Kafka實時資料即席查詢應用與實踐
作者：vivo 網際網路搜尋團隊- Deng Jie
Kafka中的實時資料是以Topic的概念進行分類儲存，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歷史歸檔，在排查問題時，沒有紀錄檔追述，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的概念進行分類儲存，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歷史歸檔，在排查問題時，沒有紀錄檔追述，會很難定位是哪個環節的問題。因此，我們需要對處理的這些實時資料進行記錄歸檔並儲存。
二、內容
2.1 案例分析
這裡以i視訊和vivo短視訊實時資料為例，之前存在這樣的共同作業問題：
資料上游內容方提供實時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，傳送給下游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傳送過去的Case，前期由於沒有對資料做儲存，在定位問題的時候會比較麻煩，經常需求檢視實時紀錄檔，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，我們可以將實時Topic中的資料，在傳送給其他Topic的時候，新增跟蹤機制，進行資料分流，Sink到儲存媒介（比如HDFS、Hive等）。這裡，我們選擇使用Hive來進行儲存，主要是查詢方便，支援SQL來快速查詢。如下圖所示：
在實現優化後的方案時，有兩種方式可以實現跟蹤機制，它們分別是Flink SQL寫Hive、Flink DataStream寫Hive。接下來，分別對這兩種實現方案進行介紹和實踐。
2.2 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，將消費後的資料進行分流跟蹤，作為紀錄檔記錄寫入到Hive表中，具體實現步驟如下：
-
構造Hive Catalog；
-
建立Hive表；
-
寫入實時資料到Hive表。
2.2.1 構造Hive Catalog
在構造Hive Catalog時，需要初始化Hive的相關資訊，部分程式碼片段如下所示：
// 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 組態檔路徑地址
String hiveConfDir = "/appcom/hive/conf";
// Hive 版本號
String version = "3.1.2";
// 範例化一個 HiveCatalog 物件
HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
// 註冊HiveCatalog
tEnv.registerCatalog(name, hive);
// 設定當前 HiveCatalog
tEnv.useCatalog(name);
// 設定執行SQL為Hive
tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
// 使用資料庫
tEnv.useDatabase("db1");在以上程式碼中，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，並將其註冊到表環境中。
2.2.2 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見表語句程式碼如下所示：
-- 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執行時會找到表。這裡，我們設定了auto-compaction屬性為true，用來使小檔案自動合併，1.12版的新特性，解決了實時寫Hive產生的小檔案問題。同時，指定metastore值是專門用於寫入Hive的，也需要指定success-file值，這樣CheckPoint觸發完資料寫入磁碟後會建立_SUCCESS檔案以及Hive metastore上建立後設資料，這樣Hive才能夠對這些寫入的資料可查。
2.2.3 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，具體實現程式碼片段如下所示：
// 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();將消費後的資料進行分類，編寫業務SQL語句，將消費的資料作為紀錄檔記錄，傳送到Hive表進行儲存，這樣Kafka中的實時資料就儲存到Hive了，方便使用Hive來對Kafka資料進行即席分析。
2.2.4 避坑技巧
使用這種方式在處理的過程中，如果設定使用的是EventTime，在程式中設定'sink.partition-commit.trigger'='partition-time'，最後會出現無法提交分割區的情況。經過對原始碼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，部分原始碼片段如下：
// PartitionTimeCommitTigger原始碼函數程式碼片段
@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();
// 通過分割區的值來獲取分割區的時間
LocalDateTime partTime = extractor.extract(
partitionKeys, extractPartitionValues(new Path(partition)));
// 判斷水印是否大於分割區建立時間+延遲時間
if (watermark > toMills(partTime) + commitDelay) {
needCommit.add(partition);
iter.remove();
}
}
return needCommit;
}通過分析上述程式碼片段，我們可以知道系統通過分割區值來抽取相應的分割區來建立時間，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/ 這個分割區下寫資料，那麼程式根據分割區值，得到的 pattern 將會是2022-02-26 18:20:00，這個值在SQL中是根據 DATA_FORMAT 函數獲取的。
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，換成標準 UTC 時間是減去8個小時，也就是2022-02-26 10:20:00，而在原始碼中的 toMills 函數在處理這個東八區的時間時，並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，導致一直沒有觸發分割區的提交。
如果我們在資料來源中構造的分割區是 UTC 時間，也就是不帶分割區的時間，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，比如對於分割區2022-02-26 18:20:00，我希望我的分割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現方案，比如自定義一個分割區類、或者修改預設的時間分割區類。比如，我們使用TimeZoneTableFunction類來實現一個自定義時區，部分參考程式碼片段如下：
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 物件
formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:00");
formatter = formatter.withZone(ZoneId.of(timeZoneId));
}
@Override
public void eval(Long timestamp, Collector<TimestampWithTimeZone> out) {
// 將時間戳轉換為 LocalDateTime 物件
LocalDateTime localDateTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneOffset.UTC);
// 將 LocalDateTime 物件轉換為指定時區下的 LocalDateTime 物件
LocalDateTime targetDateTime = localDateTime.atZone(ZoneId.of(timeZoneId)).toLocalDateTime();
// 將 LocalDateTime 物件轉換為 TimestampWithTimeZone 物件，並輸出到下游
out.collect(TimestampWithTimeZone.fromLocalDateTime(targetDateTime, ZoneId.of(timeZoneId)));
}
}2.3 方案二：Flink DataStream寫Hive
在一些特殊的場景下，Flink SQL如果無法實現我們複雜的業務需求，那麼我們可以考慮使用Flink DataStream寫Hive這種實現方案。比如如下業務場景，現在需要實現這樣一個業務需求，內容方將實時資料寫入到Kafka訊息佇列中，然後由資料側通過Flink任務消費內容方提供的資料來源，接著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），每分鐘進行儲存到HDFS（MapReduce任務需要計算和重跑HDFS資料），然後通過MapReduce任務將HDFS上的這些紀錄檔資料生成Hive所需要格式，最後將這些Hive格式資料檔案載入到Hive表中。實現Kafka資料到Hive的即席分析功能，具體實現流程細節如下圖所示：
具體核心實現步驟如下：
-
消費內容方Topic實時資料；
-
生成資料預處理策略；
-
載入資料；
-
使用Hive SQL對Kafka資料進行即席分析。
2.3.1 消費內容方Topic實時資料
編寫消費Topic的Flink程式碼，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，直接消費並儲存到HDFS上。具體實現程式碼如下所示：
public class Kafka2Hdfs {
public static void main(String[] args) {
// 判斷引數是否有效
if (args.length != 3) {
LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist.");
return;
}
// 初始化Kafka連線地址和HDFS儲存地址以及Flink並行度
String bootStrapServer = args[0];
String hdfsPath = args[1];
int parallelism = Integer.parseInt(args[2]);
// 範例化一個Flink任務物件
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)));
// 範例化一個HDFS儲存物件
BucketingSink<String> sink = new BucketingSink<>(hdfsPath);
// 自定義儲存到HDFS上的檔名，用小時和分鐘來命名，方便後面算策略
sink.setBucketer(new DateTimeBucketer<String>("HH-mm"));
// 設定儲存HDFS的檔案大小和儲存檔案時間頻率
sink.setBatchSize(1024 * 1024 * 4);
sink.setBatchRolloverInterval(1000 * 30);
transction.addSink(sink);
env.execute("Kafka2Hdfs");
}
// 初始化Kafka物件連線資訊
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，邏輯並不複雜，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實現程式碼如下所示：
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()));
}
}2.3.2 生成資料預處理策略
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，那麼我們需要將當天的13:55，13:56，13:57，13:58，13:59這最近5分鐘的資料處理到一起，並載入到Hive的最近5分鐘的一個分割區裡面去。那麼，我們需要生成這樣一個邏輯策略集合，用HH-mm作為key，與之最近的5個檔案作為value，進行資料預處理合並。具體實現程式碼步驟如下：
-
步驟一：獲取小時迴圈策略；
-
步驟二：獲取分鐘迴圈策略；
-
步驟三：判斷是否為5分鐘的倍數；
-
步驟四：對分鐘級別小於10的數位做0補齊（比如9補齊後變成09）；
-
步驟五：對小時級別小於10的數位做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，並輸出結果。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，將生成的時間範圍輸出即可。
根據上述步驟編寫對應的實現程式碼，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。
2.3.3 載入資料
在完成2.3.1和2.3.2裡面的內容後，接下來，我們可以使用Hive的load命令直接載入HDFS上預處理後的檔案，把資料載入到對應的Hive表中，具體實現命令如下：
-- 載入資料到Hive表
load data inpath '<hdfs_path_hfile>' overwrite into table xxx.table partition(day='2022-02-26',hour='14',min='05')2.3.4 即席分析
之後，我們使用Hive SQL來對Kafka資料進行即席分析，範例SQL如下所示：
-- 查詢某5分鐘分割區資料
select * from xxx.table where day='2022-02-26' and hour='14' and min='05'2.4 Flink SQL與 Flink DataStream如何選擇
Flink SQL 和 Flink DataStream 都是 Flink 中用於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 是一種基於 SQL 語言的資料處理引擎，它可以將 SQL 查詢語句轉換為 Flink 的資料流處理程式。相比於 Flink DataStream，Flink SQL 更加易於使用和維護，同時具有更快的開發速度和更高的程式碼複用性。Flink SQL 適用於需要快速開發和部署資料處理任務的場景，比如資料倉儲、實時報表、資料淨化等。
Flink DataStream API是Flink資料流處理標準API，SQL是Flink後期版本提供的新的資料處理操作介面。SQL的引入為提高了Flink使用的靈活性。可以認為Flink SQL是一種通過字串來定義資料流處理邏輯的描述語言。
因此，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客製化化的資料處理操作，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於多種場景，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：
-
資料質量：Kafka實時資料即席查詢需要保證資料質量，避免資料重複、丟失或錯誤等問題，需要進行資料質量監控和調優。
-
系統複雜性：Kafka實時資料即席查詢需要涉及到多個系統和元件，包括Kafka、資料處理引擎（比如Flink）、查詢引擎（比如Hive）等，需要對系統進行設定和管理，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的許可權管控。
-
效能優化：Kafka實時資料即席查詢需要對系統進行效能優化，包括優化資料處理引擎、查詢引擎等，提高系統的效能和效率。
參考：