Druid：通过 Kafka 加载流数据

2024-02-10 17:14:16

**## 开始

本教程演示了如何使用 Druid 的 Kafka indexing 服务从 Kafka 流中加载数据至 Druid。

在本教程中，我们假设你已经按照 quickstart 文档中使用micro-quickstart单机配置所描述的下载了 Druid，并在本机运行了 Druid。你不需要加载任何数据。

下载并启动 Kafka

Apache Kafka是一种高吞吐量消息总线，可与 Druid 很好地配合使用。在本教程中，我们将使用 Kafka 2.1.0。在终端运行下面命令下载 Kafka:

curl -O https://archive.apache.org/dist/kafka/2.1.0/kafka_2.12-2.1.0.tgz
tar -xzf kafka_2.12-2.1.0.tgz
cd kafka_2.12-2.1.0

在终端运行下面命令启动 kafka broker:

./bin/kafka-server-start.sh config/server.properties

运行下面命令创建名为wikipedia的 topic，我们将向其发送数据：

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic wikipedia

向 Kafka 加载数据

为wikipedia topic 启动一个 kafka producer，并发送数据。

在 Druid 目录下，运行下面命令：

cd quickstart/tutorial
gunzip -c wikiticker-2015-09-12-sampled.json.gz > wikiticker-2015-09-12-sampled.json

在 Kafka 目录下运行下面命令，将{PATH_TO_DRUID}替换成你的 Kafka 路径：

export KAFKA_OPTS="-Dfile.encoding=UTF-8"
./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic wikipedia < {PATH_TO_DRUID}/quickstart/tutorial/wikiticker-2015-09-12-sampled.json

上面命令会向 kakfa 的wikiapedia topic 发送 events。之后，我们将使用 Druid 的 Kafka indexing 服务从 Kafka topic 中提取数据。

通过 data loader 加载数据

导航至 localhost:8080 并单击控制台顶部的Load data。

选择 Apache Kafka 并单击 Connect data.

输入 bootstrap:localhost:9092和 topic：wikipedia。

单击Preview并确定你看到的数据正确。

找到数据后，可以单击"Next: Parse data"进入下一步。

data loader 会尝试自动选择正确的数据解析器。在本示例中，将选择json解析器。你可以尝试选择其他解析器，看看 Druid 是如何解析数据的。

选择json解析器，点击Next: Parse time进入下一步，来确定 timestamp 列。

Druid 需要一个主 timestamp 列(内部将存储在__time 列)。如果你的数据中没有 timestamp 列，选择Constant value。在我们的示例中，将选择time列，因为它是数据之中唯一可以作为主时间列的候选者。

单击Next: ...两次以跳过Transform和Filter步骤。

您无需在这些步骤中输入任何内容，因为应用提取数据的时间变换和过滤器不在本教程范围内。

在Configure schema步骤中，你可以配置哪些维度和指标可以摄入 Druid。这是数据被摄入 Druid 后呈现的样子。由于我们的数据集比较小，点击Rollup开关关闭 rollup 功能。

对 schema 配置满意后，单击Next进入Partition步骤，以调整数据至 segment 的分区。

在这里，您可以调整如何在 Druid 中将数据拆分为多个段。由于这是一个很小的数据集，因此在此步骤中无需进行任何调整。

单击Tune步骤后，进入发布步骤。

在Publish步骤中，我们可以指定 Druid 中的数据源名称。我们将此数据源命名为wikipedia。最后，单击Next以查看 spec。

这是你构建的 spec。尝试随意返回并在之前的步骤中进行更改，以查看变动将如何更新 spec。同样，你也可以直接编辑 spec，并在前面的步骤中看到它。

对 spec 满意后，点击Submit创建摄取任务。

你将进入任务视图，重点关注新创建的任务。任务视图设置为自动刷新，等待任务成功。

当一项任务成功完成时，意味着它建立了一个或多个 segment，这些 segment 将由数据服务器接收。

Datasources从标题导航到视图。

等待直到你的数据源（wikipedia）出现。加载 segment 时可能需要几秒钟。

一旦看到绿色（完全可用）圆圈，就可以查询数据源。此时，你可以转到Query视图以对数据源运行 SQL 查询。

运行SELECT * FROM "wikipedia"查询以查看结果。

通过控制台提交 supervisor

在控制台中，单击Submit supervisor打开提交 supervisor 窗口。

粘贴以下 spec 并点击提交：

{
  "type": "kafka",
  "spec" : {
    "dataSchema": {
      "dataSource": "wikipedia",
      "timestampSpec": {
        "column": "time",
        "format": "auto"
      },
      "dimensionsSpec": {
        "dimensions": [
          "channel",
          "cityName",
          "comment",
          "countryIsoCode",
          "countryName",
          "isAnonymous",
          "isMinor",
          "isNew",
          "isRobot",
          "isUnpatrolled",
          "metroCode",
          "namespace",
          "page",
          "regionIsoCode",
          "regionName",
          "user",
          { "name": "added", "type": "long" },
          { "name": "deleted", "type": "long" },
          { "name": "delta", "type": "long" }
        ]
      },
      "metricsSpec" : [],
      "granularitySpec": {
        "type": "uniform",
        "segmentGranularity": "DAY",
        "queryGranularity": "NONE",
        "rollup": false
      }
    },
    "tuningConfig": {
      "type": "kafka",
      "reportParseExceptions": false
    },
    "ioConfig": {
      "topic": "wikipedia",
      "inputFormat": {
        "type": "json"
      },
      "replicas": 2,
      "taskDuration": "PT10M",
      "completionTimeout": "PT20M",
      "consumerProperties": {
        "bootstrap.servers": "localhost:9092"
      }
    }
  }
}

这将启动 supervisor，并分化出 task 监听数据流入。

直接提交 supervisor

为了直接启动服务，我们需要在 Druid 包根目录下运行下面命令提交一个 supervisor spec 给 Druid overlord：

curl -XPOST -H'Content-Type: application/json' -d @quickstart/tutorial/wikipedia-kafka-supervisor.json http://localhost:8081/druid/indexer/v1/supervisor

如果 supervisor 成功创建，你将得到一个包含 supervisor ID 的响应。在我们的示例中，将返回{"id":"wikipedia"}。

你可以在控制台中查看当前 supervisor 和 tasks: http://localhost:8888/unified-console.html#tasks.

查询数据

当数据发送给 Kafka stream 后，立刻就可以查询数据。

本文翻译自 Druid 官方文档

请关注我们。一起学习 Druid 知识。

码农公寓