Druid使用Kafka Indexing Service方式push数据以及实时节点pull数据步骤

xiaoxiao2021-02-28  92

2018年05月27日 13:44:07 阅读数:77

  Druid中从kafka摄入数据,存在两种方式,一种是pull,需要依赖实时节点,一种是push,需要依赖Kafka Indexing Service(kafka索引服务)

     注:0.9.1.1版本前使用Tranquility-Kafka组件接入实时数据,由于存在时间窗口,即在时间窗口内的数据会被提交给Firehose,时间窗口外的数据则会被丢弃;如果Tranquility-Kafka临时下线,会导致Kafka中数据“过期”从而被丢弃,无法保证数据完整性,同时这种“copy service”的使用模式不仅占用大量CPU与内存,又不满足原子操作,所以在0.9.1.1版本后,建议使用Druid的新特性Kafka Indexing Service,Druid内部使用Kafka高级Consumer API保证exactly-once semantics,尽最大可能保证数据完整性。

     步骤一:下载Kafka Indexing Service扩展,将扩张加入到druid目录下的extensions目录下。

     步骤二:将扩展绑定在middlemanager以及overlord上,在开发中,实际配置方案为直接配置/opt/druid/conf/druid/_common/common.runtime.properties,在druid.extensions.loadList中加入Kafka Indexing Service,如图:

                   ,如果不进行配置,无法使用kafka索引服务

     步骤三:在druid目录下的var目录下新建tmp目录作为java.io.tmpdir(jvm.config配置文件)目录。如果目录不存在。Druid报错

     步骤四:编写Json配置文件:示例如下

{ "type": "kafka", "dataSchema": { "dataSource": "kafka3", //Druid中的表名 "parser": { "type": "string", "parseSpec": { "format": "json", "timestampSpec": { //时间戳列 "column": "timestamp", "format": "auto" }, "dimensionsSpec": { //维度列 "dimensions": [ "timestamp", "from"], "dimensionExclusions": [] } } }, "metricsSpec": [ //指标列 { "name": "count", "type": "count" }, { "name": "PVSum", "fieldName": "PVSum", "type": "longSum" }, { "name": "UVSum", "fieldName": "UVSum", "type": "longSum" } ], "granularitySpec": { //查询维度 "type": "uniform", "segmentGranularity": "DAY", "queryGranularity": "NONE" } }, "tuningConfig": { //优化型配置 "type": "kafka", "maxRowsPerSegment": 75000, "workerThreads": 2 }, "ioConfig": { //指明数据来源 "topic": "zhangzl", "consumerProperties": { "bootstrap.servers": "ip1:9092,ip2:9092,ip3:9092" }, "useEarliestOffset": true, "taskCount": 1, "replicas": 1, "taskDuration": "PT1M" } }

 步骤五: 确认workerThreads配置为(taskCount * replicas +1);

 步骤六:调整配置项useEarliestOffset为true,否则druid只会读取最新数据,不会从beginning开始读取数据。

实时节点使用步骤:

注:使用tranquility为0.8.2版本,在使用过程中尝试使用0.8.0版本以及0.8.1版本均为成功,具体原因不明,下载地址:http://static.druid.io/tranquility/releases/tranquility-distribution-0.8.2.tgz

步骤一:将下载好的tranquility-distribution-0.8.2.tgz解压后的目录移动到Druid的home目录下。

步骤二:编辑配置文件,示例如下:

{ "dataSources": [{ "spec": { "dataSchema": { "parser": { "type": "string", "parseSpec": { "timestampSpec": { //时间戳列,必须指定,实时节点根据该列对时间窗口进行判断 "column": "timestamp", "format": "auto" }, "dimensionsSpec": { //维度列 "dimensions": [ "timestamp", "from"], "dimensionExclusions": [] }, "format": "json" } }, "dataSource": "twitter", //Druid中的表名 "granularitySpec": { "type": "uniform", "segmentGranularity": "DAY", "queryGranularity": "NONE" }, "metricsSpec": [{ //指标列 "name": "count", "type": "count" }, { "name": "PVSum", "fieldName": "PVSum", "type": "longSum" }, { "name": "UVSum", "fieldName": "UVSum", "type": "longSum" } ] }, "tuningConfig": { "type": "realtime", "maxRowsInMemory": "75000", //内存中存储的最大数据量,超过该数据量之后会刷新到Druid中 "intermediatePersistPeriod": "PT1M", //时间窗口 "windowPeriod": "PT10M" //延时窗口,超过时间窗口后的数据,如果还在延时窗口中,则还会被处理,超过延时窗口的数据会被丢弃 } }, "properties": { "task.partitions": "2", "task.replicants": "2", "topicPattern": "twitter" //kafka topic } }], "properties": { "zookeeper.connect": "ip1:2181,ip2:2181,ip3:2181", //druid zk "zookeeper.timeout": "PT20S", "druid.selectors.indexing.serviceName": "druid/overlord", "druid.discovery.curator.path": "/druid/discovery", "kafka.zookeeper.connect": "ip1:2182,ip2:2182,ip3:2182", //kafka zk "kafka.group.id": "tranquility-kafka", "consumer.numThreads": "2", "commit.periodMillis": "15000", "reportDropsAsExceptions": "false" } }

步骤三:进入到目录下使用如下命令:bin/tranquility kafka -configFile <配置文件路径>进行启动

步骤四:使用kafka生产消息,注:时间戳列采用yyyy-MM-ddTHH:mm:ssZ格式,否则数据无法解析,应该可以配置,但未找到配置点。

索引服务与实时节点比较

在Druid重启时,索引服务不会丢数据,但是对于实时节点,如果重启太慢,数据超过了时间窗口以及延时窗口,这部分数据会被丢弃。

索引服务实际是在指定时间内处理数据,然后将数据积压,可以配置提交时间,到达提交时间时进行提交。

索引服务在Druid重启后,不会重读消费过的数据,也就是offset不会从begining开始,数据不会重叠。

索引服务出现在tranquility服务之后,实际是对实时节点的一个补充,但是索引服务只在0.9.1.1版本之后进行支持

转载请注明原文地址: https://www.6miu.com/read-2400086.html

最新回复(0)