作者：韩山杰
Databend Cloud 研发工程师
https://github.com/hantmac
Databend是一个开源、高性能、低成本易于扩展的新一代云数据堆栈。bend-ingest-kafka 是一个专为 Databend 计划的实时数据导入工具，它允许用户从 Apache Kafka 直接将数据流导入到 Databend 中，实现数据的实时分析和处理惩罚。
为什么选择bend-ingest-kafka？
- 实时性: 可以或许实时地从 Kafka 中读取数据并导入到 Databend。
- 高吞吐量: 支持高并发的数据导入，满足大规模数据处理惩罚的需求。
- 易用性: 提供了简单直观的设置方式，便于用户快速上手。
- 灵活性: 可二次开发支持多种数据格式和自界说转换逻辑。
环境准备
在使用 bend-ingest-kafka 之前，必要确保以下环境已经搭建好：
- 一个运行中的 Databend 实例大概在 Databend Cloud 中创建一个 warehouse(推荐)。
- 一个设置好的 Apache Kafka 集群。
- 已经安装的 bend-ingest-kafka。
快速开始
Step 1: 安装 bend-ingest-kafka
可以从 Databend 的官方 GitHub 堆栈 release 页面 下载对应 OS 架构的 bend-ingest-kafka 的可实行二进制文件，大概直接实行下令安装最新版本。
- go install github.com/databendcloud/bend-ingest-kafka@latest
设置文件通常包罗 Kafka 的连接以及设置信息、Databend 的连接信息以及数据转换的逻辑。以下是一个简单的设置示例：
- {
- "kafkaBootstrapServers": "localhost:9092",
- "kafkaTopic": "ingest_test",
- "KafkaConsumerGroup": "test",
- "mockData": "",
- "isJsonTransform": false,
- "databendDSN": "https://cloudapp:password@tn3ftqihs--medium-p8at.gw.aws-us-east-2.default.databend.com:443",
- "databendTable": "default.kfk_test",
- "batchSize": 10,
- "batchMaxInterval": 5,
- "dataFormat": "json",
- "workers": 1,
- "copyPurge": false,
- "copyForce": false,
- "disableVariantCheck": true,
- "minBytes": 1024,
- "maxBytes": 1048576,
- "maxWait": 10,
- "useReplaceMode": false,
- "userStage": "~"
- }
- isJsonTransform: 默认为 true，将 Kafka Json 数据逐字段转换为 Databend 表数据。通过设置 isJsonTransform 为 true 来使用此模式。如果设置为 false 的话，系统将在 Databend 中主动创建一个 raw table, 列包罗 (uuid, koffset, kpartition, raw_data, record_metadata, add_time)，并将原始数据导入此表。此中 raw_data 为导入的 kafka Json 数据，record_metadata 包含了本条数据的 kafka 元信息 - topic, partition, offset, create_time, key，方便用户查询。
- useReplaceMode: useReplaceMode 是一种去重模式，开启后如果表中已存在数据，新数据将更换旧数据。但 useReplaceMode 仅在 isJsonTransform 为 false 时支持，由于它必要在目标表中添加 koffset 和 kpartition 字段。在这种模式下，系统可以实现 exactly once 的同步语义，否则为 at-least-once 语义。
- userStage: 用户的自界说 external stage name。
Step 3: 启动数据导入
这里使用 raw-data 模式作演示。
Kafka 的 Json 数据示例为：
- {"i64": 10,"u64": 30,"f64": 20,"s": "hao","s2": "hello","a16":[1],"a8":[2],"d": "2011-03-06","t": "2016-04-04 11:30:00"}
可以使用下面的脚本快速生成 kafka json 数据：
- from confluent_kafka import Producer
- # 创建一个Producer实例
- p = Producer({'bootstrap.servers': 'localhost:9092'})
- for i in range(1000000):
- json_data = '{"i64": 10,"u64": 30,"f64": 20,"s": "hao","s2": "hello","a16":[1],"a8":[2],"d": "2011-03-06","t": "2016-04-04 11:30:00"}'
- p.produce('ingest_test', json_data)
- print(i)
- p.flush()
默认读取 ./config/conf.json 设置文件，开始将 Kafka 中的数据导入到 Databend。
启动后可以看到 log 和 metrics:
到 Databend 中可以查询到已经同步的数据：
由于 raw_data 和 record_metadata 的字段格式都是 JSON ，所以可以很灵活地做一些数据分析：
- select record_metadata['partition'] p,
- min(record_metadata['offset']::bigint) o1,
- max(record_metadata['offset']::bigint) o2,
- o2-o1+1 sub_count,
- count(distinct record_metadata['offset']) distinct_cnt,
- count(1) cnt
- from default.kfk_test
- group by p
- order by p;
高级特性
- 错误处理惩罚: 可以或许处理惩罚数据导入过程中的异常，并提供重试机制。
- 监控与日志: 提供详细的日志记载和监控指标，方便跟踪数据导入的状态。
结语
bend-ingest-kafka 作为一个强大的工具，为 Databend 用户提供了从 Kafka 实时导入数据的能力。通过本文的介绍，用户应该可以或许快速上手并利用这个工具来实现实时数据处理惩罚的需求。
关于 Databend
Databend 是一款开源、弹性、低成本，基于对象存储也可以做实时分析的新式数仓。期待您的关注，一起探索云原生数仓办理方案，打造新一代开源 Data Cloud。
|
