Kafka Connect HDFS

概述

Kafka 的数据如何传输到HDFS？如果仔细思考，会发现这个问题并不简单。

不妨先想一下这两个问题?

1）为什么要将Kafka的数据传输到HDFS上？

2）为什么不直接写HDFS而要通过Kafka?

HDFS一直以来是为离线数据的存储和计算设计的，因此对实时事件数据的写入并不友好，而Kafka生来就是为实时数据设计的，但是数据在Kafka上无法使用离线计算框架来作批量离线分析。

那么，Kafka为什么就不能支持批量离线分析呢?想象我们将Kafka的数据按天拆分topic，并建足够多的分区，然后通过Spark-Streaming，Flink，又或者是KSql等来处理单个topic中的所有数据--这就相当于处理某一天的所有数据。这种计算的性能从原理上来说是不比Spark或者Hive离线计算差的。

而且更好的是，这样我们就不用将kafka中的数据翻来覆去的导到hdfs，而是直接在kafka上作计算。

后面我们将对此展开更多的讨论，这里先回归正题，在常见的大数据系统架构(lambda)中，通常会将kafka中的数据导入到HDFS来作离线的数据分析。在Kafka的官方wiki中提到了这样的一些方式来对接Hadoop生态。

https://cwiki.apache.org/confluence/display/KAFKA/Ecosystem

其中最常用的是Flume，尤其是在CDH集群中，能够很方便的集成Flume和Kafka。

而HortonWorks在其3.0之后的HDP版本中去掉了Flume，原因是想将Flume放到HDF(HortonWorks Data Flow)中，这个做法还是比较失策的，虽然成全了HDF，但却让HDP失去了其完整性。

本案例中使用Ambari 2.7.4＋HDP3.1 由于缺少了Flume组件，因此使用Kafka Connect HDFS来连接Hadoop。

下面记录了连接过程。以下操作的基础是，有一个搭建好的Ambari集群，并安装了Kafka+HDFS。

参考安装文档:

https://docs.confluent.io/3.0.0/connect/connect-hdfs/docs/index.html

项目github地址：

https://github.com/confluentinc/kafka-connect-hdfs

一.下载软件包

[work@node2 ~]$ wget http://packages.confluent.io/archive/3.0/confluent-3.0.0-2.11.zip
[work@node2 ~]$ unzip confluent-3.0.0-2.11.zip

二.快速体验Kafka-Connect

下面的例子其实不需要下载Confluent，是Kafka2.0中自带的FileSource和FileSink，而Confluent中也包含了这些功能，如果需要用到Kafka Connect HDFS，就需要Confluent了，这里只是用最简单的例子快速了解Kafka-Connect的用法。

2.1 在主目录下写test.txt文件，内容如下

[work@node2 confluent-3.0.0]$ ls
bin  etc  README.archive  share  src  test.txt
[work@node2 confluent-3.0.0]$ cat test.txt
foo
bar
New Record
New Record

2.2 修改etc/kafka/connect-standalone.properties

[work@node2 confluent-3.0.0]$ vi etc/kafka/connect-standalone.properties

Ambari的kafka端口不是9092，而是6667。

Connector的rest.port默认是8083，和Ambari中安装的Druid的端口有冲突，所以改成8822。

2.3 运行命令

[work@node2 confluent-3.0.0]$ ./bin/connect-standalone etc/kafka/connect-standalone.properties etc/kafka/connect-file-source.properties etc/kafka/connect-file-sink.properties

2.4 生成sink文件

[work@node2 confluent-3.0.0]$ ls
bin  etc  logs  README.archive  share  src  test.sink.txt  test.txt
[work@node2 confluent-3.0.0]$ cat test.sink.txt
foo
bar
New Record
New Record

尝试新加一行数据

[work@node2 confluent-3.0.0]$ echo "Hello World" >> test.txt
[work@node2 confluent-3.0.0]$ cat test.sink.txt
foo
bar
New Record
New Record
Hello World

2.5 分析 etc/kafka/connect-file-source.properties 和 etc/kafka/connecfile-sink.properties

etc/kafka/connect-file-source.properties 如下

etc/kafka/connecfile-sink.properties 如下

通过Kafka Console Consumer查看 connect-test topic

[work@node2 confluent-3.0.0]$ ./bin/kafka-console-consumer  --bootstrap-server node1:6667 --topic connect-test --from-beginning --new-consumer
{"schema":{"type":"string","optional":false},"payload":"foo"}
{"schema":{"type":"string","optional":false},"payload":"bar"}
{"schema":{"type":"string","optional":false},"payload":"New Record"}
{"schema":{"type":"string","optional":false},"payload":"New Record"}
{"schema":{"type":"string","optional":false},"payload":"Hello World"}

2.6 Converter

从上一节中可以看到一行行json格式的数据，其中payload是原始数据。在这里connect-test这个topic有点类似于flume中的channel的角色，用来连接source和sink缓存中间数据。

当数据量非常大的情况下，这种额外的处理会造成性能和空间的浪费。

[work@node2 confluent-3.0.0]$ vi etc/kafka/connect-standalone.properties

修改connect的配置，数据在传递过程中将不再作任何处理。StringConverter源码传送门：

https://github.com/apache/kafka/blob/trunk/connect/api/src/main/java/org/apache/kafka/connect/storage/StringConverter.java

key.converter=org.apache.kafka.connect.storage.StringConverter
value.converter=org.apache.kafka.connect.storage.StringConverter
key.converter.schemas.enable=false
value.converter.schemas.enable=false
internal.key.converter=org.apache.kafka.connect.storage.StringConverter
internal.value.converter=org.apache.kafka.connect.storage.StringConverter
internal.key.converter.schemas.enable=false
internal.value.converter.schemas.enable=false

三.通过Kafka将数据写入到HDFS

https://github.com/confluentinc/kafka-connect-hdfs/blob/master/src/main/java/io/confluent/connect/hdfs/string/StringFormat.java

如果不使用Avro格式来存储和处理数据，那么这里要加一个配置

format.class=io.confluent.connect.hdfs.string.StringFormat

但是比较遗憾的是Confluent3.0.0的版本中不包含这个类。因此这里我使用了confluent-5.3.1的版本，然后再通过如下命令安装kafka-connect-hdfs

confluent-hub install confluentinc/kafka-connect-hdfs:latest

启动

bin/connect-standalone etc/kafka/connect-standalone.properties  share/confluent-hub-components/confluentinc-kafka-connect-hdfs/etc/quickstart-hdfs.properties

所有写入到test_hdfs这个topic中的数据都会写入到hdfs中。

[work@node2 confluent-5.3.1]$ bin/kafka-console-producer --broker-list node1:6667 --topic test_hdfs
>123
>456
>789
>13
>213w
>asd
>

查看hdfs中的结果

[work@node2 ~]$ hadoop fs -ls /topics/test_hdfs/partition=0
Found 2 items
-rw-r--r--   3 work work         12 2019-11-08 10:18 /topics/test_hdfs/partition=0/test_hdfs+0+0000000000+0000000002.txt
-rw-r--r--   3 work work         12 2019-11-08 10:20 /topics/test_hdfs/partition=0/test_hdfs+0+0000000003+0000000005.txt
[work@node2 ~]$ hadoop fs -cat /topics/test_hdfs/partition=0/test_hdfs+0+0000000000+0000000002.txt
123
123
456

Connect HDFS完毕。

三.总结

优势：

1.操作简单，部署方便。

2.可以直接和hive的元数据集成自动生成分区。

缺点:

1.支持的数据格式少，avro在国内并不流行。

2.一个致命缺陷，不支持压缩！！不知道是confluent的疏忽还是有特地的考虑？因为不支持压缩，使用这个组件会浪费80%的存储空间，无实用性。