Kafka核心API——Stream API

Posted 2020-12-22

Kafka Stream概念及初识高层架构图

Kafka Stream是Apache Kafka从0.10版本引入的一个新Feature，它提供了对存储于Kafka内的数据进行流式处理和分析的功能。简而言之，Kafka Stream就是一个用来做流计算的类库，与Storm、Spark Streaming、Flink的作用类似，但要轻量得多。

Kafka Stream的基本概念：

• Kafka Stream是处理分析存储在Kafka数据的客户端程序库（lib）
• 由于Kafka Streams是Kafka的一个lib，所以实现的程序不依赖单独的环境
• Kafka Stream通过state store可以实现高效的状态操作
• 支持原语Processor和高层抽象DSL

Kafka Stream的高层架构图：

• Partition的数据会分发到不同的Task上，Task主要是用来做流式的并行处理
• 每个Task都会有自己的state store去记录状态
• 每个Thread里会有多个Task

---

Kafka Stream 核心概念

Kafka Stream关键词：

• 流和流处理器：流指的是数据流，流处理器指的是数据流到某个节点时对其进行处理的单元
• 流处理拓扑：一个拓扑图，该拓扑图展示了数据流的走向，以及流处理器的节点位置
• 源处理器及Sink处理器：源处理器指的是数据的源头，即第一个处理器，Sink处理器则反之，是最终产出结果的一个处理器

如下图所示：

---

Kafka Stream使用演示

下图是Kafka Stream完整的高层架构图：

从上图中可以看到，Consumer对一组Partition进行消费，这组Partition可以在一个Topic中或多个Topic中。然后形成数据流，经过各个流处理器后最终通过Producer输出到一组Partition中，同样这组Partition也可以在一个Topic中或多个Topic中。这个过程就是数据流的输入和输出。

因此，我们在使用Stream API前需要先创建两个Topic，一个作为输入，一个作为输出。到服务器上使用命令行创建两个Topic：

[root@txy-server2 ~]# kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic input-topic
[root@txy-server2 ~]# kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic output-topic

由于之前依赖的kafka-clients包中没有Stream API，所以需要另外引入Stream的依赖包。在项目中添加如下依赖：

<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka-streams</artifactId>
    <version>2.5.0</version>
</dependency>

接下来以一个经典的词频统计为例，演示一下Stream API的使用。代码示例：

package com.zj.study.kafka.stream;

import org.apache.kafka.common.serialization.Serdes;
import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.Topology;
import org.apache.kafka.streams.kstream.KStream;
import org.apache.kafka.streams.kstream.KTable;
import org.apache.kafka.streams.kstream.Produced;

import java.util.List;
import java.util.Properties;

public class StreamSample {

    private static final String INPUT_TOPIC = "input-topic";
    private static final String OUTPUT_TOPIC = "output-topic";

    /**
     * 构建配置属性
     */
    public static Properties getProperties() {
        Properties properties = new Properties();
        properties.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "49.232.153.84:9092");
        properties.put(StreamsConfig.APPLICATION_ID_CONFIG, "wordcount-app");
        properties.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_CONFIG, Serdes.String().getClass());
        properties.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_CONFIG, Serdes.String().getClass());

        return properties;
    }

    public static KafkaStreams createKafkaStreams() {
        Properties properties = getProperties();

        // 构建流结构拓扑
        StreamsBuilder builder = new StreamsBuilder();
        // 构建wordCount这个Processor
        wordCountStream(builder);
        Topology topology = builder.build();

        // 构建KafkaStreams
        return new KafkaStreams(topology, properties);
    }

    /**
     * 定义流计算过程
     * 例子为词频统计
     */
    public static void wordCountStream(StreamsBuilder builder) {
        // 不断的从INPUT_TOPIC上获取新的数据，并追加到流上的一个抽象对象
        KStream<String, String> source = builder.stream(INPUT_TOPIC);
        // KTable是数据集的抽象对象
        KTable<String, Long> count = source.flatMapValues(
                // 以空格为分隔符将字符串进行拆分
                v -> List.of(v.toLowerCase().split(" "))
                // 按value进行分组统计
        ).groupBy((k, v) -> v).count();

        KStream<String, Long> sink = count.toStream();
        // 将统计结果输出到OUTPUT_TOPIC
        sink.to(OUTPUT_TOPIC, Produced.with(Serdes.String(), Serdes.Long()));
    }

    public static void main(String[] args) {
        KafkaStreams streams = createKafkaStreams();
        // 启动该Stream
        streams.start();
    }
}

KTable与KStream的关系与区别，如下图：

• KTable类似于一个时间片段，在一个时间片段内输入的数据就会update进去，以这样的形式来维护这张表
• KStream则没有update这个概念，而是不断的追加

运行以上代码，然后到服务器中使用kafka-console-producer.sh脚本命令向input-topic生产一些数据，如下：

[root@txy-server2 ~]# kafka-console-producer.sh --broker-list 127.0.0.1:9092 --topic input-topic
>Hello World Java
>Hello World Kafka
>Hello Java Kafka
>Hello Java

然后再运行kafka-console-consumer.sh脚本命令从output-topic中消费数据，并进行打印。具体如下：

[root@txy-server2 ~]# kafka-console-consumer.sh --bootstrap-server 172.21.0.10:9092 --topic output-topic --property print.key=true --property print.value=true --property key.deserializer=org.apache.kafka.common.serialization.StringDeserializer --property value.deserializer=org.apache.kafka.common.serialization.LongDeserializer --from-beginning

控制台输出的结果：

world   2
hello   3
java    2
kafka   2
hello   4
java    3

从输出结果中可以看到，Kafka Stream首先是对前三行语句进行了一次词频统计，所以前半段是：

world   2
hello   3
java    2
kafka   2

当最后一行输入之后，又再做了一次词频统计，并针对新的统计结果进行输出，其他没有变化的则不作输出，所以最后打印了：

hello   4
java    3

这也是KTable和KStream的一个体现，从测试的结果可以看出Kafka Stream是实时进行流计算的，并且每次只会针对有变化的内容进行输出。

---

foreach方法

在之前的例子中，我们是从某个Topic读取数据进行流处理后再输出到另一个Topic里。但在一些场景下，我们可能不希望将结果数据输出到Topic，而是写入到一些存储服务中，例如ElasticSearch、MongoDB、mysql等。

在这种场景下，就可以利用到foreach方法，该方法用于迭代流中的元素。我们可以在foreach中将数据存入例如Map、List等容器，然后再批量写入到数据库或其他存储中间件即可。

foreach方法使用示例：

public static void foreachStream(StreamsBuilder builder) {
    KStream<String, String> source = builder.stream(INPUT_TOPIC);
    source.flatMapValues(
            v -> List.of(v.toLowerCase().split(" "))
    ).foreach((k, v) -> System.out.println(k + " : " + v));
}