Druid使用Kafka Indexing Service方式push数据以及实时节点pull数据步骤

  Druid中从kafka摄入数据，存在两种方式，一种是pull，需要依赖实时节点，一种是push，需要依赖Kafka Indexing Service（kafka索引服务）

     注：在0.9.1.1版本前使用Tranquility-Kafka组件接入实时数据，由于存在时间窗口，即在时间窗口内的数据会被提交给Firehose，时间窗口外的数据则会被丢弃；如果Tranquility-Kafka临时下线，会导致Kafka中数据“过期”从而被丢弃，无法保证数据完整性，同时这种“copy service”的使用模式不仅占用大量CPU与内存，又不满足原子操作，所以在0.9.1.1版本后，建议使用Druid的新特性Kafka Indexing Service，Druid内部使用Kafka高级Consumer API保证exactly-once semantics，尽最大可能保证数据完整性。

     步骤一：下载Kafka Indexing Service扩展，将扩张加入到druid目录下的extensions目录下。

     步骤二：将扩展绑定在middlemanager以及overlord上，在开发中，实际配置方案为直接配置/opt/druid/conf/druid/_common/common.runtime.properties，在druid.extensions.loadList中加入Kafka Indexing Service，如图：

                   ，如果不进行配置，无法使用kafka索引服务

     步骤三：在druid目录下的var目录下新建tmp目录作为java.io.tmpdir（jvm.config配置文件）目录。如果目录不存在。Druid报错

     步骤四：编写Json配置文件：示例如下

{
  "type": "kafka",
  "dataSchema": {
    "dataSource": "kafka3",//Druid中的表名
    "parser": {
      "type": "string",
      "parseSpec": {
        "format": "json",
        "timestampSpec": {//时间戳列
          "column": "timestamp",
          "format": "auto"
        },
        "dimensionsSpec": {//维度列
          "dimensions": ["timestamp","from"],
          "dimensionExclusions": []
        }
      }
    },
    "metricsSpec": [//指标列
      {
        "name": "count",
        "type": "count"
      },
      {
        "name": "PVSum",
        "fieldName": "PVSum",
        "type": "longSum"
      },
      {
        "name": "UVSum",
        "fieldName": "UVSum",
        "type": "longSum"
      }
    ],
    "granularitySpec": {//查询维度
      "type": "uniform",
      "segmentGranularity": "DAY",
      "queryGranularity": "NONE"
    }
  },
  "tuningConfig": {//优化型配置
    "type": "kafka",
    "maxRowsPerSegment": 75000,
    "workerThreads":2
  },
  "ioConfig": {//指明数据来源
    "topic": "zhangzl",
    "consumerProperties": {
      "bootstrap.servers": "ip1:9092,ip2:9092,ip3:9092"
    },
    "useEarliestOffset":true,
    "taskCount": 1,
    "replicas": 1,
    "taskDuration": "PT1M"
  }
}

 步骤五： 确认workerThreads配置为（taskCount * replicas +1）；

 步骤六：调整配置项useEarliestOffset为true，否则druid只会读取最新数据，不会从beginning开始读取数据。

实时节点使用步骤：

注：使用tranquility为0.8.2版本，在使用过程中尝试使用0.8.0版本以及0.8.1版本均为成功，具体原因不明，下载地址：http://static.druid.io/tranquility/releases/tranquility-distribution-0.8.2.tgz

步骤一：将下载好的tranquility-distribution-0.8.2.tgz解压后的目录移动到Druid的home目录下。

步骤二：编辑配置文件，示例如下：

{
    "dataSources": [{
        "spec": {
            "dataSchema": {
                "parser": {
                    "type": "string",
                    "parseSpec": {
                        "timestampSpec": {//时间戳列，必须指定，实时节点根据该列对时间窗口进行判断
                            "column": "timestamp",
                            "format": "auto"
                        },
                        "dimensionsSpec": {//维度列
                            "dimensions": ["timestamp", "from"],
                            "dimensionExclusions": []
                        },
                        "format": "json"
                    }
                },
                "dataSource": "twitter",//Druid中的表名
                "granularitySpec": {
                    "type": "uniform",
                    "segmentGranularity": "DAY",
                    "queryGranularity": "NONE"
                },
                "metricsSpec": [{//指标列
                        "name": "count",
                        "type": "count"
                    },
                    {
                        "name": "PVSum",
                        "fieldName": "PVSum",
                        "type": "longSum"
                    },
                    {
                        "name": "UVSum",
                        "fieldName": "UVSum",
                        "type": "longSum"
                    }
                ]
            },
            "tuningConfig": {
                "type": "realtime",
                "maxRowsInMemory": "75000",//内存中存储的最大数据量，超过该数据量之后会刷新到Druid中
                "intermediatePersistPeriod": "PT1M",//时间窗口
                "windowPeriod": "PT10M"//延时窗口，超过时间窗口后的数据，如果还在延时窗口中，则还会被处理，超过延时窗口的数据会被丢弃
            }
        },
        "properties": {
            "task.partitions": "2",
            "task.replicants": "2",
            "topicPattern": "twitter"//kafka topic
        }
    }],
    "properties": {
        "zookeeper.connect": "ip1:2181,ip2:2181,ip3:2181",//druid zk
        "zookeeper.timeout": "PT20S",
        "druid.selectors.indexing.serviceName": "druid/overlord",
        "druid.discovery.curator.path": "/druid/discovery",
        "kafka.zookeeper.connect": "ip1:2182,ip2:2182,ip3:2182",//kafka zk
        "kafka.group.id": "tranquility-kafka",
        "consumer.numThreads": "2",
        "commit.periodMillis": "15000",
        "reportDropsAsExceptions": "false"
    }
}

步骤三：进入到目录下使用如下命令：bin/tranquility kafka -configFile <配置文件路径>进行启动

步骤四：使用kafka生产消息，注：时间戳列采用yyyy-MM-ddTHH:mm:ssZ格式，否则数据无法解析，应该可以配置，但未找到配置点。

索引服务与实时节点比较：

在Druid重启时，索引服务不会丢数据，但是对于实时节点，如果重启太慢，数据超过了时间窗口以及延时窗口，这部分数据会被丢弃。

索引服务实际是在指定时间内处理数据，然后将数据积压，可以配置提交时间，到达提交时间时进行提交。

索引服务在Druid重启后，不会重读消费过的数据，也就是offset不会从begining开始，数据不会重叠。

索引服务出现在tranquility服务之后，实际是对实时节点的一个补充，但是索引服务只在0.9.1.1版本之后进行支持