版权声明：本文为博主原创文章，未经博主允许不得转载
本文是基于hadoop 2.7.1，以及kafka 0.11.0.0。kafka-connect是以单节点模式运行，即standalone。
一. 首先，先对kafka和kafka connect做一个简单的介绍
kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。比较直观的解释就是其有一个生产者（producer）和一个消费者（consumer）。可以将kafka想象成一个数据容器，生产者负责发送数据到这个容器中，而消费者从容器中取出数据，在将数据做处理，如存储到hdfs。
kafka connect：Kafka Connect是一种用于在Kafka和其他系统之间可扩展的、可靠的流式传输数据的工具。它使得能够快速定义将大量数据集合移入和移出Kafka的连接器变得简单。即适合批量数据导入导出操作。
二. 下面将介绍如何用kafka connect将数据写入到hdfs中。包括在这个过程中可能碰到的一些问题说明。
首先启动kafka-connect:
bin/connect-standalone.sh config/connect-standalone.properties config/connector1.properties
这个命令后面两个参数，
第一个是指定启动的模式，有分布式和单节点两种，这里是单节点。kafka自带，放于config目录下。
第二个参数指向描述connector的属性的文件，可以有多个，这里只有一个connector用来写入到hdfs。需要自己创建。 接下来看看connector1.properties的内容，
name="test" #该connector的名字
#将自己按connect接口规范编写的代码打包后放在kafka/libs目录下，再根据项目结构引用对应connector
connector.class=hdfs.HdfsSinkConnector
#Task是导入导出的具体实现，这里是指定多少个task来并行运行导入导出作业，由多线程实现。由于hdfs中一个文件每次只能又一个文件操作，所以这里只能是1
tasks.max=1
#指定从哪个topic读取数据，这些其实是用来在connector或者task的代码中读取的。
topics=test
#指定key以那种方式转换，需和Producer发送方指定的序列化方式一致
key.converter=org.apache.kafka.connect.converters.ByteArrayConverter
value.converter=org.apache.kafka.connect.json.JsonConverter #同上
hdfs.url=hdfs://127.0.0.1:9000 #hdfs的url路径，在Connector中会被读取
hdfs.path=/test/file #hdfs文件路径，同样Connector中被读取 key.converter.schemas.enable=true #稍后介绍，可以true也可以false，影响传输格式
value.converter.schemas.enable=true #稍后介绍，可以true也可以false
三. 接下来看代码，connect主要是导入导出两个概念，导入是source，导出时Sink。这里只使用Sink，不过Source和Sink的实现其实基本相同。
实现Sink其实不难，实现对应的接口，即SinkConnector和SinkTask两个接口，再打包放到kafka/libs目录下即可。其中SinkConnector只有一个，而Task可以有多
先是Connector
public class HdfsSinkConnector extends SinkConnector {
//这两项为配置hdfs的urlh和路径的配置项，需要在connector1.properties中指定
public static final String HDFS_URL = "hdfs.url";
public static final String HDFS_PATH = "hdfs.path";
private static final ConfigDef CONFIG_DEF = new ConfigDef()
.define(HDFS_URL, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs url")
.define(HDFS_PATH, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs path");
private String hdfsUrl;
private String hdfsPath;
@Override
public String version() {
return AppInfoParser.getVersion();
}
//start方法会再初始的时候执行一次，这里主要用于配置
@Override
public void start(Map<String, String> props) {
hdfsUrl = props.get(HDFS_URL);
hdfsPath = props.get(HDFS_PATH);
}
//这里指定了Task的类
@Override
public Class<? extends Task> taskClass() {
return HdfsSinkTask.class;
}
//用于配置Task的config，这些都是会在Task中用到
@Override
public List<Map<String, String>> taskConfigs(int maxTasks) {
ArrayList<Map<String, String>> configs = new ArrayList<>();
for (int i = 0; i < maxTasks; i++) {
Map<String, String> config = new HashMap<>();
if (hdfsUrl != null)
config.put(HDFS_URL, hdfsUrl);
if (hdfsPath != null)
config.put(HDFS_PATH, hdfsPath);
configs.add(config);
}
return configs;
}
//关闭时的操作，一般是关闭资源。
@Override
public void stop() {
// Nothing to do since FileStreamSinkConnector has no background monitoring.
}
@Override
public ConfigDef config() {
return CONFIG_DEF;
}
}
接下来是Task
public class HdfsSinkTask extends SinkTask {
private static final Logger log = LoggerFactory.getLogger(HdfsSinkTask.class);
private String filename;
public static String hdfsUrl;
public static String hdfsPath;
private Configuration conf;
private FSDataOutputStream os;
private FileSystem hdfs;
public HdfsSinkTask(){
}
@Override
public String version() {
return new HdfsSinkConnector().version();
}
//Task开始会执行的代码，可能有多个Task，所以每个Task都会执行一次
@Override
public void start(Map<String, String> props) {
hdfsUrl = props.get(HdfsSinkConnector.HDFS_URL);
hdfsPath = props.get(HdfsSinkConnector.HDFS_PATH);
System.out.println("----------------------------------- start--------------------------------");
conf = new Configuration();
conf.set("fs.defaultFS", hdfsUrl);
//这两个是与hdfs append相关的设置
conf.setBoolean("dfs.support.append", true);
conf.set("dfs.client.block.write.replace-datanode-on-failure.policy", "NEVER");
try{
hdfs = FileSystem.get(conf);
// connector.hdfs = new Path(HDFSPATH).getFileSystem(conf);
os = hdfs.append(new Path(hdfsPath));
}catch (IOException e){
System.out.println(e.toString());
}
}
//核心操作，put就是将数据从kafka中取出，存放到其他地方去
@Override
public void put(Collection<SinkRecord> sinkRecords) {
for (SinkRecord record : sinkRecords) {
log.trace("Writing line to {}: {}", logFilename(), record.value());
try{
System.out.println("write info------------------------" + record.value().toString() + "-----------------");
os.write((record.value().toString()).getBytes("UTF-8"));
os.hsync();
}catch(Exception e){
System.out.print(e.toString());
}
}
}
@Override
public void flush(Map<TopicPartition, OffsetAndMetadata> offsets) {
try{
os.hsync();
}catch (Exception e){
System.out.print(e.toString());
}
}
//同样是结束时候所执行的代码，这里用于关闭hdfs资源
@Override
public void stop() {
try {
os.close();
}catch(IOException e){
System.out.println(e.toString());
}
}
private String logFilename() {
return filename == null ? "stdout" : filename;
}
}
这里重点提一下，因为在connector1.propertise中设置了key.converter=org.apache.kafka.connect.converters.ByteArrayConverter，所以不能用命令行形式的
producer发送数据，而是要用程序的方式，并且在producer总也要设置key的序列化形式为org.apache.kafka.common.serialization.ByteArraySerializer。
编码完成，先用idea以开发程序与依赖包分离的形式打包成jar包，然后将程序对应的jar包（一般就是“项目名.jar”）放到kafka/libs目录下面，这样就能被找到。
四. 接下来对这个过程的问题做一个汇总。
1.在connector1.properties中的key.converter.schemas.enable=false和value.converter.schemas.enable=false的问题。
这个选项默认在connect-standalone.properties中是true的，这个时候发送给topic的Json格式是需要使用avro格式，具体情况可以百度，这里给出一个样例。
{
"schema": {
"type": "struct",
"fields": [{
"type": "int32",
"optional": true,
"field": "c1"
}, {
"type": "string",
"optional": true,
"field": "c2"
}, {
"type": "int64",
"optional": false,
"name": "org.apache.kafka.connect.data.Timestamp",
"version": 1,
"field": "create_ts"
}, {
"type": "int64",
"optional": false,
"name": "org.apache.kafka.connect.data.Timestamp",
"version": 1,
"field": "update_ts"
}],
"optional": false,
"name": "foobar"
},
"payload": {
"c1": 10000,
"c2": "bar",
"create_ts": 1501834166000,
"update_ts": 1501834166000
}
}
主要就是schema和payload这两个，不按照这个格式会报错如下
org.apache.kafka.connect.errors.DataException: JsonConverter with schemas.enable requires "schema" and "payload" fields and may not contain additional fields. If you are trying to deserialize plain JSON data, set schemas.enable=false in your converter configuration. at org.apache.kafka.connect.json.JsonConverter.toConnectData(JsonConverter.java:308)
如果想发送普通的json格式而不是avro格式的话，很简单key.converter.schemas.enable和value.converter.schemas.enable设置为false就行。这样就能发送普通的json格式数据。
2.在启动的过程中出现各种各样的java.lang.ClassNotFoundException。
在启动connector的时候，一开始总是会报各个各样的ClassNotFoundException，不是这个包就是那个包，查找问题一直说要么缺少包要么是包冲突。这个是什么原因呢？
其实归根结底还是依赖冲突的问题，因为kafka程序自定义的类加载器加载类的目录是在kafka/libs中，而写到hdfs需要hadoop的包。
我一开始的做法是将hadoop下的包路径添加到CLASSPATH中，这样子问题就来了，因为kafka和hadoop的依赖包是有冲突的，比如hadoop是guava-11.0.2.jar，而kafka是guava-20.0.jar，两个jar包版本不同，而我们是在kafka程序中调用hdfs，所以当jar包冲突时应该优先调用kafka的。但是注意kafka用的是程序自定义的类加载器，其优先级是低于CLASSPATH路径下的类的，就是说加载类时会优先加载CLASSPATH下的类。这样子就有问题了。
我的解决方案时将kafka和hadoop加载的jar包路径都添加到CLASSPATH中，并且kafka的路径写在hadoop前面，这样就可以启动connector成功。
---
推荐阅读：
大数据存储的进化史 --从 RAID 到 Hdfs
贝叶斯分类算法实例 --根据姓名推测男女
从分治算法到 MapReduce