kafka+druid

启动kafka

Apache Kafka是一个高吞吐量的消息中间件，可以和Druid配合使用。本教程中使用的是Kafka 0.9.0.0，可以通过如下指令下载kafka：

curl -O http://www.us.apache.org/dist/kafka/0.9.0.0/kafka_2.11-0.9.0.0.tgz
tar -xzf kafka_2.11-0.9.0.0.tgz
cd kafka_2.11-0.9.0.0

执行如下指令启动kafka broker：

./bin/kafka-server-start.sh config/server.properties

创建一个名称为metrics的topic用来接收数据：

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic metrics

发送示例数据

下面就可以开始通过console producer向kafka对应的topic发送数据了！
在Druid目录下执行如下指令：

bin/generate-example-metrics 

在kafka目录下执行：

./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic metrics

现在kafka-console-producer就开始等待数据的输入了，复制刚生成的示例数据并粘贴到kafka-console-producer控制台终端，回车确认。当然也可以复制更多数据到终端，或者CTRL-D退出。
现在就可以进行数据查询了，当然也可以参考下文去加载自定义数据集。

数据查询

数据发送完成后就可以进行数据查询了，使用方法详见 supported query methods.

加载自定义数据

目前为止，我们已经按照Druid发布版本中的数据提取规范，将数据从kafka加载到了Druid。每一个数据提取规范都是为了特定的数据集设计的，也可以通过自定义提取规范来加载自定义数据。
自定义数据提取规范，可以按需修改conf-quickstart/tranquility/kafka.json配置文件

• dataSchema，使用的数据集名称
• timestampSpec，哪个是时间字段
• dimensionsSpec，哪些能作为维度字段
• metricsSpec，哪些能作为度量进行计算

{
  "dataSources" : {
    "metrics-kafka" : {
      "spec" : {
        "dataSchema" : {
          "dataSource" : "metrics-kafka",
          "parser" : {
            "type" : "string",
            "parseSpec" : {
              "timestampSpec" : {
                "column" : "timestamp",
                "format" : "auto"
              },
              "dimensionsSpec" : {
                "dimensions" : [],
                "dimensionExclusions" : [
                  "timestamp",
                  "value"
                ]
              },
              "format" : "json"
            }
          },
          "granularitySpec" : {
            "type" : "uniform",
            "segmentGranularity" : "hour",
            "queryGranularity" : "none"
          },
          "metricsSpec" : [
            {
              "type" : "count",
              "name" : "count"
            },
            {
              "name" : "value_sum",
              "type" : "doubleSum",
              "fieldName" : "value"
            },
            {
              "fieldName" : "value",
              "name" : "value_min",
              "type" : "doubleMin"
            },
            {
              "type" : "doubleMax",
              "name" : "value_max",
              "fieldName" : "value"
            }
          ]
        },
        "ioConfig" : {
          "type" : "realtime"
        },
        "tuningConfig" : {
          "type" : "realtime",
          "maxRowsInMemory" : "100000",
          "intermediatePersistPeriod" : "PT10M",
          "windowPeriod" : "PT10M"
        }
      },
      "properties" : {
        "task.partitions" : "1",
        "task.replicants" : "1",
        "topicPattern" : "metrics"
      }
    }
  },
  "properties" : {
    "zookeeper.connect" : "localhost",
    "druid.discovery.curator.path" : "/druid/discovery",
    "druid.selectors.indexing.serviceName" : "druid/overlord",
    "commit.periodMillis" : "15000",
    "consumer.numThreads" : "2",
    "kafka.zookeeper.connect" : "localhost",
    "kafka.group.id" : "tranquility-kafka"
  }
}

下面使用网页浏览为例并将输入发送到pageviews的topic里，示例数据如下：

{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}

首先创建topic

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic pageviews

修改conf-quickstart/tranquility/kafka.json配置文件，修改后：

{
  "dataSources" : {
    "metrics-kafka" : {
      "spec" : {
        "dataSchema" : {
          "dataSource" : "pageviews-kafka",
          "parser" : {
            "type" : "string",
            "parseSpec" : {
              "timestampSpec" : {
                "column" : "time",
                "format" : "auto"
              },
              "dimensionsSpec" : {
                "dimensions" : ["url", "user"],
                "dimensionExclusions" : [
                  "timestamp",
                  "value"
                ]
              },
              "format" : "json"
            }
          },
          "granularitySpec" : {
            "type" : "uniform",
            "segmentGranularity" : "hour",
            "queryGranularity" : "none"
          },
          "metricsSpec" : [
            {
              "name": "views",
             "type": "count"
            },
           {
              "name": "latencyMs", 
              "type": "doubleSum",
              "fieldName": "latencyMs"
            }
          ]
        },
        "ioConfig" : {
          "type" : "realtime"
        },
        "tuningConfig" : {
          "type" : "realtime",
          "maxRowsInMemory" : "100000",
          "intermediatePersistPeriod" : "PT10M",
          "windowPeriod" : "PT10M"
        }
      },
      "properties" : {
        "task.partitions" : "1",
        "task.replicants" : "1",
        "topicPattern" : "pageviews"
      }
    }
  },
  "properties" : {
    "zookeeper.connect" : "localhost",
    "druid.discovery.curator.path" : "/druid/discovery",
    "druid.selectors.indexing.serviceName" : "druid/overlord",
    "commit.periodMillis" : "15000",
    "consumer.numThreads" : "2",
    "kafka.zookeeper.connect" : "localhost",
    "kafka.group.id" : "tranquility-kafka"
  }
}

下面启动Druid的kafka提取服务：

bin/tranquility kafka -configFile ../druid-0.9.2/conf-quickstart/tranquility/kafka.json

• 如果Tranquility或者kafka已经启动，可以停止并重新启动。

最后将数据发送到kafka的topic，以下面这些数据为例：

{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}
{"time": "2000-01-01T00:00:00Z", "url": "/", "user": "bob", "latencyMs": 11}
{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "bob", "latencyMs": 45}

Druid流处理需要相对当前（准实时）的数据，相而言windowPeriod值控制的是更宽松的时间窗口（也就是流处理会检查数据timestamp的值，而时间窗口只关注数据接收的时间）。所以需要将2000-01-01T00:00:00Z转换为ISO8601格式的当前系统时间，你可以用以下命令转换：

python -c 'import datetime; print(datetime.datetime.utcnow().strftime("%Y-%m-%dT%H:%M:%SZ"))'

更新上述JSON中的时间戳，然后将这些消息复制并粘贴到此kafka-console-producer，然后按Enter键：

./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic pageviews

就这样，数据应该已经保存在Druid里了，可以使用任何Druid支持的查询方式查询这些数据了。

进一步阅读

想了解更多流式数据加载，可以查看streaming ingestion documentation

原文链接：http://druid.io/docs/0.9.2/tutorials/tutorial-kafka.html