Kafka中的實時資料是以Topic的概念進行分類存儲,而Topic的資料是有一定時效性的,比如儲存24小時、36小時、48小時等。而在定位一些實時資料的Case時,如果沒有對實時資料進行曆史歸檔,在排查問題時,沒有日志追述,會很難定位是哪個環節的問題。
一、背景
Kafka中的實時資料是以Topic的概念進行分類存儲,而Topic的資料是有一定時效性的,比如儲存24小時、36小時、48小時等。而在定位一些實時資料的Case時,如果沒有對實時資料進行曆史歸檔,在排查問題時,沒有日志追述,會很難定位是哪個環節的問題。是以,我們需要對處理的這些實時資料進行記錄歸檔并存儲。
二、内容
1.案例分析
這裡以i視訊和vivo短視訊實時資料為例,之前存在這樣的協作問題:
資料上遊内容方提供實時Topic(存放i視訊和vivo短視訊相關實時資料),資料側對實時資料進行邏輯處理後,發送給下遊工程去建庫實時索引,當任務執行一段時間後,工程側建索引偶爾會提出資料沒有發送過去的Case,前期由于沒有對資料做存儲,在定位問題的時候會比較麻煩,經常需求檢視實時日志,需要花費很長的時間來分析這些Case是出現在哪個環節。
為了解決這個問題,我們可以将實時Topic中的資料,在發送給其他Topic的時候,添加跟蹤機制,進行資料分流,Sink到存儲媒體(比如HDFS、Hive等)。這裡,我們選擇使用Hive來進行存儲,主要是查詢友善,支援SQL來快速查詢。如下圖所示:
在實作優化後的方案時,有兩種方式可以實作跟蹤機制,它們分别是Flink SQL寫Hive、Flink DataStream寫Hive。接下來,分别對這兩種實作方案進行介紹和實踐。
方案一:Flink SQL寫Hive
這種方式比較直接,可以在Flink任務裡面直接操作實時Topic資料後,将消費後的資料進行分流跟蹤,作為日志記錄寫入到Hive表中,具體實作步驟如下:
- 構造Hive Catalog;
- 建立Hive表;
- 寫入實時資料到Hive表。
1)構造Hive Catalog
在構造Hive Catalog時,需要初始化Hive的相關資訊,部分代碼片段如下所示:
// 設定執行環境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().build();
StreamTableEnvironment tEnv = StreamTableEnvironment.create(env,settings);
// 構造 Hive Catalog 名稱
String name = "video-hive-catalog";
// 初始化資料庫名
String defaultDatabase = "comsearch";
// Hive 配置檔案路徑位址
String hiveConfDir = "/appcom/hive/conf";
// Hive 版本号
String version = "3.1.2";
// 執行個體化一個 HiveCatalog 對象
HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
// 注冊HiveCatalog
tEnv.registerCatalog(name, hive);
// 設定目前 HiveCatalog
tEnv.useCatalog(name);
// 設定執行SQL為Hive
tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
// 使用資料庫
tEnv.useDatabase("db1");
在以上代碼中,我們首先設定了 Flink 的執行環境和表環境,然後建立了一個 HiveCatalog,并将其注冊到表環境中。
2)建立Hive表
如果Hive表不存在,可以通過在程式中執行建表語句,具體SQL見表語句代碼如下所示:
-- 建立表語句
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 ORC
TBLPROPERTIES (
'auto-compaction'='true',
'sink.partition-commit.policy.kind'='metastore,success-file',
'partition.time-extractor.timestamp-pattern'='$dt $h:$m:00'
)")
在建立Hive表時我們使用了IF NOT EXISTS關鍵字,如果Hive中該表不存在會自動在Hive上建立,也可以提前在Hive中建立好該表,Flink SQL中就無需再執行建表SQL,因為用了Hive的Catalog,Flink SQL運作時會找到表。這裡,我們設定了auto-compaction屬性為true,用來使小檔案自動合并,1.12版的新特性,解決了實時寫Hive産生的小檔案問題。同時,指定metastore值是專門用于寫入Hive的,也需要指定success-file值,這樣CheckPoint觸發完資料寫入磁盤後會建立_SUCCESS檔案以及Hive metastore上建立中繼資料,這樣Hive才能夠對這些寫入的資料可查。
3)寫入實時資料到Hive表
在準備完成2.2.1和2.2.2中的步驟後,接下來就可以在Flink任務中通過SQL來對實時資料進行操作了,具體實作代碼片段如下所示:
// 編寫業務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";
// 執行 Hive SQL
tEnv.executeSql(insertSql);
// 執行任務
env.execute();
将消費後的資料進行分類,編寫業務SQL語句,将消費的資料作為日志記錄,發送到Hive表進行存儲,這樣Kafka中的實時資料就存儲到Hive了,友善使用Hive來對Kafka資料進行即席分析。
4)避坑技巧
使用這種方式在處理的過程中,如果配置使用的是EventTime,在程式中配置'sink.partition-commit.trigger'='partition-time',最後會出現無法送出分區的情況。經過對源代碼PartitionTimeCommitTigger的分析,找到了出現這種異常情況的原因。
我們可以通過看
org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitionsorg.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions
中的一個函數,來說明具體的問題,部分源代碼片段如下:
// PartitionTimeCommitTigger源代碼函數代碼片段
@Override
public 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();
// 通過分區的值來擷取分區的時間
LocalDateTime partTime = extractor.extract(
partitionKeys, extractPartitionValues(new Path(partition)));
// 判斷水印是否大于分區建立時間+延遲時間
if (watermark > toMills(partTime) + commitDelay) {
needCommit.add(partition);
iter.remove();
}
}
return needCommit;
}
通過分析上述代碼片段,我們可以知道系統通過分區值來抽取相應的分區來建立時間,然後進行比對,比如我們設定的時間 pattern 是 '$dt $h:$m:00' , 某一時刻我們正在往 /2022-02-26/18/20/ 這個分區下寫資料,那麼程式根據分區值,得到的 pattern 将會是2022-02-26 18:20:00,這個值在SQL中是根據 DATA_FORMAT 函數擷取的。
而這個值是帶有時區的,比如我們的時區設定為東八區,2022-02-26 18:20:00這個時間是東八區的時間,換成标準 UTC 時間是減去8個小時,也就是2022-02-26 10:20:00,而在源代碼中的 toMills 函數在處理這個東八區的時間時,并沒有對時區進行處理,把這個其實應該是東八區的時間當做了 UTC 時間來處理,這樣計算出來的值就比實際值大8小時,導緻一直沒有觸發分區的送出。
如果我們在資料源中構造的分區是 UTC 時間,也就是不帶分區的時間,那麼這個邏輯就是沒有問題的,但是這樣又不符合我們的實際情況,比如對于分區2022-02-26 18:20:00,我希望我的分區肯定是東八區的時間,而不是比東八區小8個小時的UTC時間2022-02-26 10:20:00。
在明白了原因之後,我們就可以針對上述異常情況進行優化我們的實作方案,比如自定義一個分區類、或者修改預設的時間分區類。比如,我們使用TimeZoneTableFunction類來實作一個自定義時區,部分參考代碼片段如下:
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 對象
formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:00");
formatter = formatter.withZone(ZoneId.of(timeZoneId));
}
@Override
public void eval(Long timestamp, Collector<TimestampWithTimeZone> out) {
// 将時間戳轉換為 LocalDateTime 對象
LocalDateTime localDateTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneOffset.UTC);
// 将 LocalDateTime 對象轉換為指定時區下的 LocalDateTime 對象
LocalDateTime targetDateTime = localDateTime.atZone(ZoneId.of(timeZoneId)).toLocalDateTime();
// 将 LocalDateTime 對象轉換為 TimestampWithTimeZone 對象,并輸出到下遊
out.collect(TimestampWithTimeZone.fromLocalDateTime(targetDateTime, ZoneId.of(timeZoneId)));
}
}
方案二:Flink DataStream寫Hive
在一些特殊的場景下,Flink SQL如果無法實作我們複雜的業務需求,那麼我們可以考慮使用Flink DataStream寫Hive這種實作方案。比如如下業務場景,現在需要實作這樣一個業務需求,内容方将實時資料寫入到Kafka消息隊列中,然後由資料側通過Flink任務消費内容方提供的資料源,接着對消費的資料進行分流處理(這裡的步驟和Flink SQL寫Hive的步驟類似),每分鐘進行存儲到HDFS(MapReduce任務需要計算和重跑HDFS資料),然後通過MapReduce任務将HDFS上的這些日志資料生成Hive所需要格式,最後将這些Hive格式資料檔案加載到Hive表中。實作Kafka資料到Hive的即席分析功能,具體實作流程細節如下圖所示:
具體核心實作步驟如下:
- 消費内容方Topic實時資料;
- 生成資料預處理政策;
- 加載資料;
- 使用Hive SQL對Kafka資料進行即席分析。
1)消費内容方Topic實時資料
編寫消費Topic的Flink代碼,這裡不對Topic中的資料做邏輯處理,在後面統一交給MapReduce來做資料預處理,直接消費并存儲到HDFS上。具體實作代碼如下所示:
public class Kafka2Hdfs {
public static void main(String[] args) {
// 判斷參數是否有效
if (args.length != 3) {
LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist.");
return;
}
// 初始化Kafka連接配接位址和HDFS存儲位址以及Flink并行度
String bootStrapServer = args[0];
String hdfsPath = args[1];
int parallelism = Integer.parseInt(args[2]);
// 執行個體化一個Flink任務對象
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.enableCheckpointing(5000);
env.setParallelism(parallelism);
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
// Flink消費Topic中的資料
DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_topic", new SimpleStringSchema(), configByKafkaServer(bootStrapServer)));
// 執行個體化一個HDFS存儲對象
BucketingSink<String> sink = new BucketingSink<>(hdfsPath);
// 自定義存儲到HDFS上的檔案名,用小時和分鐘來命名,友善後面算政策
sink.setBucketer(new DateTimeBucketer<String>("HH-mm"));
// 設定存儲HDFS的檔案大小和存儲檔案時間頻率
sink.setBatchSize(1024 * 1024 * 4);
sink.setBatchRolloverInterval(1000 * 30);
transction.addSink(sink);
env.execute("Kafka2Hdfs");
}
// 初始化Kafka對象連接配接資訊
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;
}
}
注意事項:
- 這裡我們把時間視窗設定小一些,每30s做一次Checkpoint,如果該批次的時間視窗沒有資料過來,就生成一個檔案落地到HDFS上;
- 另外,我們重寫了Bucketer為DateTimeBucketer,邏輯并不複雜,在原有的方法上加一個年-月-日/時-分的檔案生成路徑,例如在HDFS上的生成路徑:xxxx/2022-02-26/00-00。
具體DateTimeBucketer實作代碼如下所示:
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()));
}
}
2)生成資料預處理政策
這裡,我們需要對落地到HDFS上的檔案進行預處理,處理的邏輯是這樣的。比如,現在是2022-02-26 14:00,那麼我們需要将當天的13:55,13:56,13:57,13:58,13:59這最近5分鐘的資料處理到一起,并加載到Hive的最近5分鐘的一個分區裡面去。那麼,我們需要生成這樣一個邏輯政策集合,用HH-mm作為key,與之最近的5個檔案作為value,進行資料預處理合并。具體實作代碼步驟如下:
- 步驟一:擷取小時循環政策;
- 步驟二:擷取分鐘循環政策;
- 步驟三:判斷是否為5分鐘的倍數;
- 步驟四:對分鐘級别小于10的數字做0補齊(比如9補齊後變成09);
- 步驟五:對小時級别小于10的數字做0補齊(比如1補齊後變成01);
- 步驟六:生成時間範圍;
- 步驟七:輸出結果。
其中,主要的邏輯是在生成時間範圍的過程中,根據小時和分鐘數的不同情況,生成不同的時間範圍,并輸出結果。在生成時間範圍時,需要注意前導0的處理,以及特殊情況(如小時為0、分鐘為0等)的處理。最後,将生成的時間範圍輸出即可。
根據上述步驟編寫對應的實作代碼,生成當天所有日期命名規則,預覽部分結果如下:
需要注意的是,如果發生了第二天00:00,那麼我們需要用到前一天的00-00=>23-59,23-58,23-57,23-56,23-55這5個檔案中的資料來做預處理。
3)加載資料
在完成2.3.1和2.3.2裡面的内容後,接下來,我們可以使用Hive的load指令直接加載HDFS上預處理後的檔案,把資料加載到對應的Hive表中,具體實作指令如下:
-- 加載資料到Hive表
load data inpath '<hdfs_path_hfile>' overwrite into table xxx.table partition(day='2022-02-26',hour='14',min='05')
4)即席分析
之後,我們使用Hive SQL來對Kafka資料進行即席分析,示例SQL如下所示:
-- 查詢某5分鐘分區資料
select * from xxx.table where day='2022-02-26' and hour='14' and min='05'
Flink SQL與 Flink DataStream如何選擇
Flink SQL 和 Flink DataStream 都是 Flink 中用于處理資料的核心元件,我們可以根據自己實際的業務場景來選擇使用哪一種元件。
Flink SQL 是一種基于 SQL 語言的資料處理引擎,它可以将 SQL 查詢語句轉換為 Flink 的資料流處理程式。相比于 Flink DataStream,Flink SQL 更加易于使用和維護,同時具有更快的開發速度和更高的代碼複用性。Flink SQL 适用于需要快速開發和部署資料處理任務的場景,比如資料倉庫、實時報表、資料清洗等。
Flink DataStream API是Flink資料流處理标準API,SQL是Flink後期版本提供的新的資料處理操作接口。SQL的引入為提高了Flink使用的靈活性。可以認為Flink SQL是一種通過字元串來定義資料流處理邏輯的描述語言。
是以,在選擇 Flink SQL 和 Flink DataStream 時,需要根據具體的業務需求和資料處理任務的特點來進行選擇。如果需要快速開發和部署任務,可以選擇使用 Flink SQL;如果需要進行更為深入和定制化的資料處理操作,可以選擇使用 Flink DataStream。同時,也可以根據實際情況,結合使用 Flink SQL 和 Flink DataStream 來完成複雜的資料處理任務。
三、 總結
在實際應用中,Kafka實時資料即席查詢可以用于多種場景,如實時監控、實時報警、實時統計、實時分析等。具體應用和實踐中,需要注意以下幾點:
- 資料品質:Kafka實時資料即席查詢需要保證資料品質,避免資料重複、丢失或錯誤等問題,需要進行資料品質監控和調優。
- 系統複雜性:Kafka實時資料即席查詢需要涉及到多個系統群組件,包括Kafka、資料處理引擎(比如Flink)、查詢引擎(比如Hive)等,需要對系統進行配置和管理,增加了系統的複雜性。
- 安全性:Kafka實時資料即席查詢需要加強資料安全性保障,避免資料洩露或資料篡改等安全問題,做好Hive的權限管控。
- 性能優化:Kafka實時資料即席查詢需要對系統進行性能優化,包括優化資料處理引擎、查詢引擎等,提高系統的性能和效率。
>>>>參考資料
- https://github.com/apache/flink
- https://flink.apache.org/
作者丨vivo 網際網路搜尋團隊-Deng Jie
來源丨公衆号:vivo網際網路技術(ID:vivoVMIC)
dbaplus社群歡迎廣大技術人員投稿,投稿郵箱:[email protected]
關于我們
dbaplus社群是圍繞Database、BigData、AIOps的企業級專業社群。資深大咖、技術幹貨,每天精品原創文章推送,每周線上技術分享,每月線下技術沙龍,每季度Gdevops&DAMS行業大會。
關注公衆号【dbaplus社群】,擷取更多原創技術文章和精選工具下載下傳