69、Flink 的 DataStream Connector 之 Kafka 连接器详解

07-17 1712阅读

1.概述

Flink 提供了 Kafka 连接器使用精确一次（Exactly-once）的语义在 Kafka topic 中读取和写入数据。

69、Flink 的 DataStream Connector 之 Kafka 连接器详解

（图片来源网络，侵删）

目前还没有 Flink 1.19 可用的连接器。

2.Kafka Source

a）使用方法

Kafka Source 提供了构建类来创建 KafkaSource 的实例。以下代码片段展示了如何构建 KafkaSource 来消费 “input-topic” 最早位点的数据，使用消费组 “my-group”，并且将 Kafka 消息体反序列化为字符串：

KafkaSource source = KafkaSource.builder()
    .setBootstrapServers(brokers)
    .setTopics("input-topic")
    .setGroupId("my-group")
    .setStartingOffsets(OffsetsInitializer.earliest())
    .setValueOnlyDeserializer(new SimpleStringSchema())
    .build();
env.fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

以下属性在构建 KafkaSource 时是必须指定的：

Bootstrap server，通过 setBootstrapServers(String) 方法配置
消费者组 ID，通过 setGroupId(String) 配置
要订阅的 Topic / Partition

用于解析 Kafka 消息的反序列化器（Deserializer）

b）Topic / Partition 订阅

Kafka Source 提供了 3 种 Topic / Partition 的订阅方式。

Topic 列表，订阅 Topic 列表中所有 Partition 的消息

KafkaSource.builder().setTopics("topic-a", "topic-b");

正则表达式匹配，订阅与正则表达式所匹配的 Topic 下的所有 Partition

KafkaSource.builder().setTopicPattern("topic.*");

Partition 列表，订阅指定的 Partition

final HashSet partitionSet = new HashSet(Arrays.asList(
        new TopicPartition("topic-a", 0),    // Partition 0 of topic "topic-a"
        new TopicPartition("topic-b", 5)));  // Partition 5 of topic "topic-b"
KafkaSource.builder().setPartitions(partitionSet);

c）消息解析

代码中需要提供一个反序列化器（Deserializer）来对 Kafka 的消息进行解析，反序列化器通过 setDeserializer(KafkaRecordDeserializationSchema) 来指定，其中 KafkaRecordDeserializationSchema 定义了如何解析 Kafka 的 ConsumerRecord。

如果只需要 Kafka 消息中的消息体（value）部分的数据，可以使用 KafkaSource 构建类中的 setValueOnlyDeserializer(DeserializationSchema) 方法，其中 DeserializationSchema 定义了如何解析 Kafka 消息体中的二进制数据。

也可使用 Kafka 提供的解析器来解析 Kafka 消息体，例如使用 StringDeserializer 来将 Kafka 消息体解析成字符串：

import org.apache.kafka.common.serialization.StringDeserializer;
KafkaSource.builder()
        .setDeserializer(KafkaRecordDeserializationSchema.valueOnly(StringDeserializer.class));

d）起始消费位点

Kafka source 能够通过偏移量初始化器（OffsetsInitializer）来指定从不同的偏移量开始消费，内置的偏移量初始化器包括：

KafkaSource.builder()
    // 从消费组提交的位点开始消费，不指定位点重置策略
    .setStartingOffsets(OffsetsInitializer.committedOffsets())
    // 从消费组提交的位点开始消费，如果提交位点不存在，使用最早位点
    .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))
    // 从时间戳大于等于指定时间戳（毫秒）的数据开始消费
    .setStartingOffsets(OffsetsInitializer.timestamp(1657256176000L))
    // 从最早位点开始消费
    .setStartingOffsets(OffsetsInitializer.earliest())
    // 从最末尾位点开始消费
    .setStartingOffsets(OffsetsInitializer.latest());

如果内置的初始化器不能满足需求，也可以实现自定义的位点初始化器（OffsetsInitializer）。

如果未指定位点初始化器，将默认使用 OffsetsInitializer.earliest()。

e）有界 / 无界模式

Kafka Source 支持流式和批式两种运行模式。默认情况下，KafkaSource 设置为以流模式运行，因此作业永远不会停止，直到 Flink 作业失败或被取消。

可以使用 setBounded(OffsetsInitializer) 指定停止偏移量使 Kafka Source 以批处理模式运行，当所有分区都达到其停止偏移量时，Kafka Source 会退出运行。

流模式下运行通过使用 setUnbounded(OffsetsInitializer) 也可以指定停止消费位点，当所有分区达到其指定的停止偏移量时，Kafka Source 会退出运行。

f）其他属性

还可以使用 setProperties(Properties) 和 setProperty(String, String) 为 Kafka Source 和 Kafka Consumer 设置任意属性。

KafkaSource 有以下配置项：

client.id.prefix，指定用于 Kafka Consumer 的客户端 ID 前缀
partition.discovery.interval.ms，定义 Kafka Source 检查新分区的时间间隔
register.consumer.metrics 指定是否在 Flink 中注册 Kafka Consumer 的指标

commit.offsets.on.checkpoint 指定是否在进行 checkpoint 时将消费位点提交至 Kafka broker

请注意，即使指定了以下配置项，构建器也会将其覆盖：

key.deserializer 始终设置为 ByteArrayDeserializer
value.deserializer 始终设置为 ByteArrayDeserializer
auto.offset.reset.strategy 被 OffsetsInitializer#getAutoOffsetResetStrategy() 覆盖

partition.discovery.interval.ms 会在批模式下被覆盖为 -1

g）动态分区检查

为了在不重启 Flink 作业的情况下处理 Topic 扩容或新建 Topic 等场景，可以将 Kafka Source 配置为在提供的 Topic / Partition 订阅模式下定期检查新分区。

要启用动态分区检查，请将 partition.discovery.interval.ms 设置为非负值：

KafkaSource.builder()
    .setProperty("partition.discovery.interval.ms", "10000"); // 每 10 秒检查一次新分区

分区检查功能默认不开启，需要显式地设置分区检查间隔才能启用此功能。

h）事件时间和水印

默认情况下，Kafka Source 使用 Kafka 消息中的时间戳作为事件时间，可以定义自己的水印策略（Watermark Strategy）以从消息中提取事件时间，并向下游发送水印。

env.fromSource(kafkaSource, new CustomWatermarkStrategy(), "Kafka Source With Custom Watermark Strategy");

i）空闲

如果并行度高于分区数，Kafka Source 不会自动进入空闲状态，将需要降低并行度或向水印策略添加空闲超时。

如果在这段时间内没有记录在流的分区中流动，则该分区被视为“空闲”并且不会阻止下游操作符中水印的进度，定义 WatermarkStrategy#withIdleness 。

j）消费位点提交

Kafka source 在 checkpoint 完成时提交当前的消费位点，以保证 Flink 的 checkpoint 状态和 Kafka broker 上的提交位点一致。

如果未开启 checkpoint，Kafka source 依赖于 Kafka consumer 内部的位点定时自动提交逻辑，自动提交功能由 enable.auto.commit 和 auto.commit.interval.ms 两个 Kafka consumer 配置项进行配置。

注意：Kafka source 不依赖于 broker 上提交的位点来恢复失败的作业，提交位点只是为了上报 Kafka consumer 和消费组的消费进度，以在 broker 端进行监控。

k）监控

范围	指标	用户变量	描述	类型
算子	currentEmitEventTimeLag	n/a	数据的事件时间与数据离开 Source 时的间隔¹：currentEmitEventTimeLag = EmitTime - EventTime	Gauge
watermarkLag	n/a	水印时间滞后于当前时间的时长：watermarkLag = CurrentTime - Watermark	Gauge
sourceIdleTime	n/a	Source 闲置时长：sourceIdleTime = CurrentTime - LastRecordProcessTime	Gauge
pendingRecords	n/a	尚未被 Source 拉取的数据数量，即 Kafka partition 当前消费位点之后的数据数量。	Gauge
KafkaSourceReader.commitsSucceeded	n/a	位点成功提交至 Kafka 的总次数，在开启了位点提交功能时适用。	Counter
KafkaSourceReader.commitsFailed	n/a	位点未能成功提交至 Kafka 的总次数，在开启了位点提交功能时适用。注意位点提交仅是为了向 Kafka 上报消费进度，因此提交失败并不影响 Flink checkpoint 中存储的位点信息的完整性。	Counter
KafkaSourceReader.committedOffsets	topic, partition	每个 partition 最近一次成功提交至 Kafka 的位点。各个 partition 的指标可以通过指定 topic 名称和 partition ID 获取。	Gauge
KafkaSourceReader.currentOffsets	topic, partition	每个 partition 当前读取的位点。各个 partition 的指标可以通过指定 topic 名称和 partition ID 获取。	Gauge

¹ 该指标反映了最后一条数据的瞬时值。之所以提供瞬时值是因为统计延迟直方图会消耗更多资源，瞬时值通常足以很好地反映延迟。

Kafka Consumer 指标

Kafka consumer 的所有指标都注册在指标组 KafkaSourceReader.KafkaConsumer 下，例如 Kafka consumer 的指标 records-consumed-total 将在该 Flink 指标中汇报： .operator.KafkaSourceReader.KafkaConsumer.records-consumed-total。

可以使用配置项 register.consumer.metrics 配置是否注册 Kafka consumer 的指标，默认此选项设置为 true。

l）安全

要启用加密和认证相关的安全配置，只需将安全配置作为其他属性配置在 Kafka source 上即可。下面的代码片段展示了如何配置 Kafka source 以使用 PLAIN 作为 SASL 机制并提供 JAAS 配置：

KafkaSource.builder()
    .setProperty("security.protocol", "SASL_PLAINTEXT")
    .setProperty("sasl.mechanism", "PLAIN")
    .setProperty("sasl.jaas.config", "org.apache.kafka.common.security.plain.PlainLoginModule required username=\"username\" password=\"password\";");

更复杂的例子，使用 SASL_SSL 作为安全协议并使用 SCRAM-SHA-256 作为 SASL 机制：

KafkaSource.builder()
    .setProperty("security.protocol", "SASL_SSL")
    // SSL 配置
    // 配置服务端提供的 truststore (CA 证书) 的路径
    .setProperty("ssl.truststore.location", "/path/to/kafka.client.truststore.jks")
    .setProperty("ssl.truststore.password", "test1234")
    // 如果要求客户端认证，则需要配置 keystore (私钥) 的路径
    .setProperty("ssl.keystore.location", "/path/to/kafka.client.keystore.jks")
    .setProperty("ssl.keystore.password", "test1234")
    // SASL 配置
    // 将 SASL 机制配置为 SCRAM-SHA-256
    .setProperty("sasl.mechanism", "SCRAM-SHA-256")
    // 配置 JAAS
    .setProperty("sasl.jaas.config", "org.apache.kafka.common.security.scram.ScramLoginModule required username=\"username\" password=\"password\";");

如果在作业 JAR 中 Kafka 客户端依赖的类路径被重置了（relocate class），登录模块（login module）的类路径可能会不同，因此请根据登录模块在 JAR 中实际的类路径来改写以上配置。

m）实现细节

在新 Source API 的抽象中，Kafka source 由以下几个部分组成：

数据源分片（Source Split）

Kafka source 的数据源分片（source split）表示 Kafka topic 中的一个 partition，Kafka 的数据源分片包括：

该分片表示的 topic 和 partition
该 partition 的起始位点
该 partition 的停止位点，当 source 运行在批模式时适用
Kafka source 分片的状态同时存储该 partition 的当前消费位点，该分片状态将会在 Kafka 源读取器（source reader）进行快照（snapshot）时将当前消费位点保存为起始消费位点以将分片状态转换成不可变更的分片。

分片枚举器（Split Enumerator）

Kafka source 的分片枚举器负责检查在当前的 topic / partition 订阅模式下的新分片（partition），并将分片轮流均匀地分配给源读取器（source reader）。

Kafka source 的分片枚举器会将分片主动推送给源读取器，因此它无需处理来自源读取器的分片请求。

源读取器（Source Reader）

Kafka source 的源读取器扩展了 SourceReaderBase，并使用单线程复用（single thread multiplex）的线程模型，使用一个由分片读取器（split reader）驱动的 KafkaConsumer 来处理多个分片（partition）。

消息会在从 Kafka 拉取下来后在分片读取器中立刻被解析，分片的状态即当前的消息消费进度会在 KafkaRecordEmitter 中更新，同时会在数据发送至下游时指定事件时间。

n）Kafka SourceFunction

FlinkKafkaConsumer 已被弃用并将在 Flink 1.17 中移除，请改用 KafkaSource。

3.Kafka Sink

a）使用方法

KafkaSink 可将数据流写入一个或多个 Kafka topic。

Kafka sink 提供了构建类来创建 KafkaSink 的实例。以下代码片段展示了如何将字符串数据按照至少一次（at lease once）的语义保证写入 Kafka topic。
```
DataStream stream = ...;
        
KafkaSink sink = KafkaSink.builder()
        .setBootstrapServers(brokers)
        .setRecordSerializer(KafkaRecordSerializationSchema.builder()
            .setTopic("topic-name")
            .setValueSerializationSchema(new SimpleStringSchema())
            .build()
        )
        .setDeliveryGuarantee(DeliveryGuarantee.AT_LEAST_ONCE)
        .build();
        
stream.sinkTo(sink);
```
以下属性在构建 KafkaSink 时是必须指定的：
- Bootstrap servers， setBootstrapServers(String)
- 消息序列化器（Serializer）， setRecordSerializer(KafkaRecordSerializationSchema)
- 如果使用DeliveryGuarantee.EXACTLY_ONCE 的语义保证，则需要使用 setTransactionalIdPrefix(String)
  b）序列化器
  
  构建时需要提供 KafkaRecordSerializationSchema 来将输入数据转换为 Kafka 的 ProducerRecord。
  
  Flink 提供了 schema 构建器以提供一些通用的组件，例如消息键（key）/消息体（value）序列化、topic 选择、消息分区，同样也可以通过实现对应的接口来进行更丰富的控制。
```
KafkaRecordSerializationSchema.builder()
    .setTopicSelector((element) -> {})
    .setValueSerializationSchema(new SimpleStringSchema())
    .setKeySerializationSchema(new SimpleStringSchema())
    .setPartitioner(new FlinkFixedPartitioner())
    .build();
```
  其中消息体（value）序列化方法和 topic 的选择方法是必须指定的，此外也可以通过 setKafkaKeySerializer(Serializer) 或 setKafkaValueSerializer(Serializer) 来使用 Kafka 提供而非 Flink 提供的序列化器。
  
  c）容错
  
  KafkaSink 总共支持三种不同的语义保证（DeliveryGuarantee），对于 DeliveryGuarantee.AT_LEAST_ONCE 和 DeliveryGuarantee.EXACTLY_ONCE，Flink checkpoint 必须启用；默认情况下 KafkaSink 使用 DeliveryGuarantee.NONE。以下是对不同语义保证的解释：
  - DeliveryGuarantee.NONE 不提供任何保证：消息有可能会因 Kafka broker 的原因发生丢失或因 Flink 的故障发生重复。
  - DeliveryGuarantee.AT_LEAST_ONCE: sink 在 checkpoint 时会等待 Kafka 缓冲区中的数据全部被 Kafka producer 确认。消息不会因 Kafka broker 端发生的事件而丢失，但可能会在 Flink 重启时重复，因为 Flink 会重新处理旧数据。
  - DeliveryGuarantee.EXACTLY_ONCE: 该模式下，Kafka sink 会将所有数据通过在 checkpoint 时提交的事务写入。因此，如果 consumer 只读取已提交的数据（参见 Kafka consumer 配置 isolation.level），在 Flink 发生重启时不会发生数据重复。然而这会使数据在 checkpoint 完成时才会可见，因此请按需调整 checkpoint 的间隔。请确认事务 ID 的前缀（transactionIdPrefix）对不同的应用是唯一的，以保证不同作业的事务不会互相影响！此外，强烈建议将 Kafka 的事务超时时间调整至远大于 checkpoint 最大间隔 + 最大重启时间，否则 Kafka 对未提交事务的过期处理会导致数据丢失。
    d）监控
    
    范围指标用户变量描述类型
    算子 currentSendTime n/a 发送最近一条数据的耗时。该指标反映最后一条数据的瞬时值。 Gauge
    e）Kafka Producer
    
    FlinkKafkaProducer 已被弃用并将在 Flink 1.15 中移除，请改用 KafkaSink。
    
    4.Kafka 连接器指标
    
    Flink 的 Kafka 连接器通过 Flink 的指标系统提供一些指标来帮助分析 connector 的行为，各个版本的 Kafka producer 和 consumer 会通过 Flink 的指标系统汇报 Kafka 内部的指标。
    
    也可通过将 Kafka source 在 register.consumer.metrics，或 Kafka sink 的 register.producer.metrics 配置设置为 false 来关闭 Kafka 指标的注册。
    
    5.启用 Kerberos 身份验证
    
    只需在 flink-conf.yaml 中配置为 Kafka 启用 Kerberos 身份验证
    
    通过设置以下内容配置 Kerberos credentials
    - security.kerberos.login.use-ticket-cache：默认情况下，这个值是 true，Flink 将尝试在 kinit 管理的缓存中使用 Kerberos credentials，在 YARN 上部署的 Flink jobs 中使用 Kafka 连接器时，使用缓存的 Kerberos 授权将不起作用。
    - security.kerberos.login.keytab 和 security.kerberos.login.principal：要使用 Kerberos keytabs，需为这两个属性设置值。
      将 KafkaClient 追加到 security.kerberos.login.contexts：这告诉 Flink 将配置的 Kerberos credentials 提供给 Kafka 登录上下文以用于 Kafka 身份验证。
      
      一旦启用了基于 Kerberos 的 Flink 安全性后，只需在提供的属性配置中包含以下两个设置（通过传递给内部 Kafka 客户端），即可使用 Flink Kafka Consumer 或 Producer 向 Kafka 进行身份验证：
      - 将 security.protocol 设置为 SASL_PLAINTEXT（默认为 NONE）：用于与 Kafka broker 进行通信的协议。使用独立 Flink 部署时，也可以使用 SASL_SSL；
      - 将 sasl.kerberos.service.name 设置为 kafka（默认为 kafka）：此值应与用于 Kafka broker 配置的 sasl.kerberos.service.name 相匹配。客户端和服务器配置之间的服务名称不匹配将导致身份验证失败。
        6.升级到最近的连接器版本
        
        不要同时升级 Flink 和 Kafka 连接器
        确保 Consumer 设置了 group.id
        在 Consumer 上设置 setCommitOffsetsOnCheckpoints(true)，以便将读的 offset 提交到 Kafka。务必在停止和恢复 savepoint 前执行此操作，可能需要在旧的连接器版本上进行停止/重启循环来启用此设置。
        在 Consumer 上设置 setStartFromGroupOffsets(true)，以便从 Kafka 获取读的 offset。这只会在 Flink 状态中没有读的 offset 时生效。
        修改 source/sink 分配到的 uid。这会确保新的 source/sink 不会从旧的 sink/source 算子中读取状态。
        使用 --allow-non-restored-state 参数启动新 job，因为在 savepoint 中仍然有先前连接器版本的状态。
        7.问题排查
        
        数据丢失
        
        根据 Kafka 配置，即使在 Kafka 确认写入后，仍然可能会遇到数据丢失，需要在 Kafka 的配置中设置以下属性：
        
        acks
        log.flush.interval.messages
        log.flush.interval.ms
        log.flush.*
        上述选项的默认值是很容易导致数据丢失的。
        
        UnknownTopicOrPartitionException
        
        导致此错误的一个可能原因是正在进行新的 leader 选举，例如在重新启动 Kafka broker 之后或期间。这是一个可重试的异常，因此 Flink job 应该能够重启并恢复正常运行。
        
        也可以通过更改 producer 设置中的 retries 属性来规避。但是，这可能会导致重新排序消息，反过来可以通过将 max.in.flight.requests.per.connection 设置为 1 来避免不需要的消息。
        
        ProducerFencedException
        
        这个错误是由于 FlinkKafkaProducer 所生成的 transactional.id 与其他应用所使用的的产生了冲突。默认FlinkKafkaProducer 产生的 ID 都是以 taskName + "-" + operatorUid 为前缀的，产生冲突的应用是使用了相同 Job Graph 的 Flink Job。
        
        可以使用 setTransactionalIdPrefix() 方法来覆盖默认的行为，为每个不同的 Job 分配不同的 transactional.id 前缀来解决。

范围	指标	用户变量	描述	类型
算子	currentSendTime	n/a	发送最近一条数据的耗时。该指标反映最后一条数据的瞬时值。	Gauge

VPS购买请点击我

69、Flink 的 DataStream Connector 之 Kafka 连接器详解

1.概述

2.Kafka Source

a）使用方法

b）Topic / Partition 订阅

c）消息解析

d）起始消费位点

e）有界 / 无界模式

f）其他属性

g）动态分区检查

h）事件时间和水印

i）空闲

j）消费位点提交

k）监控

l）安全

m）实现细节

n）Kafka SourceFunction

3.Kafka Sink

a）使用方法

b）序列化器

c）容错

d）监控

e）Kafka Producer

4.Kafka 连接器指标

5.启用 Kerberos 身份验证

6.升级到最近的连接器版本

7.问题排查

相关阅读

网站字体调小怎么代码?

支持图片拖拽上传怎么传?

安居客模板怎么写?

有网站源码ASP怎么预览?

目录[+]