精彩联动！OpenMLDB Pulsar Connector 原理和实操

2022 年 4 月 21 日
本文字数：2941 字
阅读完需：约 10 分钟

人工智能工程化落地的关键点之一，在于解决真实业务场景的实时批量预估和实时模型更新问题。更好更快的将线上实时数据转化为 AI 可用的特征，将加速 AI 应用落地的效率及效果。为此，OpenMLDB 和 Apache Pulsar 合作推出 OpenMLDB Pulsar Connector，实现稳定的流式集成，为高效打通实时数据到特征工程提供一条值得期待的清晰路径。

关于 OpenMLDB

OpenMLDB 是一个开源机器学习数据库，致力于闭环解决 AI 工程化落地的数据治理难题。自 2021 年 6 月开源以来，OpenMLDB 优先开源了特征数据治理能力，依托 SQL 的开发能力，为企业提供全栈功能的、低门槛特征数据计算和管理平台。

OpenMLDB 包含 Feature Store 的全部功能，并且提供更为完整的 FeatureOps 全栈方案。除了提供特征存储功能，还具有基于 SQL 的低门槛数据库开发体验、面向特征计算优化的 OpenMLDB Spark 发行版，针对实时特征计算优化的索引结构，特征上线服务、企业级运维和管理等功能，让特征工程开发回归于本质——专注于高质量的特征计算脚本开发，不再被工程化效率落地所羁绊。

关于 Apache Pulsar

Apache Pulsar 是下一代云原生消息流平台，在 2018 年 9 月毕业成为 Apache 软件基金会顶级项目。从 2012 年诞生时，Apache Pulsar 就前瞻性地采用了存储计算分离、分层分片的云原生架构，极大减轻用户在消息系统中遇到的扩展和运维困难。

Pulsar 通过特别的设计和抽象，统一地支持 Stream 和 Queue 两种消息消费模式，保持了 Stream 模式的高性能和 Queue 模式的灵活性。Pulsar 在保证大数据消息系统的性能和吞吐量的同时，提供了更多企业级的 Feature，包括方便的运维和扩展、灵活的消息模型、多语言 API、多租户、异地多备、数据的强持久性一致性等等，解决了现有开源消息系统的很多不足之处。同时，这种设计对容器非常友好，使得 Pulsar 成为流原生平台的理想选择。

OpenMLDB-Pulsar Connector

【Connector 概述】

定位

OpenMLDB Pulsar Connector，高效打通实时数据到特征工程，大幅提升数据使用效率、助力开发者构建实时数据管道、使企业更专注和更高效的探索数据的商业价值。在 Pulsar in OpenMLDB 的工作流中，Connector（位置如下图所示）帮助开发者轻松地将消息系统 Pulsar 与开源机器学习数据库 OpenMLDB 结合使用，面向机器学习发挥出 Pulsar 最强大的实时价值。

2、功能

Pulsar 可以使用 connector 来连接其他系统。Source connector 可以使其他系统的数据流入 Pulsar，sink connector 可以将消息流出至其他系统。
可以通过 Connector Admin CLI 并结合 sources 和 sinks 子命令来管理 Pulsar connector（例如，创建、更新、启动、停止、重启、重载、删除以及其他操作）。
JDBC OpenMLDB Connector 支持了 sink 功能，使 Pulsar 消息可以写入到 OpenMLDB 在线存储中。

3、优势为了使 OpenMLDB 与 Pulsar 拥有稳定的流式集成，OpenMLDB connector 具备诸多优势，包括但不限于：

易上手。无需编写任何代码，只需进行简单配置，便可通过 OpenMLDB Pulsar Connector 将 Pulsar 的消息流入 OpenMLDB 。简化的数据导入过程能大幅提升企业的数据使用效率。
易扩展。根据不同的业务需求，可以选择在单机或集群上运行 OpenMLDB Pulsar Connector，助力企业构建实时数据管道。
可持续。OpenMLDB Pulsar Connector 简单的安装和部署过程，使企业能更专注和更高效地探索数据的商业价值。

4、Connector 下载地址

OpenMLDB Pulsar：

Connectorhttps://github.com/4paradigm/OpenMLDB/releases/download/v0.4.4/pulsar-io-jdbc-openmldb-2.11.0-SNAPSHOT.nar

【Connector 演示】

1、流程介绍

创建 connector 前需要启动 OpenMLDB 集群，并创建表。
创建 Pulsar standalone，创建 sink，sink 配置中使用 OpenMLDB 集群的 JDBC 地址。并且，创建用于解析消息的 schema。
向 Pulsar 发送消息，来测试消息是否能自动写入到 OpenMLDB。

2、关键步骤

以下仅列出使用此 connector 的关键步骤，详细说明文档请参考 Pulsar OpenMLDB Connector 使用

步骤 1 | 启动 OpenMLDB 并创建表使用 docker 或本地启动 OpenMLDB 集群，并创建表，作为 connector 导入的地址。如图所示，在 pulsar_test 数据库中，创建了 schema 和taxi trip demo 一致的表 connector_test。

步骤 2 | 启动 Pulsar，创建 sink 和 schema 启动 Pulsar Standalone 成功后，即可使用 connector 创建一个 sink，connector 如果预先装载进入 Pulsar，可以使用"jdbc-openmldb"的 sink type，或是使用"archive"指定 connector nar 文件路径。演示中使用后者来创建。创建 sink 的配置中还需指定 OpenMLDB 的表地址，所以配置情况如下：

由于 OpenMLDB 表数据是有 schema 的，所以还需要在 pulsar 中为"test_openmldb"配置好 schema，才可以顺利将消息解析为符合 O penMLDB schema 的数据并插入。我们为"test_openmldb"配置 JSON Schema，各列和 OpenMLDB 的列属性一致。配置文件如下：

sink 和 schema 均创建完成后，只要向 topic "test_openmldb"（sink 配置图的"inputs"配置项）发送消息，就会自动写入到 OpenMLDB 集群。

步骤 3 | 测试前两步完成后，就可以进行测试了。测试用 Producer 关键代码如下：

我们用 Producer 程序向 Pulsar 写入两条 JSON Messages。然后，我们可以在 OpenMLDB 在线存储中查询到这两条数据。这说明了，connector 运行正常，可以将流入 Pulsar 的消息自动 sink 到 OpenMLDB 在线存储中。

写在最后

OpenMLDB 上下游生态体系

为更好降低开发者使用 OpenMLDB 的门槛，OpenMLDB 社区将持续打造面向上下游技术组件的生态圈，为开发者提供更多简单易用的生态 Connector（如下图所示）：

面向线上数据生态，如 Kafka，Flink，RabbitMQ，RocketMQ 等
面向离线数据生态，如 HDFS，HBase，Cassandra，S3 等
面向模型构建的算法、框架，如 XGBoost，LightGBM，TensorFlow，PyTorch，Scikit Learn 等
面向机器学习建模全流程的调度框架、部署工具，如 Airflow，Kubeflow，DolphinScheduler，Prometheus，Grafana 等

OpenMLDB Roadmap

v0.5.0

OpenMLDB 社区将于 4 月底发布 v0.5.0 版本（[DEV] OpenMLDB v0.5 Roadmap · Issue #1506 · 4paradigm/OpenMLDB · GitHub ），届时 OpenMLDB 将具备新特性如下：

窗口预聚合技术，指数级提升长窗口聚合性能
完善的监控, trace, 和 profiling 能力，在企业级应用环境中大幅提升稳定性、可观测性、和可分析性
线上存储引擎可插拔以适配不同业务需求，既可以支持基于内存的高性能存储引擎，也可以支持基于外存的大容量低成本存储引擎，还可以支持基于持久内存的存储引擎以在性能和成本间保持平衡
用户自定义函数（UDF）支持，大幅提升易用性和适用性
上下游数据源生态整合，提供线上数据源的 Kafka, Pulsar connectors

AI 的进步需要付出多方面的努力，而开放式协作是其中的关键环节，我们期待来自开发者的贡献。欢迎大家加入 OpenMLDB 社区，扫描下方二维码可加入社区技术交流微信群。

或可官网社区板块最下方找到入群通道 https://openmldb.ai/community/

创作场景