写点什么

Kafka 实时数据即席查询应用与实践

  • 2023-05-26
    广东
  • 本文字数:7234 字

    阅读完需:约 24 分钟

作者:vivo 互联网搜索团队- Deng Jie


Kafka 中的实时数据是以 Topic 的概念进行分类存储,而 Topic 的数据是有一定时效性的,比如保存 24 小时、36 小时、48 小时等。而在定位一些实时数据的 Case 时,如果没有对实时数据进行历史归档,在排查问题时,没有日志追述,会很难定位是哪个环节的问题。

一、背景


Kafka 中的实时数据是以 Topic 的概念进行分类存储,而 Topic 的数据是有一定时效性的,比如保存 24 小时、36 小时、48 小时等。而在定位一些实时数据的 Case 时,如果没有对实时数据进行历史归档,在排查问题时,没有日志追述,会很难定位是哪个环节的问题。因此,我们需要对处理的这些实时数据进行记录归档并存储。

二、内容

2.1 案例分析

这里以 i 视频和 vivo 短视频实时数据为例,之前存在这样的协作问题:

数据上游内容方提供实时 Topic(存放 i 视频和 vivo 短视频相关实时数据),数据侧对实时数据进行逻辑处理后,发送给下游工程去建库实时索引,当任务执行一段时间后,工程侧建索引偶尔会提出数据没有发送过去的 Case,前期由于没有对数据做存储,在定位问题的时候会比较麻烦,经常需求查看实时日志,需要花费很长的时间来分析这些 Case 是出现在哪个环节。


为了解决这个问题,我们可以将实时 Topic 中的数据,在发送给其他 Topic 的时候,添加跟踪机制,进行数据分流,Sink 到存储介质(比如 HDFS、Hive 等)。这里,我们选择使用 Hive 来进行存储,主要是查询方便,支持 SQL 来快速查询。如下图所示:

在实现优化后的方案时,有两种方式可以实现跟踪机制,它们分别是 Flink SQL 写 Hive、Flink DataStream 写 Hive。接下来,分别对这两种实现方案进行介绍和实践。

2.2 方案一:Flink SQL 写 Hive

这种方式比较直接,可以在 Flink 任务里面直接操作实时 Topic 数据后,将消费后的数据进行分流跟踪,作为日志记录写入到 Hive 表中,具体实现步骤如下:

  • 构造 Hive Catalog;

  • 创建 Hive 表;

  • 写入实时数据到 Hive 表。

2.2.1 构造 Hive Catalog

在构造 Hive Catalog 时,需要初始化 Hive 的相关信息,部分代码片段如下所示:

// 设置执行环境 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().build(); StreamTableEnvironment tEnv = StreamTableEnvironment.create(env,settings);  // 构造 Hive Catalog 名称 String name = "video-hive-catalog"; // 初始化数据库名 String defaultDatabase = "comsearch"; // Hive 配置文件路径地址 String hiveConfDir = "/appcom/hive/conf"; // Hive 版本号 String version = "3.1.2";  // 实例化一个 HiveCatalog 对象 HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version); // 注册HiveCatalog tEnv.registerCatalog(name, hive); // 设定当前 HiveCatalog tEnv.useCatalog(name); // 设置执行SQL为Hive tEnv.getConfig().setSqlDialect(SqlDialect.HIVE); // 使用数据库 tEnv.useDatabase("db1");
复制代码

在以上代码中,我们首先设置了 Flink 的执行环境和表环境,然后创建了一个 HiveCatalog,并将其注册到表环境中。

2.2.2 创建 Hive 表

如果 Hive 表不存在,可以通过在程序中执行建表语句,具体 SQL 见表语句代码如下所示:

-- 创建表语句 tEnv.executeSql("CREATE TABLE IF NOT EXISTS TABLE `xxx_table`(  `content_id` string,  `status` int)PARTITIONED BY (  `dt` string,  `h` string,  `m` string)stored as ORCTBLPROPERTIES (  'auto-compaction'='true',  'sink.partition-commit.policy.kind'='metastore,success-file',  'partition.time-extractor.timestamp-pattern'='$dt $h:$m:00')")
复制代码

在创建 Hive 表时我们使用了 IF NOT EXISTS 关键字,如果 Hive 中该表不存在会自动在 Hive 上创建,也可以提前在 Hive 中创建好该表,Flink SQL 中就无需再执行建表 SQL,因为用了 Hive 的 Catalog,Flink SQL 运行时会找到表。这里,我们设置了 auto-compaction 属性为 true,用来使小文件自动合并,1.12 版的新特性,解决了实时写 Hive 产生的小文件问题。同时,指定 metastore 值是专门用于写入 Hive 的,也需要指定 success-file 值,这样 CheckPoint 触发完数据写入磁盘后会创建_SUCCESS 文件以及 Hive metastore 上创建元数据,这样 Hive 才能够对这些写入的数据可查。

2.2.3 写入实时数据到 Hive 表

在准备完成 2.2.1 和 2.2.2 中的步骤后,接下来就可以在 Flink 任务中通过 SQL 来对实时数据进行操作了,具体实现代码片段如下所示:

// 编写业务SQL String insertSql = "insert into  xxx_table SELECT content_id, status, " +                    " DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH'), DATE_FORMAT(ts, 'mm') FROM xxx_rt"; // 执行 Hive SQL tEnv.executeSql(insertSql); // 执行任务 env.execute();
复制代码

将消费后的数据进行分类,编写业务 SQL 语句,将消费的数据作为日志记录,发送到 Hive 表进行存储,这样 Kafka 中的实时数据就存储到 Hive 了,方便使用 Hive 来对 Kafka 数据进行即席分析。

2.2.4 避坑技巧

使用这种方式在处理的过程中,如果配置使用的是 EventTime,在程序中配置'sink.partition-commit.trigger'='partition-time',最后会出现无法提交分区的情况。经过对源代码 PartitionTimeCommitTigger 的分析,找到了出现这种异常情况的原因。


我们可以通过看

org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitionsorg.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions

中的一个函数,来说明具体的问题,部分源代码片段如下:

// PartitionTimeCommitTigger源代码函数代码片段@Overridepublic List<String> committablePartitions(long checkpointId) { if (!watermarks.containsKey(checkpointId)) {  throw new IllegalArgumentException(String.format(    "Checkpoint(%d) has not been snapshot. The watermark information is: %s.",    checkpointId, watermarks)); }  long watermark = watermarks.get(checkpointId); watermarks.headMap(checkpointId, true).clear();  List<String> needCommit = new ArrayList<>(); Iterator<String> iter = pendingPartitions.iterator(); while (iter.hasNext()) {  String partition = iter.next();  // 通过分区的值来获取分区的时间  LocalDateTime partTime = extractor.extract(    partitionKeys, extractPartitionValues(new Path(partition)));  // 判断水印是否大于分区创建时间+延迟时间  if (watermark > toMills(partTime) + commitDelay) {   needCommit.add(partition);   iter.remove();  } } return needCommit;}
复制代码

通过分析上述代码片段,我们可以知道系统通过分区值来抽取相应的分区来创建时间,然后进行比对,比如我们设置的时间 pattern 是 '$dt $h:$m:00' , 某一时刻我们正在往 /2022-02-26/18/20/ 这个分区下写数据,那么程序根据分区值,得到的 pattern 将会是 2022-02-26 18:20:00,这个值在 SQL 中是根据 DATA_FORMAT 函数获取的。


而这个值是带有时区的,比如我们的时区设置为东八区,2022-02-26 18:20:00 这个时间是东八区的时间,换成标准 UTC 时间是减去 8 个小时,也就是 2022-02-26 10:20:00,而在源代码中的 toMills 函数在处理这个东八区的时间时,并没有对时区进行处理,把这个其实应该是东八区的时间当做了 UTC 时间来处理,这样计算出来的值就比实际值大 8 小时,导致一直没有触发分区的提交。


如果我们在数据源中构造的分区是 UTC 时间,也就是不带分区的时间,那么这个逻辑就是没有问题的,但是这样又不符合我们的实际情况,比如对于分区 2022-02-26 18:20:00,我希望我的分区肯定是东八区的时间,而不是比东八区小 8 个小时的 UTC 时间 2022-02-26 10:20:00。


在明白了原因之后,我们就可以针对上述异常情况进行优化我们的实现方案,比如自定义一个分区类、或者修改缺省的时间分区类。比如,我们使用 TimeZoneTableFunction 类来实现一个自定义时区,部分参考代码片段如下:

public class CustomTimeZoneTableFunction implements TimeZoneTableFunction {   private transient DateTimeFormatter formatter;  private String timeZoneId;   public CustomTimeZoneTableFunction(String timeZoneId) {    this.timeZoneId = timeZoneId;  }   @Override  public void open(FunctionContext context) throws Exception {    // 初始化 DateTimeFormatter 对象    formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:00");    formatter = formatter.withZone(ZoneId.of(timeZoneId));  }   @Override  public void eval(Long timestamp, Collector<TimestampWithTimeZone> out) {    // 将时间戳转换为 LocalDateTime 对象    LocalDateTime localDateTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneOffset.UTC);    // 将 LocalDateTime 对象转换为指定时区下的 LocalDateTime 对象    LocalDateTime targetDateTime = localDateTime.atZone(ZoneId.of(timeZoneId)).toLocalDateTime();    // 将 LocalDateTime 对象转换为 TimestampWithTimeZone 对象,并输出到下游    out.collect(TimestampWithTimeZone.fromLocalDateTime(targetDateTime, ZoneId.of(timeZoneId)));  }}
复制代码

2.3 方案二:Flink DataStream 写 Hive

在一些特殊的场景下,Flink SQL 如果无法实现我们复杂的业务需求,那么我们可以考虑使用 Flink DataStream 写 Hive 这种实现方案。比如如下业务场景,现在需要实现这样一个业务需求,内容方将实时数据写入到 Kafka 消息队列中,然后由数据侧通过 Flink 任务消费内容方提供的数据源,接着对消费的数据进行分流处理(这里的步骤和 Flink SQL 写 Hive 的步骤类似),每分钟进行存储到 HDFS(MapReduce 任务需要计算和重跑 HDFS 数据),然后通过 MapReduce 任务将 HDFS 上的这些日志数据生成 Hive 所需要格式,最后将这些 Hive 格式数据文件加载到 Hive 表中。实现 Kafka 数据到 Hive 的即席分析功能,具体实现流程细节如下图所示:

具体核心实现步骤如下:

  • 消费内容方 Topic 实时数据;

  • 生成数据预处理策略;

  • 加载数据;

  • 使用 Hive SQL 对 Kafka 数据进行即席分析。

2.3.1 消费内容方 Topic 实时数据

编写消费 Topic 的 Flink 代码,这里不对 Topic 中的数据做逻辑处理,在后面统一交给 MapReduce 来做数据预处理,直接消费并存储到 HDFS 上。具体实现代码如下所示:


public class Kafka2Hdfs { public static void main(String[] args) { // 判断参数是否有效 if (args.length != 3) { LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist."); return; } // 初始化Kafka连接地址和HDFS存储地址以及Flink并行度 String bootStrapServer = args[0]; String hdfsPath = args[1]; int parallelism = Integer.parseInt(args[2]); // 实例化一个Flink任务对象 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.enableCheckpointing(5000); env.setParallelism(parallelism); env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); // Flink消费Topic中的数据 DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_topic", new SimpleStringSchema(), configByKafkaServer(bootStrapServer))); // 实例化一个HDFS存储对象 BucketingSink<String> sink = new BucketingSink<>(hdfsPath); // 自定义存储到HDFS上的文件名,用小时和分钟来命名,方便后面算策略 sink.setBucketer(new DateTimeBucketer<String>("HH-mm")); // 设置存储HDFS的文件大小和存储文件时间频率 sink.setBatchSize(1024 * 1024 * 4); sink.setBatchRolloverInterval(1000 * 30); transction.addSink(sink); env.execute("Kafka2Hdfs"); } // 初始化Kafka对象连接信息 private static Object configByKafkaServer(String bootStrapServer) { Properties props = new Properties(); props.setProperty("bootstrap.servers", bootStrapServer); props.setProperty("group.id", "test_bll_group"); props.put("enable.auto.commit", "true"); props.put("auto.commit.interval.ms", "1000"); props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); return props; } }
复制代码

注意事项:

  • 这里我们把时间窗口设置小一些,每 30s 做一次 Checkpoint,如果该批次的时间窗口没有数据过来,就生成一个文件落地到 HDFS 上;

  • 另外,我们重写了 Bucketer 为 DateTimeBucketer,逻辑并不复杂,在原有的方法上加一个年-月-日/时-分的文件生成路径,例如在 HDFS 上的生成路径:xxxx/2022-02-26/00-00。


具体 DateTimeBucketer 实现代码如下所示:

public class DateMinuteBucketer implements Bucketer<String> {    private SimpleDateFormat baseFormatDay = new SimpleDateFormat("yyyy-MM-dd");    private SimpleDateFormat baseFormatMin = new SimpleDateFormat("HH-mm");     @Override    public Path getBucketPath(Clock clock, Path basePath, String element) {        return new Path(basePath + "/" + baseFormatDay.format(new Date()) + "/" + baseFormatMin.format(new Date()));    }}
复制代码

2.3.2 生成数据预处理策略

这里,我们需要对落地到 HDFS 上的文件进行预处理,处理的逻辑是这样的。比如,现在是 2022-02-26 14:00,那么我们需要将当天的 13:55,13:56,13:57,13:58,13:59 这最近 5 分钟的数据处理到一起,并加载到 Hive 的最近 5 分钟的一个分区里面去。那么,我们需要生成这样一个逻辑策略集合,用 HH-mm 作为 key,与之最近的 5 个文件作为 value,进行数据预处理合并。具体实现代码步骤如下:

  • 步骤一:获取小时循环策略;

  • 步骤二:获取分钟循环策略;

  • 步骤三:判断是否为 5 分钟的倍数;

  • 步骤四:对分钟级别小于 10 的数字做 0 补齐(比如 9 补齐后变成 09);

  • 步骤五:对小时级别小于 10 的数字做 0 补齐(比如 1 补齐后变成 01);

  • 步骤六:生成时间范围;

  • 步骤七:输出结果。


其中,主要的逻辑是在生成时间范围的过程中,根据小时和分钟数的不同情况,生成不同的时间范围,并输出结果。在生成时间范围时,需要注意前导 0 的处理,以及特殊情况(如小时为 0、分钟为 0 等)的处理。最后,将生成的时间范围输出即可。


根据上述步骤编写对应的实现代码,生成当天所有日期命名规则,预览部分结果如下:

需要注意的是,如果发生了第二天 00:00,那么我们需要用到前一天的 00-00=>23-59,23-58,23-57,23-56,23-55 这 5 个文件中的数据来做预处理。

2.3.3 加载数据

在完成 2.3.1 和 2.3.2 里面的内容后,接下来,我们可以使用 Hive 的 load 命令直接加载 HDFS 上预处理后的文件,把数据加载到对应的 Hive 表中,具体实现命令如下:

-- 加载数据到Hive表load data inpath '<hdfs_path_hfile>' overwrite into table xxx.table partition(day='2022-02-26',hour='14',min='05')
复制代码

2.3.4 即席分析

之后,我们使用 Hive SQL 来对 Kafka 数据进行即席分析,示例 SQL 如下所示:

-- 查询某5分钟分区数据select * from xxx.table where day='2022-02-26' and hour='14' and min='05'
复制代码

2.4 Flink SQL 与 Flink DataStream 如何选择

Flink SQL 和 Flink DataStream 都是 Flink 中用于处理数据的核心组件,我们可以根据自己实际的业务场景来选择使用哪一种组件。


Flink SQL 是一种基于 SQL 语言的数据处理引擎,它可以将 SQL 查询语句转换为 Flink 的数据流处理程序。相比于 Flink DataStream,Flink SQL 更加易于使用和维护,同时具有更快的开发速度和更高的代码复用性。Flink SQL 适用于需要快速开发和部署数据处理任务的场景,比如数据仓库、实时报表、数据清洗等。


Flink DataStream API 是 Flink 数据流处理标准 API,SQL 是 Flink 后期版本提供的新的数据处理操作接口。SQL 的引入为提高了 Flink 使用的灵活性。可以认为 Flink SQL 是一种通过字符串来定义数据流处理逻辑的描述语言。


因此,在选择 Flink SQL 和 Flink DataStream 时,需要根据具体的业务需求和数据处理任务的特点来进行选择。如果需要快速开发和部署任务,可以选择使用 Flink SQL;如果需要进行更为深入和定制化的数据处理操作,可以选择使用 Flink DataStream。同时,也可以根据实际情况,结合使用 Flink SQL 和 Flink DataStream 来完成复杂的数据处理任务。

三、 总结

在实际应用中,Kafka 实时数据即席查询可以用于多种场景,如实时监控、实时报警、实时统计、实时分析等。具体应用和实践中,需要注意以下几点:

  • 数据质量:Kafka 实时数据即席查询需要保证数据质量,避免数据重复、丢失或错误等问题,需要进行数据质量监控和调优。

  • 系统复杂性:Kafka 实时数据即席查询需要涉及到多个系统和组件,包括 Kafka、数据处理引擎(比如 Flink)、查询引擎(比如 Hive)等,需要对系统进行配置和管理,增加了系统的复杂性。

  • 安全性:Kafka 实时数据即席查询需要加强数据安全性保障,避免数据泄露或数据篡改等安全问题,做好 Hive 的权限管控。

  • 性能优化:Kafka 实时数据即席查询需要对系统进行性能优化,包括优化数据处理引擎、查询引擎等,提高系统的性能和效率。


参考:

  1. https://github.com/apache/flink

  2. https://flink.apache.org/

发布于: 刚刚阅读数: 3
用户头像

官方公众号:vivo互联网技术,ID:vivoVMIC 2020-07-10 加入

分享 vivo 互联网技术干货与沙龙活动,推荐最新行业动态与热门会议。

评论

发布
暂无评论
Kafka实时数据即席查询应用与实践_kafka_vivo互联网技术_InfoQ写作社区