費者從容器中取出數(shù)據(jù)，在將數(shù)據(jù)做處理，如存儲到hdfs。

kafka connect：Kafka Connect是一種用于在Kafka和其他系統(tǒng)之間可擴展的、可靠的流式傳輸數(shù)據(jù)的工具。它使得能夠快速定義將大量數(shù)據(jù)集合移入和移出Kafka的連接器變得簡單。即適合批量數(shù)據(jù)導(dǎo)入導(dǎo)出操作。


二. 下面將介紹如何用kafka connect將數(shù)據(jù)寫入到hdfs中。包括在這個過程中可能碰到的一些問題說明。

首先啟動kafka-connect:

bin/connect-standalone.sh config/connect-standalone.properties config/connector1.properties

這個命令后面兩個參數(shù)，

　　第一個是指定啟動的模式，有分布式和單節(jié)點兩種，這里是單節(jié)點。kafka自帶，放于config目錄下。

　　第二個參數(shù)指向描述connector的屬性的文件，可以有多個，這里只有一個connector用來寫入到hdfs。需要自己創(chuàng)建。

接下來看看connector1.properties的內(nèi)容，

name="test" #該connector的名字

#將自己按connect接口規(guī)范編寫的代碼打包后放在kafka/libs目錄下，再根據(jù)項目結(jié)構(gòu)引用對應(yīng)

connector connector.class=hdfs.HdfsSinkConnector

#Task是導(dǎo)入導(dǎo)出的具體實現(xiàn)，這里是指定多少個task來并行運行導(dǎo)入導(dǎo)出作業(yè)，由多線程實現(xiàn)。由于hdfs中一個文件每次只能又一個文件操作，所以這里只能是1

tasks.max=1

#指定從哪個topic讀取數(shù)據(jù)，這些其實是用來在connector或者task的代碼中讀取的。 topics=test #指定key以那種方式轉(zhuǎn)換，需和Producer發(fā)送方指定的序列化方式一致 key.converter=org.apache.kafka.connect.converters.ByteArrayConverter value.converter=org.apache.kafka.connect.json.JsonConverter #同上

hdfs.url=hdfs://127.0.0.1:9000　　#hdfs的url路徑，在Connector中會被讀取 hdfs.path=/test/file　　#hdfs文件路徑，同樣Connector中被讀取

key.converter.schemas.enable=true　　#稍后介紹，可以true也可以false，影響傳輸格式 value.converter.schemas.enable=true　　#稍后介紹，可以true也可以false

三. 接下來看代碼，connect主要是導(dǎo)入導(dǎo)出兩個概念，導(dǎo)入是source，導(dǎo)出時Sink。這里只使用Sink，不過Source和Sink的實現(xiàn)其實基本相同。

實現(xiàn)Sink其實不難，實現(xiàn)對應(yīng)的接口，即SinkConnector和SinkTask兩個接口，再打包放到kafka/libs目錄下即可。其中SinkConnector只有一個，而Task可以有多

先是Connector

publicclassHdfsSinkConnectorextends SinkConnector {

? ? //這兩項為配置hdfs的urlh和路徑的配置項，需要在connector1.properties中指定publicstaticfinalString HDFS_URL = "hdfs.url";

? ? publicstaticfinalString HDFS_PATH = "hdfs.path";

? ? privatestaticfinalConfigDef CONFIG_DEF =new ConfigDef()

? ? ? ? ? ? .define(HDFS_URL, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs url")

? ? ? ? ? ? .define(HDFS_PATH, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs path");

? ? private String hdfsUrl;

? ? private String hdfsPath;

? ? @Override

? ? public String version() {

? ? ? ? returnAppInfoParser.getVersion();? ? }

//start方法會再初始的時候執(zhí)行一次，這里主要用于配置? ? @Override

publicvoidstart(Map props) {

? ? ? ? hdfsUrl = props.get(HDFS_URL);

? ? ? ? hdfsPath = props.get(HDFS_PATH);

? ? }

　　//這里指定了Task的類

? ? @Override

? ? publicClass taskClass() {

? ? ? ? returnHdfsSinkTask.class;

? ? }

　　//用于配置Task的config，這些都是會在Task中用到

? ? @Override

? ? publicList> taskConfigs(int maxTasks) {

? ? ? ? ArrayList> configs =newArrayList<>();

? ? ? ? for(inti = 0; i < maxTasks; i++) {

? ? ? ? ? ? Map config =newHashMap<>();

? ? ? ? ? ? if(hdfsUrl !=null)

? ? ? ? ? ? ? ? config.put(HDFS_URL, hdfsUrl);

? ? ? ? ? ? if(hdfsPath !=null)

? ? ? ? ? ? ? ? config.put(HDFS_PATH, hdfsPath);

? ? ? ? ? ? configs.add(config);

? ? ? ? }

? ? ? ? return configs;

? ? }

　　//關(guān)閉時的操作，一般是關(guān)閉資源。

? ? @Override

? ? publicvoid stop() {

? ? ? ? // Nothing to do since FileStreamSinkConnector has no background monitoring.? ? }

? ? @Override

? ? public ConfigDef config() {

? ? ? ? return CONFIG_DEF;

? ? }

}

接下來是Task

publicclassHdfsSinkTaskextends SinkTask {

? ? privatestaticfinalLogger log = LoggerFactory.getLogger(HdfsSinkTask.class);

? ? private String filename;

? ? publicstatic String hdfsUrl;

? ? publicstatic String hdfsPath;

? ? private Configuration conf;

? ? private FSDataOutputStream os;

? ? private FileSystem hdfs;

? ? public HdfsSinkTask(){

? ? }

? ? @Override

? ? public String version() {

? ? ? ? returnnew HdfsSinkConnector().version();

? ? }

　　//Task開始會執(zhí)行的代碼，可能有多個Task，所以每個Task都會執(zhí)行一次

? ? @Override

? ? publicvoidstart(Map props) {

? ? ? ? hdfsUrl = props.get(HdfsSinkConnector.HDFS_URL);

? ? ? ? hdfsPath = props.get(HdfsSinkConnector.HDFS_PATH);

? ? ? ? System.out.println("----------------------------------- start--------------------------------");

? ? ? ? conf =new Configuration();conf.set("fs.defaultFS", hdfsUrl);

? ? ? ? //這兩個是與hdfs append相關(guān)的設(shè)置conf.setBoolean("dfs.support.append",true);

? ? ? ? conf.set("dfs.client.block.write.replace-datanode-on-failure.policy", "NEVER");

? ? ? ? try{

? ? ? ? ? ? hdfs = FileSystem.get(conf);//? ? ? ? ? ? connector.hdfs = new Path(HDFSPATH).getFileSystem(conf);os = hdfs.append(new Path(hdfsPath));

? ? ? ? }catch (IOException e){

? ? ? ? ? ? System.out.println(e.toString());

? ? ? ? }

? ? }

　　//核心操作，put就是將數(shù)據(jù)從kafka中取出，存放到其他地方去

? ? @Override

? ? publicvoidput(Collection sinkRecords) {

? ? ? ? for (SinkRecord record : sinkRecords) {

? ? ? ? ? ? log.trace("Writing line to {}: {}", logFilename(), record.value());

? ? ? ? ? ? try{

? ? ? ? ? ? ? ? System.out.println("write info------------------------" + record.value().toString() + "-----------------");

? ? ? ? ? ? ? ? os.write((record.value().toString()).getBytes("UTF-8"));

? ? ? ? ? ? ? ? os.hsync();

? ? ? ? ? ? }catch(Exception e){

? ? ? ? ? ? ? ? System.out.print(e.toString());

? ? ? ? ? ? }

? ? ? ? }

? ? }

? ? @Override

? ? publicvoidflush(Map offsets) {

? ? ? ? try{

? ? ? ? ? ? os.hsync();

? ? ? ? }catch(Exception e){? ? ? ? ? ? System.out.print(e.toString());? ? ? ? }? ? }

//同樣是結(jié)束時候所執(zhí)行的代碼，這里用于關(guān)閉hdfs資源? ? @Override

publicvoid stop() {

? ? ? ? try {

? ? ? ? ? ? os.close();

? ? ? ? }catch(IOException e){

? ? ? ? ? ? System.out.println(e.toString());

? ? ? ? }

? ? }

? ? private String logFilename() {

? ? ? ? returnfilename ==null? "stdout" : filename;

? ? }

}

這里重點提一下，因為在connector1.propertise中設(shè)置了key.converter=org.apache.kafka.connect.converters.ByteArrayConverter，所以不能用命令行形式的

producer發(fā)送數(shù)據(jù)，而是要用程序的方式，并且在producer總也要設(shè)置key的序列化形式為org.apache.kafka.common.serialization.ByteArraySerializer。

編碼完成，先用idea以開發(fā)程序與依賴包分離的形式打包成jar包，然后將程序?qū)?yīng)的jar包（一般就是“項目名.jar”）放到kafka/libs目錄下面，這樣就能被找到。

四. 接下來對這個過程的問題做一個匯總。

1.在connector1.properties中的key.converter.schemas.enable=false和value.converter.schemas.enable=false的問題。

這個選項默認(rèn)在connect-standalone.properties中是true的，這個時候發(fā)送給topic的Json格式是需要使用avro格式，具體情況可以百度，這里給出一個樣例。

{

? ? "schema": {

? ? ? ? "type": "struct",

? ? ? ? "fields": [{

? ? ? ? ? ? "type": "int32",

? ? ? ? ? ? "optional": true,

? ? ? ? ? ? "field": "c1"

? ? ? ? }, {

? ? ? ? ? ? "type": "string",

? ? ? ? ? ? "optional": true,

? ? ? ? ? ? "field": "c2"

? ? ? ? }, {

? ? ? ? ? ? "type": "int64",

? ? ? ? ? ? "optional": false,

? ? ? ? ? ? "name": "org.apache.kafka.connect.data.Timestamp",

? ? ? ? ? ? "version": 1,

? ? ? ? ? ? "field": "create_ts"

? ? ? ? }, {

? ? ? ? ? ? "type": "int64",

? ? ? ? ? ? "optional": false,

? ? ? ? ? ? "name": "org.apache.kafka.connect.data.Timestamp",

? ? ? ? ? ? "version": 1,

? ? ? ? ? ? "field": "update_ts"

? ? ? ? }],

? ? ? ? "optional": false,

? ? ? ? "name": "foobar"

? ? },

? ? "payload": {

? ? ? ? "c1": 10000,

? ? ? ? "c2": "bar",

? ? ? ? "create_ts": 1501834166000,

? ? ? ? "update_ts": 1501834166000

? ? }

}?

主要就是schema和payload這兩個，不按照這個格式會報錯如下

org.apache.kafka.connect.errors.DataException: JsonConverter with schemas.enable requires "schema" and "payload" fields and may not contain additional fields. If you are trying to deserialize plain JSON data, set schemas.enable=false in your converter configuration.

? at org.apache.kafka.connect.json.JsonConverter.toConnectData(JsonConverter.java:308)

如果想發(fā)送普通的json格式而不是avro格式的話，很簡單key.converter.schemas.enable和value.converter.schemas.enable設(shè)置為false就行。這樣就能發(fā)送普通的json格式數(shù)據(jù)。

2.在啟動的過程中出現(xiàn)各種各樣的java.lang.ClassNotFoundException。

在啟動connector的時候，一開始總是會報各個各樣的ClassNotFoundException，不是這個包就是那個包，查找問題一直說要么缺少包要么是包沖突。這個是什么原因呢？

其實歸根結(jié)底還是依賴沖突的問題，因為kafka程序自定義的類加載器加載類的目錄是在kafka/libs中，而寫到hdfs需要hadoop的包。

我一開始的做法是將hadoop下的包路徑添加到CLASSPATH中，這樣子問題就來了，因為kafka和hadoop的依賴包是有沖突的，比如hadoop是guava-11.0.2.jar，而kafka是guava-20.0.jar，兩個jar包版本不同，而我們是在kafka程序中調(diào)用hdfs，所以當(dāng)jar包沖突時應(yīng)該優(yōu)先調(diào)用kafka的。但是注意kafka用的是程序自定義的類加載器，其優(yōu)先級是低于CLASSPATH路徑下的類的，就是說加載類時會優(yōu)先加載CLASSPATH下的類。這樣子就有問題了。

我的解決方案時將kafka和hadoop加載的jar包路徑都添加到CLASSPATH中，并且kafka的路徑寫在hadoop前面，這樣就可以啟動connector成功。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

  • Spring Cloud為開發(fā)人員提供了快速構(gòu)建分布式系統(tǒng)中一些常見模式的工具（例如配置管理，服務(wù)發(fā)現(xiàn)，斷路器，智...
    卡卡羅2017閱讀 136,537評論 19贊 139
  • Kafka入門經(jīng)典教程-Kafka-about云開發(fā) http://www.aboutyun.com/threa...
    葡萄喃喃囈語閱讀 10,981評論 4贊 54
  • =========================================================...
    lavor閱讀 3,645評論 0贊 5
  • Kafka官網(wǎng)：http://kafka.apache.org/入門1.1 介紹Kafka? 是一個分布式流處理系...
    it_zzy閱讀 4,011評論 3贊 53
  • 秋雨涼入心意亂情何處 飽受它非議只待寒雪中
    高興旺閱讀 153評論 0贊 0

友情鏈接更多精彩內(nèi)容