ClickHouse Kafka引擎

Kafka引擎用力读取kafka中的数据,创建表语句

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
(
    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],
    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],
    ...
) ENGINE = Kafka()
SETTINGS
    kafka_broker_list = 'host:port',
    kafka_topic_list = 'topic1,topic2,...',
    kafka_group_name = 'group_name',
    kafka_format = 'data_format'[,]
    [kafka_row_delimiter = 'delimiter_symbol',]
    [kafka_schema = '',]
    [kafka_num_consumers = N,]
    [kafka_max_block_size = 0,]
    [kafka_skip_broken_messages = N,]
    [kafka_commit_every_batch = 0,]
    [kafka_thread_per_consumer = 0]
或者
 ENGINE = Kafka(kafka_broker_list, kafka_topic_list ,kafka_group_name , kafka_format)
 settings [kafka_row_delimiter = xxx,]  [kafka_schema = '',]....

必选项:
kafka_broker_list kafka地址
kafka_topic_list 可以订阅多个主题
kafka_group_name 消费者组
kafka_format 消息的格式,常见 JSONEachRow,CSV,TSV
可选项:
kafka_row_delimiter 消息的结束符,默认’\0’
kafka_schema 不知道怎么解释这个,大部分不会用这个参数
kafka_num_consumers 消费者的个数,小于等于分区数
kafka_max_block_size 一次性拉取最大的消息大小,默认64k
kafka_skip_broken_messages 默认为0对于消息解析错误的容忍度,设置为0出现异常就不会再接收消息
kafka_commit_every_batch 偏移量提交频率,默认0,写完一个数据块后提交,设置为1每批次都会提交
kafka_thread_per_consumer 默认为0,既所有消费者线程消费的数据会归总之后写入数据表,不然就会启动独立线程,独立线程自己写入数据表互不干扰.

启动zk与kafka
kafka创建主题
formate为CSV的主题

./kafka-topics.sh --create --topic clickhouseCSV --partitions 3 
--zookeeper node01:2181 --replication-factor 1

formate为JSONEachRow的主题

./kafka-topics.sh --create --topic clickhouseJSON --partitions 3 
--zookeeper node01:2181 --replication-factor 1

启动命令行并输入消息

./kafka-console-producer.sh --topic clickhouseCSV --broker-list node01:9092

创建clickhouse 的Kafka引擎表

CREATE TABLE kafkatest.kafkatest(     `id` Int16,     `name` String,     `createDate` Date )
 ENGINE = Kafka('node01:9092', 'clickhouseCSV', 'group', 'CSV');

select * from kafkatest;
┌─id─┬─name──────┬─createDate─┐
│  1 │ zhangsan  │ 2020-01-02 │
│  4 │ zhaoliu   │ 2020-01-01 │
│  7 │ gaojiu    │ 2020-01-02 │
│ 10 │ zhoushier │ 2020-01-01 │
│  3 │ wangwu    │ 2020-01-02 │
│  6 │ luba      │ 2020-01-01 │
│  9 │ xiaoshiyi │ 2020-01-02 │
│  2 │ lisi      │ 2020-01-01 │
│  5 │ tianqi    │ 2020-01-02 │
│  8 │ kanshi    │ 2020-01-01 │
└────┴───────────┴────────────┘

成功读取到了数据,并且是从earlast读取,而不是lartest.
再执行一次查询,发现数据消失了.

node01.hadoop.com :) select * from kafkatest;
SELECT *
FROM kafkatest
Ok.
0 rows in set. Elapsed: 5.017 sec. 

这是因为Kafka引擎只能读取消费的数据,读取完了以后就会删除数据.那么用这个引擎就没有意义了,数据只能查询一次.
其实Kafka引擎是需要结合物化视图一起使用的,物化视图不断将从kafka接收的消息数据写入到其他表引擎.

CREATE TABLE kafkaMergeTree
(
    `id` Int16,
    `name` String,
    `createDate` Date
)
ENGINE = MergeTree
ORDER BY id;

CREATE MATERIALIZED VIEW kafkaview TO kafkaMergeTree AS
SELECT *
FROM kafkatest;

创建好后,继续向kafka生产数据几条数据,之后查询

node01.hadoop.com :) select * from kafkaMergeTree;

SELECT *
FROM kafkaMergeTree

┌─id─┬─name─────┬─createDate─┐
│  1 │ zhangsan │ 2020-01-02 │
│  2 │ lisi     │ 2020-01-01 │
│  3 │ wangwu   │ 2020-01-02 │
│  4 │ zhaoliu  │ 2020-01-01 │
└────┴──────────┴────────────┘

下面再演示一下Json格式并查询Kafka引擎隐藏列

CREATE TABLE kafkatest.kafkatest2
(
    `id` Int16,
    `name` String,
    `createDate` Date
)
ENGINE = Kafka('node01:9092', 'clickhouseJSON', 'group', 'JSONEachRow')

启动命令行生产者并生产数据

sh kafka-console-producer.sh --topic clickhouseJSON --broker-list node01:9092
>{"id":1,"name":"zhangsan","createDate":"2020-01-01"}
>{"id":2,"name":"lisi","createDate":"2020-01-02"}

查询数据

node01.hadoop.com :) select *,_topic,_key,_offset,_timestamp,_partition from kafkatest2;

SELECT 
    *,
    _topic,
    _key,
    _offset,
    _timestamp,
    _partition
FROM kafkatest2

┌─id─┬─name─────┬─createDate─┬─_topic─────────┬─_key─┬─_offset─┬──────────_timestamp─┬─_partition─┐
│  1 │ zhangsan │ 2020-01-01 │ clickhouseJSON │      │       1 │ 2020-11-08 10:54:30 │          1 │
│  2 │ lisi     │ 2020-01-02 │ clickhouseJSON │      │       1 │ 2020-11-08 10:54:31 │          0 │
└────┴──────────┴────────────┴────────────────┴──────┴─────────┴─────────────────────┴────────────┘

上方以_开头的是隐藏列,不包含在*之中
_topic kafka主题。
_key 消息的key。
_offset 消息的偏移量。
_timestamp 消息的时间戳。
_partition 分区。