对于 Apache Pulsar

Apache Pulsar 是 Apache 软件基金会顶级我的项目，是下一代云原生分布式音讯流平台，集音讯、存储、轻量化函数式计算为一体，采纳计算与存储拆散架构设计，反对多租户、长久化存储、多机房跨区域数据复制，具备强一致性、高吞吐、低延时及高可扩展性等流数据存储个性。
GitHub 地址：http://github.com/apache/pulsar/

文章转自公众号：Apache InLong，原文地址：https://mp.weixin.qq.com/s/Wg…

Apache InLong 减少了通过 Apache Pulsar 接入数据的能力，充分利用了 Pulsar 不同于其它 MQ 的技术劣势，为金融、计费等数据品质要求更高的数据接入场景，提供残缺的解决方案。在上面的内容中，咱们将通过一个残缺的示例介绍如何通过 Apache InLong 应用 Apache Pulsar 接入数据。

Apache InLong（incubating）简介

Apache InLong（应龙 https://inlong.apache.org）是腾讯募捐给 Apache 社区的一站式数据流接入服务平台，提供主动、平安、牢靠和高性能的数据传输能力，不便业务构建基于流式的数据分析、建模和利用。InLong 我的项目原名 TubeMQ，专一于高性能、低成本的音讯队列服务。为了进一步开释 TubeMQ 周边的生态能力，咱们将我的项目降级为 InLong，专一打造一站式数据流接入服务平台。Apache InLong 以腾讯外部应用的 TDBank 为原型，依靠万亿级别的数据接入和解决能力，整合了数据采集、汇聚、存储、分拣数据处理全流程，领有简略易用、灵便扩大、稳固牢靠等个性。

Apache InLong 服务于数据采集到落地的整个生命周期，按数据的不同阶段提供不同的解决模块，次要包含：

• inlong-agent，数据采集 Agent，反对从指定目录或文件读取惯例日志、逐条上报。后续也将扩大 DB 采集、HTTP 上报等能力；
• inlong-dataproxy，一个基于 Flume-ng 的 Proxy 组件，反对数据发送阻塞和落盘重发，领有将接管到的数据转发到不同 MQ（音讯队列）的能力；
• inlong-tubemq，腾讯自研的音讯队列服务，专一于大数据场景下海量数据的高性能存储和传输，在海量实际和低成本方面有着良好的外围劣势；
• inlong-sort，对从不同的 MQ 生产到的数据进行 ETL 解决，而后汇聚并写入 Hive、ClickHouse、Hbase、Iceberg 等存储系统；
• inlong-manager，提供残缺的数据服务管控能力，包含元数据、工作流、权限，OpenAPI 等；
• inlong-website，用于治理数据接入的前端页面，简化整个 InLong 管控平台的应用。

对于 Apache Pulsar

Apache Pulsar 是 Pub/Sub 模型的音讯零碎，并且从设计上做了存储和计算的拆散。Apache Pulsar 计算与存储拆散的架构，以及分片存储的设计为 Apache Pulsar 带来了相比于传统基于分区存储 MQ 的一些劣势:

• Broker 和 Bookie 互相独立，不便实现独立的扩大以及独立的容错；
• Broker 无状态，便于疾速上、下线，更加适宜于云原生场景；
• 分区存储不受限于单个节点存储容量；
• 分区数据分布平均。

筹备条件

• 装置 Apache Pulsar，版本 2.6+
• 装置 Apache Hive，版本 2.3+

装置 InLong

部署 InLong，能够应用 Docker Compose 实现一键部署，也能够通过二进制文件在一般机器上部署。

• Docker Compose 部署：https://inlong.apache.org/zh-…
• 应用安装包部署：https://inlong.apache.org/zh-…

区别于 InLong TubeMQ，如果应用 Apache Pulsar，须要在 Manager 组件装置中配置 Pulsar 集群信息，格局如下：

# Pulsar admin URL
pulsar.adminUrl=http://127.0.0.1:8080,127.0.0.2:8080,127.0.0.3:8080
# Pulsar broker address
pulsar.serviceUrl=pulsar://127.0.0.1:6650,127.0.0.1:6650,127.0.0.1:6650
# Default tenant of Pulsar
pulsar.defaultTenant=public

创立数据接入

配置数据流 Group 信息

在创立数据接入时，数据流 Group 可选用的消息中间件抉择 Pulsar，其它跟 Pulsar 相干的配置项还包含：

• Queue module：队列模型，并行或者程序，抉择并行时可设置 Topic 的分区数，程序则为一个分区；
• Write quorum：音讯写入的正本数；
• Ack quorum：确认写入 Bookies 的数量；
• retention time：已被 consumer 确认的音讯被保留的工夫；
• ttl：未被确认的音讯的过期工夫；
• retention size：已被 consumer 确认的音讯被保留的大小。

配置数据流

配置消息来源时，文件数据源中的文件门路，可参照 inlong-agent 中 File Agent 的具体指引。

配置数据格式

配置 Hive 集群

保留 Hive 流向，点击“提交审批”。

数据接入审批

进入审批治理页面，点击我的审批，审批下面提交的接入申请，审批完结后会在 Pulsar 集群同步创立数据流须要的 Topic 和订阅。

咱们能够在 Pulsar 集群应用命令行工具查看 Topic 是否创立胜利：

配置文件 Agent

在配置文件 Agent 时，须要依据数据接入创立时指定的目录下创立文件：

touch /data/test_file.txt;

依照创立数据流时的数据源格局，向文件中写入数据（能够按格局写入更多数据）：

echo -e "1|test\n2|test\n" >> /data/test_file.txt

数据落地查看

最初，咱们登入 Hive 集群，通过 Hive 的 SQL 命令查看 test_stream 表中是否胜利插入了数据。

问题排查

如果呈现数据未正确写入 Hive 集群，能够查看 Dataproxy 和 Sort 相干信息是否同步：

• 查看 Inlong-Dataproxy 的 conf/topics.properties 文件夹中是否正确写入该数据流对应的 Topic 信息 b_test_group/test_stream=persistent://public/b_test_group/test_stream
• 查看 InLong Sort 监听的 ZooKeeper 中是否胜利推送了数据流的配置信息：get /inlong_hive/dataflows/{{sink_id}}

关注公众号「Apache Pulsar」，获取更多技术干货

退出 Apache Pulsar 中文交换群 👇🏻