实时数据系列之kafka connect

前言

下面是关于kafka connect的官方定义

Kafka Connect是一种用于在Apache Kafka和其他系统之间以可伸缩的方式可靠地流式传输数据的工具。它使快速定义连接器变得简单，这些连接器可以将大量数据移入和移出kafka。Kafka Connect可以将整个数据库或从所有应用程序服务器收集到Kafka 的topic中，使数据可用于低延迟的流处理。导出作业可以将kafka topic中的数据传递到辅助存储和查询系统或批处理系统中，以便进行脱机分析。

安装

首先下载kafka并安装到本地环境，如果不知道怎么安装请跳转到kafka系列-入门篇之安装。

启动

分别启动zookeeper、kafka

启动kafka connect

kafka connect有两种方式，一种是单机模式，另一种是分布式模式。

单机模式

启动命令如下，稍微有点长。其中connect-standalone.properties是关于kafka connect的配置，另外两个配置是文件输入输出的配置。

connect-standalone.sh $KAFKA_HOME/config/connect-standalone.properties $KAFKA_HOME/config/connect-file-source.properties $KAFKA_HOME/config/connect-file-sink.properties

两个配置文件

name=local-file-source_demo
connector.class=FileStreamSource
tasks.max=1
file=/usr/local/apache/kafka_2.12-2.8.0/source.txt
topic=connect-demo

name=local-file-sink_demo
connector.class=FileStreamSink
tasks.max=1
file=/usr/local/apache/kafka_2.12-2.8.0/sink.txt
topics=connect-demo

测试

测试结果如下

offset

kafka connect在单机模式下，有一个connect.offset文件会记录file source connector的offset，来保证不会重复消费

分布式模式

启动分布式模式的kafka connect

connect-distributed.sh $KAFKA_HOME/config/connect-distributed.properties

添加两个配置

使用postman提交一个file source demo

{
  "name": "local-file-source_demo",
  "config": {
	"name":"local-file-source_demo",
	"connector.class": "org.apache.kafka.connect.file.FileStreamSourceConnector",
	"tasks.max": 1,
	"file": "/usr/local/apache/kafka_2.12-2.8.0/source.txt",
	"topic": "connect-demo"
  }
}

{
  "name": "local-file-sink_demo",
  "config": {
	"name":"local-file-sink_demo",
	"connector.class": "org.apache.kafka.connect.file.FileStreamSinkConnector",
	"tasks.max": 1,
	"file": "/usr/local/apache/kafka_2.12-2.8.0/sink.txt",
	"topics": "connect-demo"
  }
}

测试方式同单机一样，就忽略了

三个topic

分布式模式有三个默认topic

• connect-configs: 存放source connect的配置
• connect-offsets：存放source connect的offset
• connect-status：存放source connect的状态
  

单机和分布式的区别

1. 单机使用的本地的properties文件存放每个connect的配置信息，而分布式使用的kafka topic来存放，通过api来添加。
2. 单机的offset是用文件存放的，而分布式使用的kafka topic来存放。
3. 单机也可以使用API，查看和添加都可以使用。只不过，一旦服务重启，通过api添加的connect就没有了。
   因此，分布式模式可以使用多台机器负载，因为数据都不在某一台机器上，而是以副本的方式存放在kafka topic里面。

API

官方提供的API
单机和分布式都可以使用API，包括connector的增删改查、任务状态的控制和plugins列表等等。这里我就不翻译了，直接贴出来重要的几个api

• GET /connectors - return a list of active connectors
• POST /connectors - create a new connector; the request body should be a JSON object containing a string name field and an object config field with the connector configuration parameters
• GET /connectors/{name} - get information about a specific connector
• GET /connectors/{name}/config - get the configuration parameters for a specific connector
• PUT /connectors/{name}/config - update the configuration parameters for a specific connector
• DELETE /connectors/{name} - delete a connector, halting all tasks and deleting its configuration
• POST /connectors/{name}/restart?includeTasks=<true|false>&onlyFailed=<true|false> - restart a connector and its tasks instances.
• POST /connectors/{name}/tasks/{taskId}/restart - restart an individual task (typically because it has failed)
• PUT /connector-plugins/{connector-type}/config/validate - validate the provided configuration values against the configuration definition. This API performs per config validation, returns suggested values and error messages during validation.

connector和task

kafka connect定义connector和task来处理数据同步。了解源代码可以发现是connector来启动task，connector负责kafka的连接信息、topic，之后再启动一个或者多个task，去读取connector对应的信息，来同步数据。生产环境在同步mysql数据库时，如果同步失败，往往task就出现异常停止了，而connector还是正常工作。以后有机会在仔细的介绍吧。

三方插件

访问这个地址第三方提供的connector插件，可以查看到许多三方提供的kafka connect插件，上游同步jdbc的debizium是个不错的选择，下游可以使用jdbc、elasticsearch、mongo搭配着，就可以做端到端的实时同步了。依赖kafka的可用性、扩展性和性能，是一个非常不错的解决方案。

总结

通过一个简单的方式介绍了kafka connect的使用，实际生产使用的插件选择还比较多，做实时同步jdbc时，会遇到不少问题，有兴趣的可以留言一起讨论。