Apache Kafka to BigQuery 模板

Apache Kafka to BigQuery 模板是一种流处理流水线,可从 Google Cloud Managed Service for Apache Kafka 集群注入文本数据,然后将生成的记录输出到 BigQuery 表。在将数据插入输出表时出现的任何错误都将被插入 BigQuery 中单独的错误表。

您还可以将 Apache Kafka to BigQuery 模板与自行管理的 Kafka 或外部 Kafka 搭配使用。

流水线要求

  • Apache Kafka 代理服务器必须正在运行并可从 Dataflow 工作器机器进行访问。
  • Apache Kafka 主题必须存在。
  • 您必须启用 Dataflow、BigQuery 和 Cloud Storage API。如果需要进行身份验证,您还必须启用 Secret Manager API。
  • 为您的 Kafka 输入主题创建具有适当架构的 BigQuery 数据集和表。如果您在同一主题中使用多个架构,并希望写入多个表,则无需在配置流水线之前创建表。
  • 启用模板的死信(未处理的消息)队列后,请创建一个没有死信队列架构的空表。

Kafka 消息格式

Apache Kafka to BigQuery 模板支持从 Kafka 读取以下格式的消息:CONFLUENT_AVRO_WIRE_FORMATAVRO_BINARY_FORMATJSON

身份验证

Apache Kafka to BigQuery 模板支持对 Kafka 代理进行 SASL/PLAIN 身份验证。

模板参数

必需参数

  • readBootstrapServerAndTopic:要从中读取输入的 Kafka 主题。
  • kafkaReadAuthenticationMode:与 Kafka 集群搭配使用的身份验证模式。如果不进行身份验证,请使用 NONE;如果使用 SASL/PLAIN 用户名和密码,请使用 SASL_PLAIN。Apache Kafka for BigQuery 仅支持 SASL_PLAIN 身份验证模式。默认值为:SASL_PLAIN。
  • writeMode:写入模式:将记录写入一个或多个表(取决于架构)。DYNAMIC_TABLE_NAMES 模式仅支持 AVRO_CONFLUENT_WIRE_FORMAT 来源消息格式和 SCHEMA_REGISTRY 架构来源。系统会根据每条消息的 Avro 架构名称自动生成目标表名称,该名称可以是单个架构(创建单个表)或多个架构(创建多个表)。SINGLE_TABLE_NAME 模式会写入用户指定的单个表(单个架构)。默认为 SINGLE_TABLE_NAME。
  • useBigQueryDLQ:如果为 true,则系统会将失败的消息写入 BigQuery,并附上额外的错误信息。死信表应在不使用架构的情况下创建。默认值为:false。
  • messageFormat:要读取的 Kafka 消息的格式。支持的值包括 AVRO_CONFLUENT_WIRE_FORMAT(Confluent 架构注册表编码的 Avro)、AVRO_BINARY_ENCODING(普通二进制 Avro)和 JSON。默认值为:AVRO_CONFLUENT_WIRE_FORMAT。

可选参数

  • outputTableSpec:要将输出写入的 BigQuery 表位置。该名称应采用 <project>:<dataset>.<table_name> 格式。表的架构必须与输入对象匹配。
  • persistKafkaKey:如果为 true,则流水线会将 Kafka 消息键保留在 BigQuery 表中,即类型为 BYTES_key 字段中。默认值为 false(忽略键)。
  • outputProject:数据集所在的 BigQuery 输出项目。系统会在数据集中动态创建表。默认值为空。
  • outputDataset:要将输出写入的 BigQuery 输出数据集。系统会在数据集中动态创建表。如果表是事先创建的,则表名称应遵循指定的命名惯例。名称应为 bqTableNamePrefix + Avro Schema FullName,每个单词都将用连字符“-”分隔。默认为空。
  • bqTableNamePrefix:创建 BigQuery 输出表时使用的命名前缀。仅在使用架构注册表时适用。默认值为空。
  • createDisposition:BigQuery CreateDisposition。例如,CREATE_IF_NEEDED、CREATE_NEVER。默认值为:CREATE_IF_NEEDED。
  • writeDisposition:BigQuery WriteDisposition。例如,WRITE_APPEND、WRITE_EMPTY 或 WRITE_TRUNCATE。默认值为:WRITE_APPEND。
  • useAutoSharding:如果为 true,则流水线在写入 BigQuery 时会使用自动分片。默认值为 true
  • numStorageWriteApiStreams:指定写入流的数量,必须设置此参数。默认值为 0。
  • storageWriteApiTriggeringFrequencySec:指定触发频率(以秒为单位),必须设置此参数。默认值为 5 秒。
  • useStorageWriteApiAtLeastOnce:此参数仅在启用了“使用 BigQuery Storage Write API”时有效。如果启用,则系统会将“至少一次”语义用于 Storage Write API,否则会使用“正好一次”语义。默认值为:false。
  • outputDeadletterTable:失败消息的 BigQuery 表。出于各种原因(例如,架构不匹配、JSON 格式错误)未能到达输出表的消息会写入该表。(示例:your-project-id:your-dataset.your-table-name)。
  • enableCommitOffsets:将已处理消息的偏移量提交到 Kafka。如果启用此参数,则在重启流水线时,消息处理的间隔或重复处理会降到最低。需要指定使用方群组 ID。默认值为:false。
  • consumerGroupId:此流水线所属的使用方群组的唯一标识符。如果已启用“将偏移量提交到 Kafka”,则必须使用此参数。默认值为空。
  • kafkaReadOffset:在没有提交偏移量的情况下读取消息的起点。最早的从最开始算起,最新的从最新消息算起。默认值为最新。
  • kafkaReadUsernameSecretId:Google Cloud Secret Manager 密钥 ID,其中包含要与 SASL_PLAIN 身份验证搭配使用的 Kafka 用户名。(示例:projects/<PROJECT_ID>/secrets/<SECRET_ID>/versions/<SECRET_VERSION>)。默认为空。
  • kafkaReadPasswordSecretId:Google Cloud Secret Manager 密钥 ID,其中包含要与 SASL_PLAIN 身份验证搭配使用的 Kafka 密码。(示例:projects/<PROJECT_ID>/secrets/<SECRET_ID>/versions/<SECRET_VERSION>)。默认为空。
  • schemaFormat:Kafka 架构格式。可作为 SINGLE_SCHEMA_FILE 或 SCHEMA_REGISTRY 提供。如果指定了 SINGLE_SCHEMA_FILE,则所有消息都应具有 avro 架构文件中提及的架构。如果指定了 SCHEMA_REGISTRY,消息可以具有单个架构或多个架构。默认值为 SINGLE_SCHEMA_FILE。
  • confluentAvroSchemaPath:用于解码主题中所有消息的单个 Avro 架构文件的 Google Cloud Storage 路径。默认值为空。
  • schemaRegistryConnectionUrl:用于管理 Avro 架构以进行消息解码的 Confluent 架构注册表实例的网址。默认值为空。
  • binaryAvroSchemaPath:用于解码二进制编码 Avro 消息的 Avro 架构文件的 Google Cloud Storage 路径。默认值为空。

运行模板

控制台

  1. 转到 Dataflow 基于模板创建作业页面。
  2. 转到“基于模板创建作业”
  3. 作业名称字段中,输入唯一的作业名称。
  4. 可选:对于区域性端点,从下拉菜单中选择一个值。默认区域为 us-central1

    如需查看可以在其中运行 Dataflow 作业的区域列表,请参阅 Dataflow 位置

  5. Dataflow 模板下拉菜单中,选择 the Kafka to BigQuery template。
  6. 在提供的参数字段中,输入您的参数值。
  7. 可选:如需从“正好一次”处理切换到“至少一次”流处理模式,请选择至少一次
  8. 点击运行作业

gcloud

在 shell 或终端中,运行模板:

gcloud dataflow flex-template run JOB_NAME \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --template-file-gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/flex/Kafka_to_BigQuery \
    --parameters \
outputTableSpec=BIGQUERY_TABLE,\
inputTopics=KAFKA_TOPICS,\
javascriptTextTransformGcsPath=PATH_TO_JAVASCRIPT_UDF_FILE,\
javascriptTextTransformFunctionName=JAVASCRIPT_FUNCTION,\
bootstrapServers=KAFKA_SERVER_ADDRESSES
  

替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目的 ID
  • JOB_NAME:您选择的唯一性作业名称
  • REGION_NAME:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • BIGQUERY_TABLE:您的 BigQuery 表名称
  • KAFKA_TOPICS:Apache Kakfa 主题列表。如果提供了多个主题,您需要转义英文逗号。请参阅 gcloud topic escaping
  • PATH_TO_JAVASCRIPT_UDF_FILE.js 文件的 Cloud Storage URI,用于定义您要使用的 JavaScript 用户定义的函数 (UDF),例如 gs://my-bucket/my-udfs/my_file.js
  • JAVASCRIPT_FUNCTION: 您要使用的 JavaScript 用户定义的函数 (UDF) 的名称

    例如,如果您的 JavaScript 函数代码为 myTransform(inJson) { /*...do stuff...*/ },则函数名称为 myTransform。如需查看 JavaScript UDF 示例,请参阅 UDF 示例

  • KAFKA_SERVER_ADDRESSES:Apache Kafka broker 服务器 IP 地址列表。每个 IP 地址都需要可访问服务器的端口号。例如:35.70.252.199:9092。如果提供了多个地址,您需要转义英文逗号。请参阅 gcloud topic escaping

API

如需使用 REST API 来运行模板,请发送 HTTP POST 请求。如需详细了解 API 及其授权范围,请参阅 projects.templates.launch

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/flexTemplates:launch
{
   "launch_parameter": {
      "jobName": "JOB_NAME",
      "parameters": {
          "outputTableSpec": "BIGQUERY_TABLE",
          "inputTopics": "KAFKA_TOPICS",
          "javascriptTextTransformGcsPath": "PATH_TO_JAVASCRIPT_UDF_FILE",
          "javascriptTextTransformFunctionName": "JAVASCRIPT_FUNCTION",
          "bootstrapServers": "KAFKA_SERVER_ADDRESSES"
      },
      "containerSpecGcsPath": "gs://dataflow-templates-LOCATION/VERSION/flex/Kafka_to_BigQuery",
   }
}
  

替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目的 ID
  • JOB_NAME:您选择的唯一性作业名称
  • LOCATION:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • BIGQUERY_TABLE:您的 BigQuery 表名称
  • KAFKA_TOPICS:Apache Kakfa 主题列表。如果提供了多个主题,您需要转义英文逗号。请参阅 gcloud topic escaping
  • PATH_TO_JAVASCRIPT_UDF_FILE.js 文件的 Cloud Storage URI,用于定义您要使用的 JavaScript 用户定义的函数 (UDF),例如 gs://my-bucket/my-udfs/my_file.js
  • JAVASCRIPT_FUNCTION: 您要使用的 JavaScript 用户定义的函数 (UDF) 的名称

    例如,如果您的 JavaScript 函数代码为 myTransform(inJson) { /*...do stuff...*/ },则函数名称为 myTransform。如需查看 JavaScript UDF 示例,请参阅 UDF 示例

  • KAFKA_SERVER_ADDRESSES:Apache Kafka broker 服务器 IP 地址列表。每个 IP 地址都需要可访问服务器的端口号。例如:35.70.252.199:9092。如果提供了多个地址,您需要转义英文逗号。请参阅 gcloud topic escaping

如需了解详情,请参阅使用 Dataflow 将数据从 Kafka 写入 BigQuery

后续步骤