demo flink写入kafka_Flink读写Kafka

Flink读写Kafka

在Flink中，我们分别用Source Connectors代表连接数据源的连接器，用Sink Connector代表连接数据输出的连接器。下面我们介绍一下Flink中用于读写kafka的source & sink connector。

Apache Kafka Source Connectors

Apache Kafka 是一个分布式的流平台，其核心是一个分布式的发布-订阅消息系统，被广泛用于消费与分发事件流。

Kafka将事件流组织成为topics。一个topic是一个事件日志(event-log)，保证读入事件的顺序为事件写入的顺序。为了实现可扩展，topic可以被分为多个partition，并分布在集群中的各个节点中。但是在topic分区后，由于consumers可能会从多个partition读入数据，所以此时只能在partition级别保证事件的顺序。在Kafka中，当前读的位置称为偏移量(offset)。

可以通过sbt或maven构建Flink Kafka connector 的依赖，下面是一个sbt的例子：

// https://mvnrepository.com/artifact/org.apache.flink/flink-connector-kafkalibraryDependencies+= "org.apache.flink"%% "flink-connector-kafka"% "1.8.1"

Flink Kafka connector以并行的方式读入事件流，每个并行的source

task 都可以从一个或多个partition读入数据。Task对于每个它当前正在读的partition，都会追踪当前的offset，并将这些offset数据存储到它的检查点数据中。当发生故障，进行恢复时，offset被取出并重置，使得数据可以在上次检查点时的offset继续读数据。Flink

Kafka connector并不依赖于Kafka 本身的offset-tracking 机制(也就是consumer

groups机制)。下图显示的是partitions被分配给不同的source

task：

下面是一个创建一个 kafka source 的例子：

val properties = new Properties()

properties.setProperty("bootstrap.servers", "localhost:9092")

properties.setProperty("group.id", "test")

val stream: DataStream[String] = env.addSource(

new FlinkKafkaConsumer[String](

"topic",

new SimpleStringSchema(),

properties))

这个FlinkKafkaConsumer 构造函数有3 个参数，第一个参数定义的是读入的目标topic名。这里可以是单个topic、一组topics、亦或是一个正则表达式匹配所有符合规则的topics。当从多个topics读入事件时，Kafka connectors会将所有topics的所有partitions 一视同仁，并将这些事件合并到一个单个流中。

第二个参数是一个DeserializationSchema 或KeyedDeserializationSchema。Kafka中的消息是以纯字节消息存储，所以需要被反序列化为Java或Scala 对象。在上例中用到的SimpleStringSchema 是一个内置的DeserializationSchema，可以将字节数字反序列化为一个String。Flink也提供了对Apache Avro以及基于text的JSON编码的实现。我们也可以通过实现DeserializationSchema 与KeyedDeserializationSchema 这两个公开的接口，用于实现自定义的反序列化逻辑。

第三个参数是一个Properties对象，用于配置Kafka的客户端。此对象至少要包含两个条目，"bootstrap.servers" 与"group.id"。

为了提取事件-时间的时间戳，并生成水印，我们可以为Kafka consumer提供AssignerWithPeriodicWatermark 或AssignerWithPunctuatedWatermark ，具体可以通过调用FlinkKafkaConsumer.assignTimestampsAndWatermark()实现。这个assigner会被应用到每个partition，并影响每个partition的message序列保证。Source 实例会根据水印的propagation protocol 将partition的水印进行merge。

需要注意的是：如果一个partition变为inactive状态，则source 实例的水印机制便无法向前推进。并最终会因为一个inactive的partition导致整个application停止运行，因为application的水印无法向前推进。

在Kafka 0.10.0版本后，提供了消息时间戳的支持。如果application是以event-time模式运行，则consumer会自动从Kakfa消息中获取时间戳，并以此时间戳为event-time时间戳。在这种情况下，我们需要生成水印并应用AssignerWithPeriodicWatermark或AssignerWithPunctuatedWatermark，它们会向前推进前面被分配的Kafka时间戳。

还有一些需要注意的配置选项，在 consumer 开始读Kafka 消息时，我们可以配置它的读起始位置，有以下几种：

Kafka为consumer group(由group.id配置指定)存储的最近的读取位置。这个也是默认的行为，指定方式为：FlinkKafkaConsumer.setStartFromGroupOffsets()

每个partition最开始的offset：FlinkKafkaConsumer.setStartFromEarliest()

每个partition最近的offset：FlinkKafkaConsumer.setStartFromLatest()

给定时间戳之后的records(需Kafka 版本高于0.10.x)：FlinkKafkaConsumer.setStartFromTimestamp(long)

为所有partition指定读取位置，传入参数为Map对象：FlinkKafkaConsumer.setStartFromSpecificOffsets(Map)

需要注意的是：这些配置仅影响第一次读取的位置。在application出现故障后恢复时，使用的是检查点的offset(或是在以savepoint启动时，使用的是savepoint中的offset)。

Flink Kafka consumer可以被配置为自动发现新加入的topics(通过正则表达式)或新加入的partition的模式。默认此功能是禁止的，不过可以通过指定flink.partition-discovery.interval-millis参数(在Properties对象中指定)开启，只需要将此参数指定为非负整数即可。

Apache Kafka Sink Connector

Flink提供为Kafka 0.8 版本后所有 Kafka版本的sink connectors。同样，根据环境中Flink的版本，我们需要加上相关依赖(具体可参考上文)。

下面是一个Kafka sink的例子：

val stream: DataStream[String] = ...

val myProducer = new FlinkKafkaProducer[String](

"localhost:9092", // broker list

"topic", // target topic

new SimpleStringSchema) // serialization schema

stream.addSink(myProducer)

这个FlinkKafkaProducer构造函数有3个参数。第一个参数是一个以逗号分隔的Kafka broker地址。第二个参数是目标topic名，最后是一个SerializationSchema，用于将输入数据(此例子中String)转换为一个字节数组。此处的DeserializationSchema与Kakfa source connector中的DeserializationSchema相对应。

FlinkKafkaProducer提供了多种构造函数的选项：

与Kafka source connector 类似，可以传递一个Properties对象，用于为客户端提供自定义的配置。在使用Properties时，broker list需要以"bootstrap.servers"属性的方式写在Properties中。

也可以指定一个FlinkKafkaPartitioner，用于控制records与Kafka partition中的映射。

除了使用SerializationSchema将记录转换为字节数组，我们也可以实现一个KeyedSerializationSchema接口，用于将一条记录转换为两个字节数组——一个是key，另一个是value。也可以通过它实现更多的功能，例如将目标topic重写为多个topics。

为KAFKA SINK提供AT-LEAST-ONCE保证

Flink Kafka sink可提供的一致性保障由它的配置决定。Kafka sink 在满足以下条件时，可以提供at-least-once 保障：

Flink的检查点功能已开启，并且application的所有source是可重置的(也就是reading offset可重置)

如果写未成功，则sink connector抛出一个异常，导致application失败并recover。这个是默认的行为。在Kafka 客户端，我们也可以配置为：在写入失败时，进行重试，重试参数可由retries属性指定(默认为0，设置为大于0即可)，在达到重试次数后，再申明写入失败。我们也可以配置sink仅将写入失败的操作记录到日志，而不抛出任何异常，对sink对象调用setLogFailuresOnly(true)即可。需要注意的是这个会导致application无任何输出一致性保证。

sink connector在完成它的检查点之前，需要等待Kafka ack 所有in-flight records。这个也是默认的行为。

为KAFKA SINK提供EXACTLY-ONCE一致性保证

Kafka 0.11版本之后引入了对事务写(transactional writes)的支持。得益于此功能，Flink的Kafka sink也可以提供exactly-once的一致性保证(在正确配置了sink与Kafka的前提下)。同样，Flink application必须启用检查点的功能，并且source为可重置的(也就是reading offset可重置)。

FlinkKafkaProducer提供了一个构造方法，可以传入一个Semantic(语义)参数，用于控制(由sink提供的)一致性保证。可选的参数值有：

Semantic.NONE：提供无保证——records可能会丢失或是被写入多次

Semantic.AT_LEAST_ONCE：可以保证没有写丢失，但是可能会有重复的写入。这个是默认设置。

Semantic.EXACTLY_ONCE：基于Kafka的事务(transactions)，保证每个record exactly-once 写入

在使用Flink application结合Kafka sink 的exactly-once模式时，有几点需要考虑的地方，这几点也有助于理解Kafka如何处理事务。简单地说，Kafka的事务工作流程如下：

开启一个事务，将所有属于此事务内的消息(写入)追加到partition的末尾，并标注这些消息为uncommitted

在一个事务committed后，这些标记变为committed

从Kafka topic消费消息的consumer，可以配置为一个isolation级别(通过isolation.level属性进行配置)，申明是否它可以读uncommitted消息，可读参数为read_uncommitted，也是默认配置。不可读的参数为read_committed。如果consumer被配置为read_committed，则它会在遇到一个uncommitted消息后，停止从一个partition消费数据，并在消息变为committed后，恢复消费数据。

所以，一个正在进行的事务可以阻止consumers从partition读未committed的数据，并引入相当的延迟。Kafka防止高延时所做的一个改进是：在超过timeout interval时间后，会直接拒绝并关闭事务。此超时时间由transaction.timeout.ms属性设置。

在Flink Kafka sink中，这个超时时间非常重要，因为事务超时可能会导致数据丢失。所以我们必须谨慎配置超时时间的属性。默认情况下，Flink Kafka sink(也就是Kafka producer端的配置)设置transaction.timeout.ms为1小时。也就是说，我们需要对应调整Kafka broker端的transaction.max.timeout.ms配置，因为此配置的默认时间为15分钟，而此时间必须要大于transaction.timeout.ms。还有一点需要注意的是：committed 消息的可见性是取决于Flink application的检查点时间间隔的。

检查Kafka集群的配置

Kafka集群的默认配置可能会导致数据丢失(即使一个写操作已经被ack)。我们需要特别注意一下Kafka启动参数：

acks

log.flush.interval.messages

log.flush.interval.ms

log.flush.*

建议查阅一下Kakfa 官方文档，对这些配置信息有更进一步的了解。

用户自定义partitioning以及写入消息时间戳

在向一个Kafka topic写入消息时，Flink Kafka sink taks可以选择写入topic的哪个partition。FlinkKafkaPartitioner可以在Flink Kafka sink构造函数中指定(此类为一个抽象类，需要传入它的一个实现类)。若是未指定，则默认的partitioner会将每个sink task均映射到一个Kafka partition中，也就是说，所有由同一个sink释放的records会被写入到同一个partition中。若是task的数目大于partition的数目，则其中部分partition可能会包含多个sink tasks的数据。如果partition的数目大于task的数目，则默认的配置会导致有partition的数据为空。在这种情况下，若是application是运行在event-time模式下对topic进行消费，可能会造成问题。

通过提供用户定义的FlinkKafkaPartitioner，我们可以控制records路由到partition的规则。例如，我们创建一个基于key的partitioner、或是轮询的partitioner(可平均分布records)。也可以使用Kafka的partitioning规则，根据message的key，将record分布到不同的partition中。使用此方式时，需要指定KeyedSerializationSchema，以便于从messages中抽取keys，并需要设置FlinkKafkaPartitioner为null，以disable默认的Flink端的partitioner。

最后，Flink Kafka sink可以配置为写入消息时间戳(Kafka 0.10 版本之后支持)。为一条record写入event-time时间戳到Kafka的功能可通过在sink对象上调用setWriteTimestampToKafka(true)启用。

References：

Vasiliki Kalavri, Fabian Hueske. Stream Processing With Apache Flink. 2019