Event Hub小白入门指南

Posted 2020-11-15 mysunnytime

Event Hub事件中心

本文的目的在于用最白的大白话，让你从“完全不懂”开始，理解什么是分布式大数据流平台Event Hub，并且理解它的关键概念，并且初步理解其收发数据API。

定义，Event Hub是什么、产生的目的

Event Hub是微软云服务Azure的一个产品，是分布式大数据流平台。属于PaaS。Event Hub：

• 支持大规模、实时的流数据
• 每秒能处理百万级的事件
• 简单易用，托管式服务
• 支持全球54个Azure地域

这里指的大规模、实时的流数据是指什么？Big Data Streaming 大数据流

很多应用需要从各处搜集数据来进行分析和处理，如网站收集用户的使用数据，或者物联网系统搜集所有连网设备的实时数据。这些数据从多个不同的终端产生，并且随时都在产生。所以这些数据是流数据，即时性的，好像水流一样，源源不断，从一个地方流向下一个地方。

为什么是“大数据”呢？因为这些数据可能从成千上万的客户端发出，并且发出的频率很高，要汇集在一个地方进行处理，形成了很大的数据规模，所以是大数据。

Event Hub可以处理多大的数据？

每秒可以处理百万级别的事件（event）。这里的“事件”：就是你收发的数据。 - https://docs.microsoft.com/en-us/azure/event-hubs/event-hubs-about, 2019.8

 

什么是托管式服务？Managed Service

Event Hub是全托管式的服务。什么意思呢？就是如果不使用Event Hub这样的托管式服务，那么开发者需要自己对大数据流平台进行管理。比如Apache Kafka也是一个大数据流平台，但是它不是全托管的，这意味着开发者将需要自行搭建和管理大数据流的处理，比如搭建（购买和配置）虚拟机集群、安装和管理Kafka、管理储存，也就是说，开发者需要自行进行管理所有涉及的服务、更新、包、版本，或者需要再使用其他平台的服务代为完成这些步骤。而Event Hub为开发者全托管，开发者只需要创建Event Hub，然后就可以进行大数据的收发了，Event Hub保证中间的所有过程，提供稳定的服务。这样开发者对中间过程的控制变弱了，但是可以更加关注自己的业务逻辑。

 

在大数据流的链条中，client客户端产生数据，server服务器端接收数据和分析数据。Event Hub就像一个client和server中间的缓冲区域（buffer）。

为什么要一个buffer：因为没有buffer的话会造成依赖（dependency）和高耦合（tight coupling）。如果数据量大的话，就会出现问题。而buffer可以在这个数据生产线上起到控流的作用（flow control）。

 

Event Hub的典型用途是收集在远端产生的遥测（telemetry）数据，包括从1）网络应用的客户端和2）远端设备和门户（如散落各地的共享单车）上获取数据。

工作原理

本质上来讲，Event Hub就是一个暂放数据的地方。

当数据从终端产生，发送数据给一个Event Hub的时候，Event Hub就把数据收集然后写下来，写在其内部的储存里，然后我们就可以阅读这些Event Hub为我们收集的数据，进行可视化、数据分析等等，做我们想做的事情。

 

Event Hub就好像是一个笔记本，我们从头到尾写，也从头到尾读。

||||||||||||||||||||||||||||||||||||||||||||||||||| --> 写

读-->

 

笔记本上写下来的数据可以反复阅读，进入Event Hub的数据也可以被多次读取。读取数据的操作并不会将数据从Event Hub上删除。

然而，Event Hub上的数据不是永久保存的。数据到达Event Hub后，会被保存一段时间（这段时间被称作retention day，可以设置为1-7天）。就好比笔记本上，超过某段时间以后，老旧的笔记会被撕掉。

这就是Event Hub的基本工作原理。但是实际上还有一些更细节的概念，开发者们使用时必须要了解。其中最重要的包括Partition和Consumer Group。

 

什么是Partition？

到达Event Hub的数据其实不是写在同一个地方的，而是写在几个Partition上的。就好比其实Event Hub里面不只有一个笔记本，而是有多个笔记本来记录消息。

Partition好像是Event Hub储存空间的扇区一般。数据在到达Event Hub时，会被挨个分配到某个Partition上，分配默认是轮流的方式（Round Robin）。也就是说，第一条消息到来的时候，会被写到第一个笔记本上，而第二条消息到来的时候，会被写到第二个笔记本上，以此类推。

笔记本 A：1  4

笔记本 B：2  5

笔记本 C：3   <- 6

  

这种分成多区的形式，目的是为了提供并行接收（读取）的能力。

 

还是拿笔记本来打比方。比如，一开始的时候，你有一个Event Hub，里面有2个笔记本来记录数据，然后你请了一个人（读取数据的应用）来从这两个笔记本上读取数据（应用可以开两个线程来同时读取数据）。由于刚开始消息并不多，所以一个人的脑子还是够用的。

但是后面，你的业务越做越大，进入的数据流也越来越大，你请的人脑子不够用了（CPU不够，读取速度不够）。这时候，你就需要再请一个人（再开一个读取应用实例），那么这两个人可以每个人管一个笔记本，读取上面的数据。

 

然而你的业务越做越大，两个人也读不过来了，怎么办呢？这时候你可能要考虑再多加一个笔记本，这样就可以再多请一个人了。不过因为目前partition数量不能在Event Hub创建之后修改，所以只能重新创建一个有更多Partition数量的Event Hub才能满足要求。

  

当然，Partition并不是越多越好，因为每个Partition都要求有一个单独的Receiver来读取，而这意味着更多CPU资源和Socket连接的代价，所以要谨慎考虑增加Partition的数量，不要随意耗费资源。

 

最多可以有多少个Partition？

一个Event Hub允许2-32个Partition，在创建Event Hub时设置。目前的话，Event Hub一旦创建就不能修改（只能创建一个新的Event Hub），所以要创建的时候合理预估并行读取的数量。

 

什么是Consumer Group？

那Consumer Group是什么呢？在Event Hub的概念中，Consumer Group相当于一个读取时的视图（View），我们可以保存一个Consumer Group下，读取流的状态（读取的应用读到了什么位置，或者说偏移量）。这样的话，如果一个应用的读取连接因为某些原因而断开，要重新建立读取连接的话，我们就方便知道要从什么位置继续读取。

 

我们可以在一个Event Hub中创建多个Consumer Group（最多20个），这样不同的读取应用就可以使用不同的Consumer Group来进行读取。比如，一个Event Hub收集了所有的共享单车的状态数据，而在分析数据的时候，我们有一个应用是用来监测当前单车分布的位置是否需要派人调整，另一个应用则是需要进行用户的使用习惯、行动路线来的分析。两个应用目的不同，读取的频率也并不相同。这样种情况下，就可以使用两个Consumer Group，分别对应每个应用，这样两边的读取可以互不干扰。

 

如何使用

（*本文是一个介绍，并非教程。所以此处假设已经在Azure里创建了“事件中心命名空间 Event Hub Namespace”和“事件中心 Event Hub”，并且获取了Event Hub的Connection String。）

 

那么如何使用Event Hub API进行事件的收发呢？

发送接口 Sender API

有两种方式都可以实现将数据发送到Event Hub上的操作。一种是用基于HTTPS协议的REST API来进行发送，也就是在header里设置授权信息，把要发送的数据POST到相应的URL。*

（* 详细操作在这里可以看到：https://docs.microsoft.com/en-us/rest/api/eventhub/event-hubs-runtime-rest。）

 

但是更推荐的是第二种发送方式，使用EventClient API。它背后是AMQP协议，更为高效。不过这里我们并不需要理解AMQP的实现方式，只需要使用微软提供的接口。

下面以C#为例，简单介绍发送接口：

API接口在Microsoft.Azure.EventHubs的NuGet包里。

1. 创建 EventData，把要发送的消息放在EventData对象中。

 var eventData = new EventData(byteArray);

 

2. 创建 EventHubClient，这时要提供带有授权信息（Connection String）好连接到指定的Event Hub。

 EventHubClient eventHubClient = EventHubClient.CreateFromConnectionString(connectionString);

 

3. 调用EventHubClient的发送API来发送数据

 eventHubClient.SendAsync(eventData);

 

接收接口 Receiver API

从Event Hub里面获取出数据的接口基于AMQP协议（并没有基于HTTPS协议的API）。

其中，仍然有两种方式可以实现数据的获取：1）使用EventHubClient的PartitionReceiver；2）使用EventProcessorHost （EPH）API。下面分别介绍：

https://docs.microsoft.com/en-us/azure/event-hubs/event-hubs-dotnet-standard-api-overview

1）使用PartitionReceiver

这是Event Hub提供的一个读取API，可以从一个指定的Partition上读取数据。

API接口在Microsoft.Azure.EventHubs的NuGet包里。

1. 和发送数据一样，创建EventHubClient连接到Event Hub。这个EventHubClient在发送的时候也有使用到。

EventHubClient eventHubClient = EventHubClient.CreateFromConnectionString(connectionString);

 

2. 用EventHubClient的CreateReceiver() API来创建PartitionReceiver：

PartitionReceiver partitionReceiver = eventHubClient.CreateReceiver("$Default", "0", DateTime.Now); //从默认ConsumerGroup上，获取“0”号Partition上，从当前时刻以后的所有数据。

在这里，我们想要

 

3. 调用PartitionReceiver的接收API来接收消息

var eventDatas = await partitionReceiver.ReceiveAsync(10); // 执行接收，设定最多接收10条数据

 

4. 解析数据

foreach (var ehEvent in ehEvents)

{

var message = UnicodeEncoding.UTF8.GetString(ehEvent.Body.Array);

// 放入数据分析逻辑的代码

}

 

值得说明的是，一个PartitionReceiver只能从一个partition上读取信息。所以通常的做法是，对于一个Event Hub的每一个partition，都创建一个PartitionReceiver来进行读取，一一对应。

我们可以用EventHubClient的GetRuntimeInfoAsync() API来得到runtime信息，这里面我们可以知道所有的partition，从而一一创建PartitionReceiver：

var runTimeInformation = await eventHubClient.GetRuntimeInformationAsync();

foreach (var partitionId in runTimeInformation.PartitionIds) {

var receiver = eventHubClient.CreateReceiver(PartitionReceiver.DefaultConsumerGroupName, partitionId, Date.Time.Now);

 }

 

2）EventProcessorHost

PartitionReceiver直接从一个指定的partition上读取数据，简单好用。然而，我们往往需要读取多个partition上的数据，并且在大数据的场景下对可扩展性有着相当的需求，这样我们既需要管“给每个partition创建PartitionReceiver”这个事情，还需要管“开了多个应用实例以后partition读取工作的分配”的事情，还要考虑“如果一个应用实例挂了，要怎么从之前的进度开始接着读取”，这样写起来十分复杂。

有没有更自动省力的方法呢？

当然有哒！如果不想要手写一个一个partition的读取、offset的记录、规模的缩放，我们可以使用EventProcessorHost（EPH）来进行处理。

本质上讲，EPH提供两个功能：1. EPH会自动把一个Event Hub中的每一个partition都创建一个EventProcessor（相当于一个receiver），并且把这些Processor平均分配给现有的应用实例去处理，并且实时监控这些应用实例；2. EPH会把读取的进度自动保存下来。这样，不管你有多少个实例在健康运行，或者某个实例挂掉了，都可以保证你的读取正常进行，提供高可用性（availability）。

简单点说，现在你有若干个个笔记本上的数据要读，如果使用PartitionReceiver的方法，就是你请了若干个人来读这些笔记本（创建若干App实例），你自己安排哪个人读哪个笔记本，那么如何分配你就得自己操心。如果使用EPH，那么相当于请了一个经理来管理，经理会根据你请了几个人（开几个App实例），自动分配每个人干的活。如果某个人请假了（某个App挂了），经理也会自动安排他的工作给其他人。同时，经理会记录每个笔记本读到了哪里，以便如果读取工作被中断（如读取连接断开），后面还可以继续从上次的地方接着读。

API接口在Microsoft.Azure.EventHubs.Processor的NuGet包里。**

 

首先，要实现一个IEventProcessor接口:

CloseAsync(), OpenAsync(), ProcessErrorAsync(), ProcessEventsAsync()

 

public class YourEventProcessor : IEventProcessor{

public Task CloseAsync(PartitionContext context, CloseReason reason){

// your implementation when close

}

public Task OpenAsync(PartitionContext context){

// your implementation when open

}

public Task ProcessErrorAsync(PartitionContext context, Exception error){

// your implementation to process error

}

public Task ProcessEventAsync(PartitionContext context, IEnumerable<EventData> eventDatas){

// your implementation to process event data

if(eventDatas != null){

foreach(var eventData in eventDatas){

// process data here

}

}

return context.CheckpointAsync(); // save offset

}

}

上面的代码中，实际的数据分析逻辑就写在ProcessEventsAsync()里，最后 “return context.CheckpointAsync();” 进行读取进度的保存。

然后，在主程序中创建EventProcessorHost：

var yourEventProcessorHost = new EventProcessorHost(

eventHubPath,

consumerGroupName,

eventHubConnectionString,

storageConnectionString,

containerName);

其中，eventHubPath、consumerGroupName、eventHubConnectionString是你创建好的EventHub的验证信息，storageConnectionString和containerName是Azure Storage Account的验证信息，这是用来保存读取进度的，它也需要提前创建好（这里不介绍如何创建）*。

下一步，要把这个EPH和刚刚创建的EventProcessor连接起来：

await yourEventProcessorHost.RegisterEventProcessorAsync<YourEventProcessor>();

最后，主程序退出时，取关EventProcessor。

await yourEventProcessorHost.UnregisterEventProcessorAsync();

这样，即使你有多个应用实例，EPH可以帮你管理，并且以你想要的方式处理。

 

*也可以选择使用别的storage，需要使用ICheckpointManager，这里不详细介绍。

** EPH接口正在进行重新优化设计，在本文发文后，接口可能会有较大变动，读者请以实时的官方文档为主。

 

Event Hub支持的语言以及API包：

• C# .Net https://docs.microsoft.com/en-us/dotnet/api/overview/azure/event-hubs?view=azure-dotnet

入门指导文档 https://docs.microsoft.com/en-us/azure/event-hubs/event-hubs-programming-guide

• Java https://github.com/Azure/azure-event-hubs-java
• Go https://godoc.org/github.com/Azure/azure-event-hubs-go
• Python https://github.com/Azure/azure-sdk-for-python/tree/master/sdk/eventhub/azure-eventhubs
• javascript (Node.js & Browser) https://github.com/Azure/azure-sdk-for-js/tree/master/sdk/eventhub/event-hubs

 

总结

EventHub的本质是messaging queue的变种——messaging log，是大数据时代下的产物，作为大数据分析流的门户，专门为大数据分析提供了一个缓冲、负载平衡，为大数据的收发提供可靠、易于操作的平台服务。希望这篇文章所介绍的Event Hub的定义、工作原理、使用方式能带给大家启发。也希望有说的不够清楚、不够严谨的地方，请大家多多指正 :)

 

特别感谢:

Xin大神

Jun

Adam