一、背景

Kafka中的實時數(shù)據(jù)是以Topic的概念進(jìn)行分類存儲，而Topic的數(shù)據(jù)是有一定時效性的，比如保存24小時、36小時、48小時等。

二、內(nèi)容

2.1 案例分析

這里以i視頻和vivo短視頻實時數(shù)據(jù)為例，之前存在這樣的協(xié)作問題：

數(shù)據(jù)上游內(nèi)容方提供實時Topic（存放i視頻和vivo短視頻相關(guān)實時數(shù)據(jù)），數(shù)據(jù)側(cè)對實時數(shù)據(jù)進(jìn)行邏輯處理后，發(fā)送給下游工程去建庫實時索引，當(dāng)任務(wù)執(zhí)行一段時間后，工程側(cè)建索引偶爾會提出數(shù)據(jù)沒有發(fā)送過去的Case，前期由于沒有對數(shù)據(jù)做存儲，在定位問題的時候會比較麻煩，經(jīng)常需求查看實時日志，需要花費很長的時間來分析這些Case是出現(xiàn)在哪個環(huán)節(jié)。

為了解決這個問題，我們可以將實時Topic中的數(shù)據(jù)，在發(fā)送給其他Topic的時候，添加跟蹤機(jī)制，進(jìn)行數(shù)據(jù)分流，Sink到存儲介質(zhì)（比如HDFS、Hive等）。這里，我們選擇使用Hive來進(jìn)行存儲，主要是查詢方便，支持SQL來快速查詢。如下圖所示：

在實現(xiàn)優(yōu)化后的方案時，有兩種方式可以實現(xiàn)跟蹤機(jī)制，它們分別是Flink SQL寫Hive、Flink DataStream寫Hive。接下來，分別對這兩種實現(xiàn)方案進(jìn)行介紹和實踐。

2.2 方案一：Flink SQL寫Hive

這種方式比較直接，可以在Flink任務(wù)里面直接操作實時Topic數(shù)據(jù)后，將消費后的數(shù)據(jù)進(jìn)行分流跟蹤，作為日志記錄寫入到Hive表中，具體實現(xiàn)步驟如下：

• 構(gòu)造Hive Catalog；
• 創(chuàng)建Hive表；
• 寫入實時數(shù)據(jù)到Hive表。

2.2.1 構(gòu)造Hive Catalog

在構(gòu)造Hive Catalog時，需要初始化Hive的相關(guān)信息，部分代碼片段如下所示：

// 設(shè)置執(zhí)行環(huán)境
 StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
 EnvironmentSettings settings = EnvironmentSettings.newInstance().useBlinkPlanner().build();
 StreamTableEnvironment tEnv = StreamTableEnvironment.create(env,settings);
 // 構(gòu)造 Hive Catalog 名稱
 String name = "video-hive-catalog";
 // 初始化數(shù)據(jù)庫名
 String defaultDatabase = "comsearch";
 // Hive 配置文件路徑地址
 String hiveConfDir = "/appcom/hive/conf";
 // Hive 版本號
 String version = "3.1.2";
 // 實例化一個 HiveCatalog 對象
 HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
 // 注冊HiveCatalog
 tEnv.registerCatalog(name, hive);
 // 設(shè)定當(dāng)前 HiveCatalog
 tEnv.useCatalog(name);
 // 設(shè)置執(zhí)行SQL為Hive
 tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
 // 使用數(shù)據(jù)庫
 tEnv.useDatabase("db1");

在以上代碼中，我們首先設(shè)置了 Flink 的執(zhí)行環(huán)境和表環(huán)境，然后創(chuàng)建了一個 HiveCatalog，并將其注冊到表環(huán)境中。

2.2.2 創(chuàng)建Hive表

如果Hive表不存在，可以通過在程序中執(zhí)行建表語句，具體SQL見表語句代碼如下所示：

-- 創(chuàng)建表語句 
tEnv.executeSql("CREATE TABLE IF NOT EXISTS TABLE `xxx_table`(
  `content_id` string,
  `status` int)
PARTITIONED BY (
  `dt` string,
  `h` string,
  `m` string)
stored as ORC
TBLPROPERTIES (
  'auto-compaction'='true',
  'sink.partition-commit.policy.kind'='metastore,success-file',
  'partition.time-extractor.timestamp-pattern'='$dt $h:$m:00'
)")

在創(chuàng)建Hive表時我們使用了IF NOT EXISTS關(guān)鍵字，如果Hive中該表不存在會自動在Hive上創(chuàng)建，也可以提前在Hive中創(chuàng)建好該表，F(xiàn)link SQL中就無需再執(zhí)行建表SQL，因為用了Hive的Catalog，F(xiàn)link SQL運行時會找到表。這里，我們設(shè)置了auto-compaction屬性為true，用來使小文件自動合并，1.12版的新特性，解決了實時寫Hive產(chǎn)生的小文件問題。同時，指定metastore值是專門用于寫入Hive的，也需要指定success-file值，這樣CheckPoint觸發(fā)完數(shù)據(jù)寫入磁盤后會創(chuàng)建_SUCCESS文件以及Hive metastore上創(chuàng)建元數(shù)據(jù)，這樣Hive才能夠?qū)@些寫入的數(shù)據(jù)可查。

2.2.3 寫入實時數(shù)據(jù)到Hive表

在準(zhǔn)備完成2.2.1和2.2.2中的步驟后，接下來就可以在Flink任務(wù)中通過SQL來對實時數(shù)據(jù)進(jìn)行操作了，具體實現(xiàn)代碼片段如下所示：

// 編寫業(yè)務(wù)SQL
 String insertSql = "insert into  xxx_table SELECT content_id, status, " +
                    " DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH'), DATE_FORMAT(ts, 'mm') FROM xxx_rt";
 // 執(zhí)行 Hive SQL
 tEnv.executeSql(insertSql);
 // 執(zhí)行任務(wù)
 env.execute();

將消費后的數(shù)據(jù)進(jìn)行分類，編寫業(yè)務(wù)SQL語句，將消費的數(shù)據(jù)作為日志記錄，發(fā)送到Hive表進(jìn)行存儲，這樣Kafka中的實時數(shù)據(jù)就存儲到Hive了，方便使用Hive來對Kafka數(shù)據(jù)進(jìn)行即席分析。

2.2.4 避坑技巧

使用這種方式在處理的過程中，如果配置使用的是EventTime，在程序中配置'sink.partition-commit.trigger'='partition-time'，最后會出現(xiàn)無法提交分區(qū)的情況。經(jīng)過對源代碼PartitionTimeCommitTigger的分析，找到了出現(xiàn)這種異常情況的原因。

我們可以通過看

org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitionsorg.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions

中的一個函數(shù)，來說明具體的問題，部分源代碼片段如下：

// PartitionTimeCommitTigger源代碼函數(shù)代碼片段
@Override
public List<String> committablePartitions(long checkpointId) {
 if (!watermarks.containsKey(checkpointId)) {
  throw new IllegalArgumentException(String.format(
    "Checkpoint(%d) has not been snapshot. The watermark information is: %s.",
    checkpointId, watermarks));
 }
 long watermark = watermarks.get(checkpointId);
 watermarks.headMap(checkpointId, true).clear();
 
 List<String> needCommit = new ArrayList<>();
 Iterator<String> iter = pendingPartitions.iterator();
 while (iter.hasNext()) {
  String partition = iter.next();
  // 通過分區(qū)的值來獲取分區(qū)的時間
  LocalDateTime partTime = extractor.extract(
    partitionKeys, extractPartitionValues(new Path(partition)));
  // 判斷水印是否大于分區(qū)創(chuàng)建時間+延遲時間
  if (watermark > toMills(partTime) + commitDelay) {
   needCommit.add(partition);
   iter.remove();
  }
 }
 return needCommit;
}

通過分析上述代碼片段，我們可以知道系統(tǒng)通過分區(qū)值來抽取相應(yīng)的分區(qū)來創(chuàng)建時間，然后進(jìn)行比對，比如我們設(shè)置的時間 pattern 是 '$dt $h:$m:00' , 某一時刻我們正在往 /2022-02-26/18/20/ 這個分區(qū)下寫數(shù)據(jù)，那么程序根據(jù)分區(qū)值，得到的 pattern 將會是2022-02-26 18:20:00，這個值在SQL中是根據(jù) DATA_FORMAT 函數(shù)獲取的。

而這個值是帶有時區(qū)的，比如我們的時區(qū)設(shè)置為東八區(qū)，2022-02-26 18:20:00這個時間是東八區(qū)的時間，換成標(biāo)準(zhǔn) UTC 時間是減去8個小時，也就是2022-02-26 10:20:00，而在源代碼中的 toMills 函數(shù)在處理這個東八區(qū)的時間時，并沒有對時區(qū)進(jìn)行處理，把這個其實應(yīng)該是東八區(qū)的時間當(dāng)做了 UTC 時間來處理，這樣計算出來的值就比實際值大8小時，導(dǎo)致一直沒有觸發(fā)分區(qū)的提交。

如果我們在數(shù)據(jù)源中構(gòu)造的分區(qū)是 UTC 時間，也就是不帶分區(qū)的時間，那么這個邏輯就是沒有問題的，但是這樣又不符合我們的實際情況，比如對于分區(qū)2022-02-26 18:20:00，我希望我的分區(qū)肯定是東八區(qū)的時間，而不是比東八區(qū)小8個小時的UTC時間2022-02-26 10:20:00。

在明白了原因之后，我們就可以針對上述異常情況進(jìn)行優(yōu)化我們的實現(xiàn)方案，比如自定義一個分區(qū)類、或者修改缺省的時間分區(qū)類。比如，我們使用TimeZoneTableFunction類來實現(xiàn)一個自定義時區(qū)，部分參考代碼片段如下：

public class CustomTimeZoneTableFunction implements TimeZoneTableFunction {
  private transient DateTimeFormatter formatter;
  private String timeZoneId;
  public CustomTimeZoneTableFunction(String timeZoneId) {
    this.timeZoneId = timeZoneId;
  }
  @Override
  public void open(FunctionContext context) throws Exception {
    // 初始化 DateTimeFormatter 對象
    formatter = DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:00");
    formatter = formatter.withZone(ZoneId.of(timeZoneId));
  }
  @Override
  public void eval(Long timestamp, Collector<TimestampWithTimeZone> out) {
    // 將時間戳轉(zhuǎn)換為 LocalDateTime 對象
    LocalDateTime localDateTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneOffset.UTC);
    // 將 LocalDateTime 對象轉(zhuǎn)換為指定時區(qū)下的 LocalDateTime 對象
    LocalDateTime targetDateTime = localDateTime.atZone(ZoneId.of(timeZoneId)).toLocalDateTime();
    // 將 LocalDateTime 對象轉(zhuǎn)換為 TimestampWithTimeZone 對象，并輸出到下游
    out.collect(TimestampWithTimeZone.fromLocalDateTime(targetDateTime, ZoneId.of(timeZoneId)));
  }
}

2.3 方案二：Flink DataStream寫Hive

在一些特殊的場景下，F(xiàn)link SQL如果無法實現(xiàn)我們復(fù)雜的業(yè)務(wù)需求，那么我們可以考慮使用Flink DataStream寫Hive這種實現(xiàn)方案。比如如下業(yè)務(wù)場景，現(xiàn)在需要實現(xiàn)這樣一個業(yè)務(wù)需求，內(nèi)容方將實時數(shù)據(jù)寫入到Kafka消息隊列中，然后由數(shù)據(jù)側(cè)通過Flink任務(wù)消費內(nèi)容方提供的數(shù)據(jù)源，接著對消費的數(shù)據(jù)進(jìn)行分流處理（這里的步驟和Flink SQL寫Hive的步驟類似），每分鐘進(jìn)行存儲到HDFS（MapReduce任務(wù)需要計算和重跑HDFS數(shù)據(jù)），然后通過MapReduce任務(wù)將HDFS上的這些日志數(shù)據(jù)生成Hive所需要格式，最后將這些Hive格式數(shù)據(jù)文件加載到Hive表中。實現(xiàn)Kafka數(shù)據(jù)到Hive的即席分析功能，具體實現(xiàn)流程細(xì)節(jié)如下圖所示：

具體核心實現(xiàn)步驟如下：

• 消費內(nèi)容方Topic實時數(shù)據(jù)；
• 生成數(shù)據(jù)預(yù)處理策略；
• 加載數(shù)據(jù)；
• 使用Hive SQL對Kafka數(shù)據(jù)進(jìn)行即席分析。

2.3.1 消費內(nèi)容方Topic實時數(shù)據(jù)

編寫消費Topic的Flink代碼，這里不對Topic中的數(shù)據(jù)做邏輯處理，在后面統(tǒng)一交給MapReduce來做數(shù)據(jù)預(yù)處理，直接消費并存儲到HDFS上。具體實現(xiàn)代碼如下所示：

public class Kafka2Hdfs {
    public static void main(String[] args) {
        // 判斷參數(shù)是否有效
        if (args.length != 3) {
            LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist.");
            return;
        }
        // 初始化Kafka連接地址和HDFS存儲地址以及Flink并行度
        String bootStrapServer = args[0];
        String hdfsPath = args[1];
        int parallelism = Integer.parseInt(args[2]);
 
        // 實例化一個Flink任務(wù)對象
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        env.enableCheckpointing(5000);
        env.setParallelism(parallelism);
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
        // Flink消費Topic中的數(shù)據(jù)
        DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_topic", new SimpleStringSchema(), configByKafkaServer(bootStrapServer)));
        // 實例化一個HDFS存儲對象
        BucketingSink<String> sink = new BucketingSink<>(hdfsPath);
        // 自定義存儲到HDFS上的文件名，用小時和分鐘來命名，方便后面算策略
        sink.setBucketer(new DateTimeBucketer<String>("HH-mm"));
        // 設(shè)置存儲HDFS的文件大小和存儲文件時間頻率
        sink.setBatchSize(1024 * 1024 * 4);
        sink.setBatchRolloverInterval(1000 * 30);
        transction.addSink(sink);
        env.execute("Kafka2Hdfs");
    }
    // 初始化Kafka對象連接信息
    private static Object configByKafkaServer(String bootStrapServer) {
        Properties props = new Properties();
        props.setProperty("bootstrap.servers", bootStrapServer);
        props.setProperty("group.id", "test_bll_group");
        props.put("enable.auto.commit", "true");
        props.put("auto.commit.interval.ms", "1000");
        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        return props;
    }
}

注意事項：

• 這里我們把時間窗口設(shè)置小一些，每30s做一次Checkpoint，如果該批次的時間窗口沒有數(shù)據(jù)過來，就生成一個文件落地到HDFS上；
• 另外，我們重寫了Bucketer為DateTimeBucketer，邏輯并不復(fù)雜，在原有的方法上加一個年-月-日/時-分的文件生成路徑，例如在HDFS上的生成路徑：xxxx/2022-02-26/00-00。

具體DateTimeBucketer實現(xiàn)代碼如下所示：

public class DateMinuteBucketer implements Bucketer<String> {
    private SimpleDateFormat baseFormatDay = new SimpleDateFormat("yyyy-MM-dd");
    private SimpleDateFormat baseFormatMin = new SimpleDateFormat("HH-mm");
    @Override
    public Path getBucketPath(Clock clock, Path basePath, String element) {
        return new Path(basePath + "/" + baseFormatDay.format(new Date()) + "/" + baseFormatMin.format(new Date()));
    }
}

2.3.2 生成數(shù)據(jù)預(yù)處理策略

這里，我們需要對落地到HDFS上的文件進(jìn)行預(yù)處理，處理的邏輯是這樣的。比如，現(xiàn)在是2022-02-26 14:00，那么我們需要將當(dāng)天的13:55，13:56，13:57，13:58，13:59這最近5分鐘的數(shù)據(jù)處理到一起，并加載到Hive的最近5分鐘的一個分區(qū)里面去。那么，我們需要生成這樣一個邏輯策略集合，用HH-mm作為key，與之最近的5個文件作為value，進(jìn)行數(shù)據(jù)預(yù)處理合并。具體實現(xiàn)代碼步驟如下：

• 步驟一：獲取小時循環(huán)策略；
• 步驟二：獲取分鐘循環(huán)策略；
• 步驟三：判斷是否為5分鐘的倍數(shù)；
• 步驟四：對分鐘級別小于10的數(shù)字做0補(bǔ)齊（比如9補(bǔ)齊后變成09）；
• 步驟五：對小時級別小于10的數(shù)字做0補(bǔ)齊（比如1補(bǔ)齊后變成01）；
• 步驟六：生成時間范圍；
• 步驟七：輸出結(jié)果。

其中，主要的邏輯是在生成時間范圍的過程中，根據(jù)小時和分鐘數(shù)的不同情況，生成不同的時間范圍，并輸出結(jié)果。在生成時間范圍時，需要注意前導(dǎo)0的處理，以及特殊情況（如小時為0、分鐘為0等）的處理。最后，將生成的時間范圍輸出即可。

根據(jù)上述步驟編寫對應(yīng)的實現(xiàn)代碼，生成當(dāng)天所有日期命名規(guī)則，預(yù)覽部分結(jié)果如下：

需要注意的是，如果發(fā)生了第二天00:00，那么我們需要用到前一天的00-00=>23-59,23-58,23-57,23-56,23-55這5個文件中的數(shù)據(jù)來做預(yù)處理。

2.3.3 加載數(shù)據(jù)

在完成2.3.1和2.3.2里面的內(nèi)容后，接下來，我們可以使用Hive的load命令直接加載HDFS上預(yù)處理后的文件，把數(shù)據(jù)加載到對應(yīng)的Hive表中，具體實現(xiàn)命令如下：

-- 加載數(shù)據(jù)到Hive表
load data inpath '<hdfs_path_hfile>' overwrite into table xxx.table partition(day='2022-02-26',hour='14',min='05')

2.3.4 即席分析

之后，我們使用Hive SQL來對Kafka數(shù)據(jù)進(jìn)行即席分析，示例SQL如下所示：

-- 查詢某5分鐘分區(qū)數(shù)據(jù)
select * from xxx.table where day='2022-02-26' and hour='14' and min='05'

2.4 Flink SQL與 Flink DataStream如何選擇

Flink SQL 和 Flink DataStream 都是 Flink 中用于處理數(shù)據(jù)的核心組件，我們可以根據(jù)自己實際的業(yè)務(wù)場景來選擇使用哪一種組件。

Flink SQL 是一種基于 SQL 語言的數(shù)據(jù)處理引擎，它可以將 SQL 查詢語句轉(zhuǎn)換為 Flink 的數(shù)據(jù)流處理程序。相比于 Flink DataStream，F(xiàn)link SQL 更加易于使用和維護(hù)，同時具有更快的開發(fā)速度和更高的代碼復(fù)用性。Flink SQL 適用于需要快速開發(fā)和部署數(shù)據(jù)處理任務(wù)的場景，比如數(shù)據(jù)倉庫、實時報表、數(shù)據(jù)清洗等。

Flink DataStream API是Flink數(shù)據(jù)流處理標(biāo)準(zhǔn)API，SQL是Flink后期版本提供的新的數(shù)據(jù)處理操作接口。SQL的引入為提高了Flink使用的靈活性。可以認(rèn)為Flink SQL是一種通過字符串來定義數(shù)據(jù)流處理邏輯的描述語言。

因此，在選擇 Flink SQL 和 Flink DataStream 時，需要根據(jù)具體的業(yè)務(wù)需求和數(shù)據(jù)處理任務(wù)的特點來進(jìn)行選擇。如果需要快速開發(fā)和部署任務(wù)，可以選擇使用 Flink SQL；如果需要進(jìn)行更為深入和定制化的數(shù)據(jù)處理操作，可以選擇使用 Flink DataStream。同時，也可以根據(jù)實際情況，結(jié)合使用 Flink SQL 和 Flink DataStream 來完成復(fù)雜的數(shù)據(jù)處理任務(wù)。

三、 總結(jié)

在實際應(yīng)用中，Kafka實時數(shù)據(jù)即席查詢可以用于多種場景，如實時監(jiān)控、實時報警、實時統(tǒng)計、實時分析等。具體應(yīng)用和實踐中，需要注意以下幾點：

• 數(shù)據(jù)質(zhì)量：Kafka實時數(shù)據(jù)即席查詢需要保證數(shù)據(jù)質(zhì)量，避免數(shù)據(jù)重復(fù)、丟失或錯誤等問題，需要進(jìn)行數(shù)據(jù)質(zhì)量監(jiān)控和調(diào)優(yōu)。
• 系統(tǒng)復(fù)雜性：Kafka實時數(shù)據(jù)即席查詢需要涉及到多個系統(tǒng)和組件，包括Kafka、數(shù)據(jù)處理引擎（比如Flink）、查詢引擎（比如Hive）等，需要對系統(tǒng)進(jìn)行配置和管理，增加了系統(tǒng)的復(fù)雜性。
• 安全性：Kafka實時數(shù)據(jù)即席查詢需要加強(qiáng)數(shù)據(jù)安全性保障，避免數(shù)據(jù)泄露或數(shù)據(jù)篡改等安全問題，做好Hive的權(quán)限管控。
• 性能優(yōu)化：Kafka實時數(shù)據(jù)即席查詢需要對系統(tǒng)進(jìn)行性能優(yōu)化，包括優(yōu)化數(shù)據(jù)處理引擎、查詢引擎等，提高系統(tǒng)的性能和效率。