如何使用kafka connect将数据批量写到hdfs

小编给大家分享一下如何使用kafka connect将数据批量写到hdfs，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

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 props) {        hdfsUrl = props.get(HDFS_URL);        hdfsPath = props.get(HDFS_PATH);    }　　//这里指定了Task的类    @Override    public Class taskClass() {        return HdfsSinkTask.class;    }　　//用于配置Task的config，这些都是会在Task中用到    @Override    public List> taskConfigs(int maxTasks) {        ArrayList> configs = new ArrayList<>();        for (int i = 0; i < maxTasks; i++) {            Map 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 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 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 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。

以上是"如何使用kafka connect将数据批量写到hdfs"这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注行业资讯频道！