换个角度看Apache pulsar
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了换个角度看Apache pulsar相关的知识，希望对你有一定的参考价值。
参考技术A 关注 pulsar 项目将近10天左右了，在此前，我和所有刚接触 pulsar 项目的人都有一个共同的疑惑，目前社区内已经有activeMQ、kafka、RocktMQ等优秀的消息队列，而且也经历过社区长时间的洗礼，我们为什么还需要 pulsar 这个MQ？带着这样的疑问，我们开始阅读这篇文章。记得在之前项目中遇到几个kafka的痛点问题，第一：在数据迁移过程中，我们需要从上游到下游的数据必须是有序的，简单点说就是，我们期望DDL跑到DML的前面，不然当我们DML语句到达之后，我们都不知道数据应该写入到哪个DB（因为此时压根还没有db和table）。熟悉kafka的人都知道，kafka的partition内是有序的状态，但多个partition之间是无序的，最简单的逻辑，我们将所有的数据全部写入一个partition中，让consumer订阅这个partition，但是这其中存在一个较大的问题，kafka这种基于partition的MQ，本身就是通过partition来提高吞吐量，我们的业务是在迁移数据，全量迁移时，瞬时数据会很大，同时塞到一个partition中，势必会使这个partition成为整个系统的热点问题。第二：当时候，我们内部压测过kafka，印象中，当时候的压测是分为8、32、64topic，当时候我们发现，当topic超过64时，kafka的吞吐出现明显的抖动，也就是kafka并不能够单纯的通过增加topic的数量来提升吞吐量。这个64topic性能抖动问题，与RocketMQ和kafka对比压测的现象基本一致。
我们前面也提到过，kafka和rocketMQ这种MQ是基于partition的存储模型。也就是说，他们的存储和partition是绑定的，一个partition只能由一个consumer来订阅消费，这就存在一个问题，partition和consumer究竟怎么设置，原则上，我们需要始终保持这两者是对等的关系，如果partition过多，就可能存在一个consumer订阅多个partition的问题，反过来，如果consumer过多，就会出现consumer空闲的问题。那么合理的分配策略只有是 partition 个数与 consumer 个数成倍数关系。
在kafka中最小的单位是segment，一个segment分为两个文件，一个.index文件用来存储元数据信息，一个.log文件用来存储数据信息，也就意味着一个partition至少需要两个fd，kafka还需要将这些元数据信息注册到zk中，方便整个kafka集群的监控调度。所以在kafka中，partition是一个相对比较重的资源，我们当时候的压测，1000左右的partition 会给kafka系统带来将近40-60ms左右的延迟（大致值）。kafka consumer静态绑定的这种架构设计导致了其扩容缩容也是一个问题。当系统遇到处理能力不足时，单纯的增加consumer并不能解决问题，我们还需要增加其对应的partition 的数量。但是，比较蛋疼的另一个问题是，partition是单向扩容的，意思是我们一旦增加上去partition的数量，我们是不能对其减少的。
这里再回答当时候我们遇到的上述提到的第一个痛点问题，如果我们只用一个partition来保证全局的顺序问题，当数据量较大的时候，这个partition会迅速增长，这个时候，即使你再想通过扩充partition的数量来提升系统的吞吐，也不是很现实来，这种强负载在kafka中简直是一个灾难。我们假设我们增加进来两个partition，但是我之前的partition已经被其中一个consumer订阅，所以那些堆积的消息只能由这个consumer来消费，这种不支持横向扩展的设计一旦遇到真的瓶颈真的有点难受，或者你就选择强制负载均衡。
针对上述的一些问题 ，pulsar是如何解决的呢？
通过上图，我们可以分析到，kafka等基于partition存储的mq存储起来是"一条一条"的，pulsar会均匀摊开。这点得意于pulsar将存储与计算分离的架构设计，我们可以方便的在存储层和计算层进行扩容。具体参考： Pulsar VS. Kafka（2）: 以Segment为中心的架构
上图表述了pulsar在多租户场景下的组成架构。
到了具体的业务线之后，我们就可以和正常使用mq一样对其执行相应的操作。
exclusive 和 failover 适合对顺序有要求的业务场景，一般我们称作Stream（流）
shared 适合对消息顺序没什么要求的业务场景，一般我们称作Queue（队列）
下面是搜集的一些优秀的关于pulsar相关的技术文章：
云原生时代顶流消息中间件Apache Pulsar部署实操之Pulsar IO与Pulsar SQL
文章目录
Pulsar IO (Connector连接器)
基础定义
Pulsar IO连接器能够轻松地创建、部署和管理与外部系统(如Apache Cassandra、Aerospike等)交互的连接器。IO连接器有两种类型:源连接器和接收器连接器。
可以通过Connector Admin CLI使用源和接收器子命令管理Pulsar连接器(例如，在连接器上创建、更新、启动、停止、重新启动、重新加载、删除和执行其他操作)。有关最新和完整的信息，请参阅Pulsar管理文档。
安装Pulsar和内置连接器
在将Pulsar连接到数据库之前，需要先安装Pulsar和所需的内置连接器。要启用Pulsar连接器，您需要在下载页面上下载连接器的tarball版本。
# 下载最新版本2.11.0的pulsar-io-cassandra和pulsar-io-jdbc-postgres，需要什么连接器可以从官方查看是否支持并下载，这里举例就下载两个
https://www.apache.org/dyn/mirrors/mirrors.cgi?action=download&filename=pulsar/pulsar-2.11.0/connectors/pulsar-io-cassandra-2.11.0.nar
https://www.apache.org/dyn/mirrors/mirrors.cgi?action=download&filename=pulsar/pulsar-2.11.0/connectors/pulsar-io-jdbc-postgres-2.11.0.nar
# 在pulsar根目录下创建目录
mkdir connectors
# 将压缩文件移动connectors目录
mv pulsar-io-jdbc-postgres-2.11.0.nar pulsar-io-jdbc-postgres-2.11.0.nar connectors
# 重启pulsar
# 查看可用连接器列表
curl -w '\\n' -s http://localhost:8080/admin/v2/functions/connectors
连接Pulsar到Cassandra
安装cassandra集群
# 下载镜像并启动cassandra测试容器
docker run -d --rm --name=cassandra -p 9042:9042 cassandra
# 查看进程
docker ps
# 查看运行日志
docker logs cassandra
# 等待一小段时间后查看Cassandra集群状态
docker exec cassandra nodetool status
# 使用cqlsh连接到Cassandra集群
# 使用cqlsh连接到Cassandra集群
docker exec -ti cassandra cqlsh localhost
# 创建一个密钥空间pulsar_itxs_keyspace
CREATE KEYSPACE pulsar_itxs_keyspace WITH replication = 'class':'SimpleStrategy', 'replication_factor':1;
# 创建一个表pulsar_itxs_table
USE pulsar_itxs_keyspace;
CREATE TABLE pulsar_itxs_table (key text PRIMARY KEY, col text);
配置Cassandra接收器
现在已经有一个Cassandra集群在本地运行；要运行Cassandra接收器连接器，需要准备一个配置文件，其中包括Pulsar连接器运行时需要知道的信息，例如Pulsar连接器如何找到Cassandra集群，Pulsar连接器用于写入Pulsar消息的键空间和表是什么等等；可以使用Json或者Yaml这两种格式创建配置文件。
vim examples/cassandra-sink.json
"roots": "192.168.3.100:9042",
"keyspace": "pulsar_itxs_keyspace",
"columnFamily": "pulsar_itxs_table",
"keyname": "key",
"columnName": "col"
vim examples/cassandra-sink.yml
configs:
roots: "192.168.3.100:9042"
keyspace: "pulsar_itxs_keyspace"
columnFamily: "pulsar_itxs_table"
keyname: "key"
columnName: "col"
创建Cassandra Sink
可以使用Connector Admin CLI创建sink连接器和操作。运行下面命令来创建一个Cassandra接收器连接器，接收器类型为Cassandra，配置文件为上一步创建的examples/cassandra-sink.yml。
bin/pulsar-admin sinks create \\
--tenant my-test \\
--namespace my-namespace \\
--name cassandra-itxs-sink \\
--sink-type cassandra \\
--sink-config-file examples/cassandra-sink.yml \\
--inputs persistent://my-test/my-namespace/itxs_cassandra
命令执行后，Pulsar创建接收器连接器cassandra-itxs-sink。这个接收器连接器作为Pulsar函数运行，并将主题itxs_cassandra中产生的消息写入Cassandra表pulsar_itxs_table；
可以使用Connector Admin CLI对连接器进行监控和其他操作。
- 获取连接器的信息
bin/pulsar-admin sinks get \\
--tenant my-test \\
--namespace my-namespace \\
--name cassandra-itxs-sink
- 检查连接器的状态
bin/pulsar-admin sinks status \\
--tenant my-test \\
--namespace my-namespace \\
--name cassandra-itxs-sink
验证Cassandra Sink结果
生成一些消息到Cassandra接收器itxs_cassandra的输入主题
for i in 0..9; do bin/pulsar-client produce -m "itxskey-$i" -n 1 persistent://my-test/my-namespace/itxs_cassandra; done
再次查看连接器的状态,可以有10条记录处理统计信息
查看Cassandra的pulsar_itxs_table
USE pulsar_itxs_keyspace;
select * from pulsar_itxs_table;
删除Cassandra Sink
bin/pulsar-admin sinks delete \\
--tenant my-test \\
--namespace my-namespace \\
--name cassandra-itxs-sink
连接Pulsar到PostgreSQL
安装PostgreSQL集群
这里使用PostgreSQL 12 docker镜像在docker中启动一个单节点PostgreSQL集群。
# 从Docker中拉取PostgreSQL 12映像
docker pull postgres:12
# 启动postgres容器
docker run -d -it --rm \\
--name pulsar-postgres \\
-p 5432:5432 \\
-e POSTGRES_PASSWORD=password \\
-e POSTGRES_USER=postgres \\
postgres:12
# 查看运行日志
docker logs -f pulsar-postgres
# 进入容器
docker exec -it pulsar-postgres /bin/bash
# 使用默认用户名和密码登录PostgreSQL
psql -U postgres postgres
# 使用以下命令创建pulsar_postgres_jdbc_sink表:
create table if not exists pulsar_postgres_jdbc_sink
(
id serial PRIMARY KEY,
name VARCHAR(255) NOT NULL
);
配置JDBC接收器
现在有一个本地运行的PostgreSQ，接下来需要配置JDBC接收器连接器。
- 创建配置文件vim connectors/pulsar-postgres-jdbc-sink.yaml
configs:
userName: "postgres"
password: "password"
jdbcUrl: "jdbc:postgresql://192.169.3.100:5432/postgres"
tableName: "pulsar_postgres_jdbc_sink"
创建JDBC Sink
执行下面命令后，Pulsar将创建接收器连接器pulse -postgres-jdbc-sink。这个sink连接器作为Pulsar函数运行，并将Topic为pulsar-postgres-jdbc-sink-topic中产生的消息写入PostgreSQL表pulsar_postgres_jdbc_sink。
bin/pulsar-admin sinks create \\
--tenant my-test \\
--namespace my-namespace \\
--archive ./connectors/pulsar-io-jdbc-postgres-2.11.0.nar \\
--inputs persistent://my-test/my-namespace/pulsar-postgres-jdbc-sink-topic \\
--name pulsar-postgres-my-jdbc-sink \\
--sink-config-file ./connectors/pulsar-postgres-jdbc-sink.yaml \\
--parallelism 1
列出所有的sink
bin/pulsar-admin sinks list \\
--tenant my-test \\
--namespace my-namespace
验证JDBC Sink结果
通过JavaAPI生成一些消息到Cassandra接收器pulsar-postgres-jdbc-sink-topic这个主题,在Java项目添加maven依赖
<properties>
<pulsar.version>2.11.0</pulsar.version>
</properties>
<dependency>
<groupId>org.apache.pulsar</groupId>
<artifactId>pulsar-client</artifactId>
<version>$pulsar.version</version>
</dependency>
这里演示实体类成员变量简单就直接使用public声明了
package sn.itxs.pulsar.io;
public class User
public int id;
public String name;
新增ClientDemo.java
package sn.itxs.pulsar.io;
import org.apache.pulsar.client.api.Producer;
import org.apache.pulsar.client.api.PulsarClient;
import org.apache.pulsar.client.impl.schema.AvroSchema;
public class ClientDemo
public static void main(String[] args) throws Exception
PulsarClient client = null;
Producer<User> producer = null;
try
client = PulsarClient.builder()
.serviceUrl("pulsar://192.168.5.52:6650")
.build();
producer = client.newProducer(AvroSchema.of(User.class))
.topic("persistent://my-test/my-namespace/pulsar-postgres-jdbc-sink-topic")
.create();
User user = new User();
int index = 10;
while (index++ < 20)
try
user.id = index;
user.name = "this is a test " + index;
producer.newMessage().value(user).send();
catch (Exception e)
e.printStackTrace();
System.out.println("send finish");
catch (Exception e)
e.printStackTrace();
finally
if (producer!=null)
producer.close();
if (client!=null)
client.close();
运行程序后查看PostgreSQL表pulsar_postgres_jdbc_sink，已经有刚才
上面由于在Java中创建了Schema，因此不需要手工创建，可以查看当前persistent://my-test/my-namespace/pulsar-postgres-jdbc-sink-topic主体已生成Schema信息如下：
如果要从pulsar-admin命令行创建schema可以这样操作
- 创建schema，创建一个avro-schema文件，将以下内容复制到该文件中，并将该文件放在pulsar/connectors文件夹中。vim connectors/avro-schema
"type": "AVRO",
"schema": "\\"type\\":\\"record\\",\\"name\\":\\"Test\\",\\"fields\\":[\\"name\\":\\"id\\",\\"type\\":[\\"null\\",\\"int\\"],\\"name\\":\\"name\\",\\"type\\":[\\"null\\",\\"string\\"]]",
"properties":
- 上传schema到topic,将avro-schema模式上传到pulsar-postgres-jdbc-sink-topic主题
bin/pulsar-admin schemas upload persistent://my-test/my-namespace/pulsar-postgres-jdbc-sink-topic -f ./connectors/avro-schema
- 检查模式是否上传成功。
bin/pulsar-admin schemas get persistent://my-test/my-namespace/pulsar-postgres-jdbc-sink-topic1
如需stop停止、restart重启指定的sinks可以如下操作,当然也可以更新指定sinks，详细命令可以查阅官网
bin/pulsar-admin sinks stop \\
--tenant my-test \\
--namespace my-namespace \\
--name pulsar-postgres-my-jdbc-sink \\
Pulsar SQL
定义
Apache Pulsar用于存储事件数据流，事件数据由预定义的字段构成。通过模式注册表的实现，可以在Pulsar中存储结构化数据，并使用Trino(以前是Presto SQL)查询数据。作为Pulsar SQL的核心，Pulsar Trino插件使Trino集群中的Trino worker能够查询来自Pulsar的数据.
由于Pulsar采用了基于两级段的架构，因此查询性能高效且可扩展性强。Pulsar中的主题在Apache BookKeeper中存储为段。每个主题段被复制到一些BookKeeper节点上，从而支持并发读和高读吞吐量。在Pulsar Trino连接器中，数据直接从BookKeeper中读取，因此Trino worker可以同时从水平可扩展数量的BookKeeper节点中读取
简单使用
在Pulsar中查询数据前，需要安装Pulsar和内置连接器。
# 这里演示就直接启动独立集群
PULSAR_STANDALONE_USE_ZOOKEEPER=1 ./bin/pulsar standalone
# 启动一个Pulsar SQL worker
./bin/pulsar sql-worker run
# 初始化Pulsar独立集群和SQL worker后，执行SQL CLI:
./bin/pulsar sql
show catalogs;
show schemas in pulsar;
show tables in pulsar."public/default";
通过前面的Java示例，我们改为Json格式写入Pulsar的user-topic
package sn.itxs.pulsar.io;
import org.apache.pulsar.client.api.Producer;
import org.apache.pulsar.client.api.PulsarClient;
import org.apache.pulsar.client.api.Schema;
public class ClientSqlDemo
public static void main(String[] args) throws Exception
PulsarClient client = null;
Producer<User> producer = null;
try
client = PulsarClient.builder()
.serviceUrl("pulsar://192.168.5.52:6650")
.build();
producer = client.newProducer(Schema.JSON(User.class))
.topic("user-topic")
.create();
User user = new User();
int index = 10;
while (index++ < 20)
try
user.id = index;
user.name = "this is a test " + index;
producer.newMessage().value(user).send();
catch (Exception e)
e.printStackTrace();
System.out.println("send finish");
catch (Exception e)
e.printStackTrace();
finally
if (producer!=null)
producer.close();
if (client!=null)
client.close();
运行程序后再来查询就有刚才发送的消息数据，_开头的字段为Pulsar 自带的。
select * from pulsar."public/default"."user-topic";
- 本人博客网站IT小神 www.itxiaoshen.com
以上是关于换个角度看Apache pulsar的主要内容，如果未能解决你的问题，请参考以下文章