作者：vivo 互联网搜寻团队 - Deng Jie
Kafka 中的实时数据是以 Topic 的概念进行分类存储，而 Topic 的数据是有肯定时效性的，比方保留 24 小时、36 小时、48 小时等。而在定位一些实时数据的 Case 时，如果没有对实时数据进行历史归档，在排查问题时，没有日志追述，会很难定位是哪个环节的问题。
一、背景
Kafka 中的实时数据是以 Topic 的概念进行分类存储，而 Topic 的数据是有肯定时效性的，比方保留 24 小时、36 小时、48 小时等。而在定位一些实时数据的 Case 时，如果没有对实时数据进行历史归档，在排查问题时，没有日志追述，会很难定位是哪个环节的问题。因而，咱们须要对解决的这些实时数据进行记录归档并存储。
二、内容
2.1 案例剖析
这里以 i 视频和 vivo 短视频实时数据为例，之前存在这样的合作问题：
数据上游内容方提供实时 Topic（寄存 i 视频和 vivo 短视频相干实时数据），数据侧对实时数据进行逻辑解决后，发送给上游工程去建库实时索引，当工作执行一段时间后，工程侧建索引偶然会提出数据没有发送过来的 Case，后期因为没有对数据做存储，在定位问题的时候会比拟麻烦，常常需要查看实时日志，须要破费很长的工夫来剖析这些 Case 是呈现在哪个环节。
为了解决这个问题，咱们能够将实时 Topic 中的数据，在发送给其余 Topic 的时候，增加跟踪机制，进行数据分流，Sink 到存储介质（比方 HDFS、Hive 等）。这里，咱们抉择应用 Hive 来进行存储，次要是查问不便，反对 SQL 来疾速查问。如下图所示：
在实现优化后的计划时，有两种形式能够实现跟踪机制，它们别离是 Flink SQL 写 Hive、Flink DataStream 写 Hive。接下来，别离对这两种实现计划进行介绍和实际。
2.2 计划一：Flink SQL 写 Hive
这种形式比拟间接，能够在 Flink 工作外面间接操作实时 Topic 数据后，将生产后的数据进行分流跟踪，作为日志记录写入到 Hive 表中，具体实现步骤如下：
- 结构 Hive Catalog；
- 创立 Hive 表；
- 写入实时数据到 Hive 表。
2.2.1 结构 Hive Catalog
在结构 Hive Catalog 时，须要初始化 Hive 的相干信息，局部代码片段如下所示：
// 设置执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().build();
StreamTableEnvironment tEnv = StreamTableEnvironment.create(env,settings);
// 结构 Hive Catalog 名称
String name = "video-hive-catalog";
// 初始化数据库名
String defaultDatabase = "comsearch";
// Hive 配置文件门路地址
String hiveConfDir = "/appcom/hive/conf";
// Hive 版本号
String version = "3.1.2";
// 实例化一个 HiveCatalog 对象
HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
// 注册 HiveCatalog
tEnv.registerCatalog(name, hive);
// 设定以后 HiveCatalog
tEnv.useCatalog(name);
// 设置执行 SQL 为 Hive
tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
// 应用数据库
tEnv.useDatabase("db1");在以上代码中，咱们首先设置了 Flink 的执行环境和表环境，而后创立了一个 HiveCatalog，并将其注册到表环境中。
2.2.2 创立 Hive 表
如果 Hive 表不存在，能够通过在程序中执行建表语句，具体 SQL 见表语句代码如下所示：
-- 创立表语句
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'
)")在创立 Hive 表时咱们应用了 IF NOT EXISTS 关键字，如果 Hive 中该表不存在会主动在 Hive 上创立，也能够提前在 Hive 中创立好该表，Flink SQL 中就无需再执行建表 SQL，因为用了 Hive 的 Catalog，Flink SQL 运行时会找到表。这里，咱们设置了 auto-compaction 属性为 true，用来使小文件主动合并，1.12 版的新个性，解决了实时写 Hive 产生的小文件问题。同时，指定 metastore 值是专门用于写入 Hive 的，也须要指定 success-file 值，这样 CheckPoint 触发完数据写入磁盘后会创立_SUCCESS 文件以及 Hive metastore 上创立元数据，这样 Hive 才可能对这些写入的数据可查。
2.2.3 写入实时数据到 Hive 表
在筹备实现 2.2.1 和 2.2.2 中的步骤后，接下来就能够在 Flink 工作中通过 SQL 来对实时数据进行操作了，具体实现代码片段如下所示：
// 编写业务 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";
// 执行 Hive SQL
tEnv.executeSql(insertSql);
// 执行工作
env.execute();将生产后的数据进行分类，编写业务 SQL 语句，将生产的数据作为日志记录，发送到 Hive 表进行存储，这样 Kafka 中的实时数据就存储到 Hive 了，方便使用 Hive 来对 Kafka 数据进行即席剖析。
2.2.4 避坑技巧
应用这种形式在解决的过程中，如果配置应用的是 EventTime，在程序中配置 ’sink.partition-commit.trigger’=’partition-time’，最初会呈现无奈提交分区的状况。通过对源代码 PartitionTimeCommitTigger 的剖析，找到了呈现这种异常情况的起因。
咱们能够通过看
org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitionsorg.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions
中的一个函数，来阐明具体的问题，局部源代码片段如下：
// PartitionTimeCommitTigger 源代码函数代码片段
@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();
// 通过分区的值来获取分区的工夫
LocalDateTime partTime = extractor.extract(partitionKeys, extractPartitionValues(new Path(partition)));
// 判断水印是否大于分区创立工夫 + 延迟时间
if (watermark > toMills(partTime) + commitDelay) {needCommit.add(partition);
iter.remove();}
}
return needCommit;
}通过剖析上述代码片段，咱们能够晓得零碎通过分区值来抽取相应的分区来创立工夫，而后进行比对，比方咱们设置的工夫 pattern 是 ‘$dt $h:$m:00’ , 某一时刻咱们正在往 /2022-02-26/18/20/ 这个分区下写数据，那么程序依据分区值，失去的 pattern 将会是 2022-02-26 18:20:00，这个值在 SQL 中是依据 DATA_FORMAT 函数获取的。
而这个值是带有时区的，比方咱们的时区设置为东八区，2022-02-26 18:20:00 这个工夫是东八区的工夫，换成规范 UTC 工夫是减去 8 个小时，也就是 2022-02-26 10:20:00，而在源代码中的 toMills 函数在解决这个东八区的工夫时，并没有对时区进行解决，把这个其实应该是东八区的工夫当做了 UTC 工夫来解决，这样计算出来的值就比理论值大 8 小时，导致始终没有触发分区的提交。
如果咱们在数据源中结构的分区是 UTC 工夫，也就是不带分区的工夫，那么这个逻辑就是没有问题的，然而这样又不合乎咱们的理论状况，比方对于分区 2022-02-26 18:20:00，我心愿我的分区必定是东八区的工夫，而不是比东八区小 8 个小时的 UTC 工夫 2022-02-26 10:20:00。
在明确了起因之后，咱们就能够针对上述异常情况进行优化咱们的实现计划，比方自定义一个分区类、或者批改缺省的工夫分区类。比方，咱们应用 TimeZoneTableFunction 类来实现一个自定义时区，局部参考代码片段如下：
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 对象
formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:00");
formatter = formatter.withZone(ZoneId.of(timeZoneId));
}
@Override
public void eval(Long timestamp, Collector<TimestampWithTimeZone> out) {
// 将工夫戳转换为 LocalDateTime 对象
LocalDateTime localDateTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneOffset.UTC);
// 将 LocalDateTime 对象转换为指定时区下的 LocalDateTime 对象
LocalDateTime targetDateTime = localDateTime.atZone(ZoneId.of(timeZoneId)).toLocalDateTime();
// 将 LocalDateTime 对象转换为 TimestampWithTimeZone 对象，并输入到上游
out.collect(TimestampWithTimeZone.fromLocalDateTime(targetDateTime, ZoneId.of(timeZoneId)));
}
}2.3 计划二：Flink DataStream 写 Hive
在一些非凡的场景下，Flink SQL 如果无奈实现咱们简单的业务需要，那么咱们能够思考应用 Flink DataStream 写 Hive 这种实现计划。比方如下业务场景，当初须要实现这样一个业务需要，内容方将实时数据写入到 Kafka 音讯队列中，而后由数据侧通过 Flink 工作生产内容方提供的数据源，接着对生产的数据进行分流解决（这里的步骤和 Flink SQL 写 Hive 的步骤相似），每分钟进行存储到 HDFS（MapReduce 工作须要计算和重跑 HDFS 数据），而后通过 MapReduce 工作将 HDFS 上的这些日志数据生成 Hive 所须要格局，最初将这些 Hive 格局数据文件加载到 Hive 表中。实现 Kafka 数据到 Hive 的即席剖析性能，具体实现流程细节如下图所示：
具体外围实现步骤如下：
- 生产内容方 Topic 实时数据；
- 生成数据预处理策略；
- 加载数据；
- 应用 Hive SQL 对 Kafka 数据进行即席剖析。
2.3.1 生产内容方 Topic 实时数据
编写生产 Topic 的 Flink 代码，这里不对 Topic 中的数据做逻辑解决，在前面对立交给 MapReduce 来做数据预处理，间接生产并存储到 HDFS 上。具体实现代码如下所示：
public class Kafka2Hdfs {public static void main(String[] args) {
// 判断参数是否无效
if (args.length != 3) {LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist.");
return;
}
// 初始化 Kafka 连贯地址和 HDFS 存储地址以及 Flink 并行度
String bootStrapServer = args[0];
String hdfsPath = args[1];
int parallelism = Integer.parseInt(args[2]);
// 实例化一个 Flink 工作对象
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.enableCheckpointing(5000);
env.setParallelism(parallelism);
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
// Flink 生产 Topic 中的数据
DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_topic", new SimpleStringSchema(), configByKafkaServer(bootStrapServer)));
// 实例化一个 HDFS 存储对象
BucketingSink<String> sink = new BucketingSink<>(hdfsPath);
// 自定义存储到 HDFS 上的文件名，用小时和分钟来命名，不便前面算策略
sink.setBucketer(new DateTimeBucketer<String>("HH-mm"));
// 设置存储 HDFS 的文件大小和存储文件工夫频率
sink.setBatchSize(1024 * 1024 * 4);
sink.setBatchRolloverInterval(1000 * 30);
transction.addSink(sink);
env.execute("Kafka2Hdfs");
}
// 初始化 Kafka 对象连接信息
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;
}
}注意事项：
- 这里咱们把工夫窗口设置小一些，每 30s 做一次 Checkpoint，如果该批次的工夫窗口没有数据过去，就生成一个文件落地到 HDFS 上；
- 另外，咱们重写了 Bucketer 为 DateTimeBucketer，逻辑并不简单，在原有的办法上加一个年 - 月 - 日 / 时 - 分的文件生成门路，例如在 HDFS 上的生成门路：xxxx/2022-02-26/00-00。
具体 DateTimeBucketer 实现代码如下所示：
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 生成数据预处理策略
这里，咱们须要对落地到 HDFS 上的文件进行预处理，解决的逻辑是这样的。比方，当初是 2022-02-26 14:00，那么咱们须要将当天的 13:55，13:56，13:57，13:58，13:59 这最近 5 分钟的数据处理到一起，并加载到 Hive 的最近 5 分钟的一个分区外面去。那么，咱们须要生成这样一个逻辑策略汇合，用 HH-mm 作为 key，与之最近的 5 个文件作为 value，进行数据预处理合并。具体实现代码步骤如下：
- 步骤一：获取小时循环策略；
- 步骤二：获取分钟循环策略；
- 步骤三：判断是否为 5 分钟的倍数；
- 步骤四：对分钟级别小于 10 的数字做 0 补齐（比方 9 补齐后变成 09）；
- 步骤五：对小时级别小于 10 的数字做 0 补齐（比方 1 补齐后变成 01）；
- 步骤六：生成工夫范畴；
- 步骤七：输入后果。
其中，次要的逻辑是在生成工夫范畴的过程中，依据小时和分钟数的不同状况，生成不同的工夫范畴，并输入后果。在生成工夫范畴时，须要留神前导 0 的解决，以及非凡状况（如小时为 0、分钟为 0 等）的解决。最初，将生成的工夫范畴输入即可。
根据上述步骤编写对应的实现代码，生成当天所有日期命名规定，预览局部后果如下：
须要留神的是，如果产生了第二天 00:00，那么咱们须要用到前一天的 00-00=>23-59,23-58,23-57,23-56,23-55 这 5 个文件中的数据来做预处理。
2.3.3 加载数据
在实现 2.3.1 和 2.3.2 外面的内容后，接下来，咱们能够应用 Hive 的 load 命令间接加载 HDFS 上预处理后的文件，把数据加载到对应的 Hive 表中，具体实现命令如下：
-- 加载数据到 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 即席剖析
之后，咱们应用 Hive SQL 来对 Kafka 数据进行即席剖析，示例 SQL 如下所示：
-- 查问某 5 分钟分区数据
select * from xxx.table where day='2022-02-26' and hour='14' and min='05'2.4 Flink SQL 与 Flink DataStream 如何抉择
Flink SQL 和 Flink DataStream 都是 Flink 中用于解决数据的外围组件，咱们能够依据本人理论的业务场景来抉择应用哪一种组件。
Flink SQL 是一种基于 SQL 语言的数据处理引擎，它能够将 SQL 查问语句转换为 Flink 的数据流处理程序。相比于 Flink DataStream，Flink SQL 更加易于应用和保护，同时具备更快的开发速度和更高的代码复用性。Flink SQL 实用于须要疾速开发和部署数据处理工作的场景，比方数据仓库、实时报表、数据荡涤等。
Flink DataStream API 是 Flink 数据流解决规范 API，SQL 是 Flink 前期版本提供的新的数据处理操作接口。SQL 的引入为进步了 Flink 应用的灵活性。能够认为 Flink SQL 是一种通过字符串来定义数据流解决逻辑的描述语言。
因而，在抉择 Flink SQL 和 Flink DataStream 时，须要依据具体的业务需要和数据处理工作的特点来进行抉择。如果须要疾速开发和部署工作，能够抉择应用 Flink SQL；如果须要进行更为深刻和定制化的数据处理操作，能够抉择应用 Flink DataStream。同时，也能够依据理论状况，联合应用 Flink SQL 和 Flink DataStream 来实现简单的数据处理工作。
三、总结
在理论利用中，Kafka 实时数据即席查问能够用于多种场景，如实时监控、实时报警、实时统计、实时剖析等。具体利用和实际中，须要留神以下几点：
- 数据品质：Kafka 实时数据即席查问须要保证数据品质，防止数据反复、失落或谬误等问题，须要进行数据品质监控和调优。
- 零碎复杂性：Kafka 实时数据即席查问须要波及到多个零碎和组件，包含 Kafka、数据处理引擎（比方 Flink）、查问引擎（比方 Hive）等，须要对系统进行配置和治理，减少了零碎的复杂性。
- 安全性：Kafka 实时数据即席查问须要增强数据安全性保障，防止数据泄露或数据篡改等平安问题，做好 Hive 的权限管控。
- 性能优化：Kafka 实时数据即席查问须要对系统进行性能优化，包含优化数据处理引擎、查问引擎等，进步零碎的性能和效率。
参考：
- https://github.com/apache/flink
- https://flink.apache.org/