最近在学 Flink,做了一个实时数据分析的 Demo,流程如下所示:
- Data Mock:作为生产者模拟数据,负责从本地文件系统中读取数据并发往 Kafka;
- Zookeeper:Kafka 的依赖;
- KafKa:消息队列,可以用于发布和订阅消息;
- Flink:流式处理引擎,作为消费者订阅 Kafka 的消息;
- ElasticSearch:搜索引擎,也可以作为实时存储引擎;
- Kibana:可视化 ElasticSearch 中的数据。
除了看过两周 Flink 外,其他的框架都没有接触过,只是简单的拿来用一下,也并不是很了解,所以本篇教程如果有什么错误,欢迎指出。
1.准备
1.1 环境准备
首先是环境准备:
- Java 8
- Zookeeper:3.6.1;
- Kafka:2.6.0;
- Flink:1.11.1;
- ElasticSearch:7.8.1
- Kibana:7.8.1(注意 ES 要与 Kibana 的版本相同)
因为用的是 mac,所以所有环境都可以通过 brew 一键安装,不过还是建议用 Docker 来安装各种环境。
1.2 数据准备
数据用的是淘宝的用户行为数据,可以在阿里天池上下载到,附上下载地址:
数据:https://tianchi.aliyun.com/dataset/dataDetail?dataId=649
数据集包含了 2017 年 11 月 25 日至 2017 年 12 月 3 日之间,约一百万随机用户的所有行为(行为包括点击、购买、加购、喜欢)。数据集的组织形式和 MovieLens-20M 类似,即数据集的每一行表示一条用户行为,由用户ID、商品ID、商品类目ID、行为类型和时间戳组成,并以逗号分隔。数据集中每一列的详细描述如下:
列名称 | 说明 |
---|---|
用户ID | 整数类型,序列化后的用户ID |
商品ID | 整数类型,序列化后的商品ID |
商品类目ID | 整数类型,序列化后的商品所属类目ID |
行为类型 | 字符串,枚举类型,包括(‘pv’, ‘buy’, ‘cart’, ‘fav’) |
时间戳 | 行为发生的时间戳 |
关于数据集大小的一些说明如下:
维度 | 数量 |
---|---|
用户数量 | 987,994 |
商品数量 | 4,162,024 |
商品类目数量 | 9,439 |
所有行为数量 | 100,150,807 |
2.实战
2.1 Kafka
2.1.1 简介
先简单介绍下 Kafka。
Kafka 是分布式发布-订阅消息的系统,最初由LinkedIn公司开发的,之后成为Apache项目的一部分,Kafka是一个分布式,可划分的,冗余备份的持久性的日志服务,它主要用于处理活跃的流式数据。
kafka的作用类似于缓存,即活跃的数据和离线处理系统之间的缓存。
下图为 Kafka 的架构图:
简单介绍一下:
- Producer:消息生产者,向 Kafka Broker 发送消息(Push);
- Consumer:消费者,从 Kafka Broker 订阅消息(Pull);
- Broker:缓存代理,Kafka 集群中的服务器称为 Broker,每个 Broker 可以容纳多个 Topic;
- Topic:图上没有显示,消息的订阅和发布需要 Topic,相当于給消息取个名字,好分门别类;
- Zookeeper:Kafka 通过 Zookeeper 来管理集群,所以启动 Kafka 之前需要先启动 Zookeeper。
Mac 通过 brew install kafka
可以自动安装 zookeeper 和 kafka。
并通过下面的命令分别启动 zookeeper 和 kafka:
zookeeper-server-start /usr/local/etc/kafka/zookeeper.properties & kafka-server-start /usr/local/etc/kafka/server.properties
注意观察启动信息,不要出现错误。
如果要关闭可可以运行下面的命令:
kafka-server-stop & zookeepker-sever-stop
注意:
- 不要关闭终端,关掉了服务也没了;
- 通过
ctrl+c
只能关闭 kafka,而无法关闭 Zookeeper。
2.1.2 代码
由于没有线上接口,所以我们需要模拟一个消息源作为 Kafka 的消息生产者。
首先常见一个 maven 项目,建议先统一配置写环境的版本:
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<flink.version>1.11.1</flink.version>
<java.version>1.8</java.version>
<scala.binary.version>2.12</scala.binary.version>
<kafka.version>2.6.0</kafka.version>
<maven.compiler.source>${java.version}</maven.compiler.source>
<maven.compiler.target>${java.version}</maven.compiler.target>
</properties>
首先导入依赖:
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka_${scala.binary.version}</artifactId>
<version>${kafka.version}</version>
</dependency>
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>${kafka.version}</version>
</dependency>
然后创建一个 Kafka 生产者对象:
String kafkaTopic = "user_behavior";
// 使用本地和默认端口
String brokers = "localhost:9092";
Properties kafkaProps = new Properties();
kafkaProps.put("bootstrap.servers", brokers);
kafkaProps.put("key.serializer", ByteArraySerializer.class.getCanonicalName());
kafkaProps.put("value.serializer", ByteArraySerializer.class.getCanonicalName());