【Flink】如何整合flink和kafka，将kafka作为flink的source和sink

最新推荐文章于 2024-06-01 08:30:00 发布

关于我转生变成程序猿这档事

最新推荐文章于 2024-06-01 08:30:00 发布

阅读量1.2k

点赞数 3

分类专栏： Flink 文章标签： kafka 大数据 flink

本文链接：https://blog.csdn.net/CODEROOKIE_RUN/article/details/106000213

版权

Flink 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

本文详细介绍了如何将Apache Kafka作为Apache Flink的数据源和接收方，包括配置Maven依赖、开发代码、反序列化Schema类型、设置Kafka Consumers消费起点及动态分区检测等关键步骤。

摘要由CSDN通过智能技术生成

文章目录

将Kafka作为Flink的Source

概述

source分类

flink的source有四种分类：

基于集合 —— 有界数据集，一般都是本地测试用
基于文件 —— 适合监听文件修改并读取其内容，一般也是测试用，实际工作环境很少用
基于Socket —— 坚挺住几的host port，从Socket中获取数据
自定义addSource —— 大多数场景的数据都是无界数据，比如消费Kafka的某个topic就需要用到自定义addSource，一般实际工作环境也是用这个更多一些

关于addSource

flink整合kafka的官方文档地址：https://ci.apache.org/projects/flink/flink-docs-release-1.7/dev/connectors/kafka.html#kafka-100-connector

首先，官网给出了一个Maven依赖包的选择，用户需要根据flink和kafka的版本来选择使用哪一个连接器。Flink Kafka Consumer继承了Flink的Checkpoint机制，可以提供一次性处理语义，为了达成此效果，Flink并不完全依赖Kafka的消费者群体offset跟踪，而是在内部跟踪和和检查这些offset。
在这里插入图片描述

案例

步骤

创建maven工程，导包

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <parent>
        <artifactId>flinkbase29</artifactId>
        <groupId>cn.itcast</groupId>
        <version>1.0-SNAPSHOT</version>
    </parent>
    <modelVersion>4.0.0</modelVersion>

    <artifactId>day01</artifactId>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <encoding>UTF-8</encoding>
        <scala.version>2.11.2</scala.version>
        <scala.compat.version>2.11</scala.compat.version>
        <hadoop.version>2.6.0</hadoop.version>
        <flink.version>1.7.2</flink.version>
        <scala.binary.version>2.11</scala.binary.version>
        <iheart.version>1.4.3</iheart.version>
        <fastjson.version>1.2.7</fastjson.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-kafka_2.11</artifactId>
            <version>1.7.2</version>
        </dependency>
        <!-- 导入scala的依赖 -->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>
        <!-- 导入flink streaming和scala的依赖 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-scala_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- 导入flink和scala的依赖 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-scala_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- 指定flink-client API的版本 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- 导入flink-table的依赖 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- 指定hadoop-client API的版本 -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
            <!--如果要保存到hdfs，必须要排除xml-apis，因为它和dom4j冲突-->
            <exclusions>
                <exclusion>
                    <groupId>xml-apis</groupId>
                    <artifactId>xml-apis</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <!-- 指定mysql-connector的依赖 -->
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.38</version>
        </dependency>
        <!-- 指定fastjson的依赖 -->
        <dependency>
            <groupId>com.alibaba</groupId>
            <artifactId>fastjson</artifactId>
            <version>1.2.60</version>
        </dependency>
        <dependency>
            <groupId>com.jayway.jsonpath</groupId>
            <artifactId>json-path</artifactId>
            <version>2.3.0</version>
        </dependency>
        <!-- 指定flink-connector-kafka的依赖 -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-kafka-0.11_2.11</artifactId>
            <version>${flink.version}</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <testSourceDirectory>src/test/scala</testSourceDirectory>
        <plugins>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>2.5.1</version>
                <configuration>
                    <source>${maven.compiler.source}</source>
                    <target>${maven.compiler.target}</target>
                    <!--<encoding>${project.build.sourceEncoding}</encoding>-->
                </configuration>
            </plugin>

            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.0</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                        <configuration>
                            <args>
                                <!--<arg>-make:transitive</arg>-->
                                <arg>-dependencyfile</arg>
                                <arg>${project.build.directory}/.scala_dependencies</arg>
                            </args>

                        </configuration>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-surefire-plugin</artifactId>
                <version>2.18.1</version>
                <configuration>
                    <useFile>false</useFile>
                    <disableXmlReport>true</disableXmlReport>
                    <includes>
                        <include>**/*Test.*</include>
                        <include>**/*Suite.*</include>
                    </includes>
                </configuration>
            </plugin>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <!--
                                        zip -d learn_spark.jar META-INF/*.RSA META-INF/*.DSA META-INF/*.SF
                                        -->
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                            <transformers>
                                <transformer implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                    <mainClass>cn.itcast.batch.BatchWordCount</mainClass>
                                </transformer>
                            </transformers>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

开发代码

package cn.itcast.streaming

import java.util
import java.util.Properties

import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer011
import org.apache.flink.streaming.connectors.kafka.internals.KafkaTopicPartition

object Kafka2Flink {
  /**
   * 1.获取执行环境
   * 2.配置kafka consumer属性
   * 3.动态感知kafka主题分区增加
   * 4.通过java.util.HashMap[KafkaTopicPartition, java.lang.Long]()获取offset信息
   * 5.从指定的位置开始消费数据
   * 6.添加消费源
   * 7.输出结果
   */
  def main(args: Array[String]): Unit = {
    // 1.获取执行环境
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment

    // 2.配置kafka consume属性
    val props = new Properties()
    props.setProperty("bootstrap.servers", "node01:9092,node02:9092,node03:9092") //kafka自带保存offset值的端口号
    props.setProperty("group.id", "test01050801") //topic的所属groupid（为5.5设置）
    props.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    props.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    props.setProperty("flink.partition-discovery.interval-millis", "5000") //动态感知kafka主题分区的增加，每五秒感知一次

    // 3.flink用来消费kafka数据
    val myConsumer = new FlinkKafkaConsumer011[String]("test", new SimpleStringSchema(), props)

    // 4.获取offset值(为5.3设置)
    val offsets =  new util.HashMap[KafkaTopicPartition, java.lang.Long]();    // KafkaTopicPartition有两个参数，一个是topic的名字，一个是分区，表示从指定的topic中的分区获取offset值
    offsets.put(new KafkaTopicPartition("test",0),100L)
    offsets.put(new KafkaTopicPartition("test",1),100L)
    offsets.put(new KafkaTopicPartition("test",2),100L)

    // 5.指定从什么位置开始消费(一下选一种即可)
    // 5.1 从topic的最开始
    myConsumer.setStartFromEarliest()

    // 5.2 从指定的时间戳开始消费
    myConsumer.setStartFromTimestamp(1588867200)

    // 5.3 从指定的offset值开始消费
    myConsumer.setStartFromSpecificOffsets(offsets)

    // 5.4 从topic中最新的数据开始消费
    myConsumer.setStartFromLatest()

    // 5.5 从topic所属的group中上次消费的位置开始消费
    myConsumer.setStartFromGroupOffsets()

    // 6.添加消费源
    import org.apache.flink.streaming.api.scala._   //导入隐式转换的包
    val text: DataStream[String] = env.addSource(myConsumer)

    // 7.输出结果
    text.print()

    // 8.启动环境
    env.execute("Kafka2Flink")

  }

}

代码中涉及到的知识点

反序列化Schema类型

概述

为什么需要反序列化Schema类型？
首先连接器FlinkKafkaConsumer011类需要的三个参数中，第二个就要求是反序列化Schema类型。其次，它可以将数据源（比如kafka）传递的字节消息转换为Flink可以处理的数据类型——Java/Scala对象

分类

SimpleStringSchema：
可以将消息反序列化为字符串，当我们接收到消息并且反序列化失败时，会出现以下两种情况：
1.Flink从deserialize(…)方法中抛出异常，这会导致job失败，然后job会重启（没有开启容错）
2.在deserialize(…) 方法出现失败的时候返回null，这会让Flink Kafka consumer默默的忽略这条消息。请注意，如果配置了checkpoint 为enable，由于consumer的失败容忍机制，失败的消息会被继续消费，因此还会继续失败，这就会导致job被不断自动重启

JSONDeserializationSchema/ JSONKeyValueDeserializationSchema：
可以把序列化后的Json反序列化成ObjectNode，ObjectNode可以通过objectNode.get(“field”).as(Int/String/…)() 来访问指定的字段

TypeInformationSerializationSchema/ TypeInformationKeyValueSerializationSchema：(适用于读写均是flink的场景)
他们会基于Flink的TypeInformation来创建schema。这对于那些从Flink写入，又从Flink读出的数据是很有用的。这种Flink-specific的反序列化会比其他通用的序列化方式带来更高的性能。

设置Kafka Consumers从哪开始消费

在这里插入图片描述

Flink关于Kafka的动态分区检测

Flink和Spark这一点不同，Spark不需要做其他配置就可以动态发现Kafka的新增分区，而Flink是需要配置 “flink.partition-discovery.interval-millis” 属性的，比如
properties.setProperty("flink.partition-discovery.interval-millis", "5000");
第二个参数的单位是毫秒，设置为0的话，动态分区检测功能就会关闭。

将Kafka作为Flink的Sink

步骤

先导三个json/xml转对象的依赖包

<!-- 指定json/xml转对象的依赖包 -->
<dependency>
    <groupId>com.fasterxml.jackson.core</groupId>
    <artifactId>jackson-core</artifactId>
    <version>2.9.9</version>
</dependency>

<dependency>
    <groupId>com.fasterxml.jackson.core</groupId>
    <artifactId>jackson-databind</artifactId>
    <version>2.9.9.3</version>
</dependency>

<dependency>
    <groupId>com.fasterxml.jackson.module</groupId>
    <artifactId>jackson-module-scala_2.11</artifactId>
    <version>2.9.9</version>
</dependency>

开发代码

import java.util.Properties

import com.fasterxml.jackson.databind.ObjectMapper
import com.fasterxml.jackson.module.scala.DefaultScalaModule
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer011
import org.apache.flink.streaming.util.serialization.KeyedSerializationSchemaWrapper

object Flink2Kafka {
  // 定义topicName，方便修改
  val sinkTopic = "test"

  //创建Student样例类，封装进行测试数据的类型
  case class Student(id: Int, name: String, addr: String, sex: String)

  // 创建ObjectMapper对象
  val mapper = new ObjectMapper()
  // 定义一个将对象转换为JsonString的方法
  def toJsonString(T:Object): String ={
    // 注册为Scala模型
    mapper.registerModule(DefaultScalaModule)
    // 转换数据类型
    mapper.writeValueAsString(T)
  }

  def main(args: Array[String]): Unit = {
    /**
     * 1.获取流处理执行环境
     * 2.获取数据源，生成数据
     * 3.将数据转换为字符串
     * 4.配置kafka参数
     * 5.利用FlinkKafkaProducer011将数据sink到kafka
     */
    // 1.获取执行环境
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment

    // 2.生成数据
    import org.apache.flink.streaming.api.scala._
    val stuDataStream: DataStream[Student] = env.fromElements(
      Student(1, "ZhangSan", "Beijing", "Male"),
      Student(2, "LiSi", "Shanghai", "Female")
    )

    // 3.将Student对象转换为JsonString
    val finalDataStream: DataStream[String] = stuDataStream.map(student => {
      toJsonString(student)
    })

    // 4.配置kafka环境属性
    val props = new Properties()
    props.setProperty("bootstrap.servers","node01:9092,node02:9092,node03:9092")

    // 5.创建FlinkKafkaProducer011对象
    val myProducer = new FlinkKafkaProducer011[String](sinkTopic, new KeyedSerializationSchemaWrapper[String](new SimpleStringSchema()), props)

    // 6.添加sink
    finalDataStream.addSink(myProducer)

    // 7.打印数据
    finalDataStream.print()

    // 8.执行环境
    env.execute("Flink2Kafka")

  }

}