Apache Kafka ist eine verteilte Open-Source-Streamingplattform für Echtzeitdaten Pipelines und Datenintegration. Es bietet ein effizientes und skalierbares Streaming-System. zur Verwendung in einer Vielzahl von Anwendungen, einschließlich:
- Echtzeitanalysen
- Streamverarbeitung
- Logaggregation
- Verteiltes Messaging
- Ereignisstreaming
Lernziele
Installieren Sie Kafka auf einem Dataproc-HA-Cluster mit ZooKeeper (in dieser Anleitung als "Dataproc-Kafka-Cluster" bezeichnet).
Sie erstellen fiktive Kundendaten und veröffentlichen die Daten dann in einem Kafka-Thema.
Hive-Parkett- und ORC-Tabellen in Cloud Storage erstellen um gestreamte Kafka-Themendaten zu erhalten.
Senden Sie einen PySpark-Job, um das Kafka-Thema zu abonnieren und in dieses zu streamen Cloud Storage im Parquet- und ORC-Format.
Abfrage der gestreamten Hive-Tabellendaten ausführen, um die gestreamten Daten zu zählen Kafka-Nachrichten.
Kosten
In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Nach Abschluss der in diesem Dokument beschriebenen Aufgaben können Sie weitere Kosten vermeiden, indem Sie die erstellten Ressourcen löschen. Weitere Informationen finden Sie unter Bereinigen.
Hinweise
Erstellen Sie ein Google Cloud-Projekt, falls noch nicht geschehen.
- Melden Sie sich bei Ihrem Google Cloud-Konto an. Wenn Sie mit Google Cloud noch nicht vertraut sind, erstellen Sie ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Dataproc, Compute Engine, and Cloud Storage APIs aktivieren.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Die Abrechnung für das Google Cloud-Projekt muss aktiviert sein.
-
Dataproc, Compute Engine, and Cloud Storage APIs aktivieren.
- Wechseln Sie in der Google Cloud Console zur Cloud Storage-Seite Buckets.
- Klicken Sie auf Bucket erstellen.
- Geben Sie auf der Seite Bucket erstellen die Bucket-Informationen ein. Klicken Sie auf Weiter, um mit dem nächsten Schritt fortzufahren.
- Geben Sie unter Bucket benennen einen Namen ein, der den Anforderungen für Bucket-Namen entspricht.
-
Gehen Sie unter Speicherort für Daten auswählen folgendermaßen vor:
- Wählen Sie eine Option für Standorttyp aus.
- Wählen Sie eine Standort-Option aus.
- Wählen Sie unter Standardspeicherklasse für Ihre Daten auswählen eine Speicherklasse aus.
- Wählen Sie unter Zugriffssteuerung für Objekte auswählen eine Option für die Zugriffssteuerung aus.
- Geben Sie für Erweiterte Einstellungen (optional) eine Verschlüsselungsmethode, eine Aufbewahrungsrichtlinie oder Bucket-Labels an.
- Klicken Sie auf Erstellen.
Anleitungsschritte
Führen Sie die folgenden Schritte aus, um einen Dataproc-Kafka-Cluster zu erstellen, Ein Kafka-Thema im Parquet-ORC-Format in Cloud Storage einlesen.
Kafka-Installationsskript in Cloud Storage kopieren
Die Initialisierungsaktion kafka.sh
Das Skript installiert Kafka auf einem Dataproc-Cluster.
Sehen Sie sich den Code an.
<ph type="x-smartling-placeholder"></ph>
kafka.sh
kopieren Initialisierungsaktion in Ihren Cloud Storage-Bucket ein. Dieses Skript installiert Kafka auf einem Dataproc-Cluster.Öffnen Sie Cloud Shell und führen Sie den folgenden Befehl aus: folgenden Befehl:
gcloud storage cp gs://goog-dataproc-initialization-actions-REGION/kafka/kafka.sh gs://BUCKET_NAME/scripts/
Ersetzen Sie die folgenden Werte:
- REGION:
kafka.sh
ist öffentlich und regional mit Tags gespeichert Buckets in Cloud Storage. Standort in der Nähe angeben Compute Engine-Region (Beispiel:us-central1
). - BUCKET_NAME: Der Name Ihres Cloud Storage-Buckets
- REGION:
Dataproc-Kafka-Cluster erstellen
Öffnen Sie Cloud Shell und führen Sie den folgenden Befehl aus: die folgenden
gcloud dataproc clusters create
Befehl zum Erstellen einer Dataproc-Instanz Hochverfügbarkeitscluster Cluster, der die Kafka- und ZooKeeper-Komponenten installiert:gcloud dataproc clusters create KAFKA_CLUSTER \ --project=PROJECT_ID \ --region=REGION \ --image-version=2.1-debian11 \ --num-masters=3 \ --enable-component-gateway \ --initialization-actions=gs://BUCKET_NAME/scripts/kafka.sh
Hinweise:
- KAFKA_CLUSTER: Der Clustername, der innerhalb eines Projekts eindeutig sein muss. Der Name muss mit einem Kleinbuchstaben beginnen und kann bis zu 51 Kleinbuchstaben enthalten Buchstaben, Ziffern und Bindestriche. Er darf nicht mit einem Bindestrich enden. Der Name eines kann ein gelöschter Cluster wiederverwendet werden.
- PROJECT_ID: Das Projekt, das mit diesem Cluster verknüpft werden soll.
- REGION: Die
Compute Engine-Region
in dem sich der Cluster befinden wird, z. B.
us-central1
.- Sie können das optionale Flag
--zone=ZONE
hinzufügen, zum Angeben einer Zone innerhalb der angegebenen Region, z. B.us-central1-a
. Wenn Sie keine Zone angeben, Automatische Zonenplatzierung in Dataproc die Funktion eine Zone mit der angegebenen Region auswählt.
- Sie können das optionale Flag
--image-version
: Dataproc-Image-Version2.1-debian11
wird für diese Anleitung empfohlen. Hinweis: Jede Image-Version enthält eine Reihe vorinstallierter Komponenten, einschließlich der Hive-Komponente, die in diesem (siehe Unterstützte Dataproc-Image-Versionen).--num-master
:3
Master-Knoten erstellen ein Hochverfügbarkeitscluster. Die für Kafka erforderliche Zookeeper-Komponente ist vorinstalliert in einem Cluster mit Hochverfügbarkeit.--enable-component-gateway
: Aktiviert die Dataproc-Komponentengateway.- BUCKET_NAME: der Name Ihres Cloud Storage-Bucket
die das Initialisierungsskript
/scripts/kafka.sh
enthält Weitere Informationen finden Sie unter Kafka-Installationsskript in Cloud Storage kopieren.
Kafka-custdata
-Thema erstellen
So erstellen Sie ein Kafka-Thema im Dataproc-Kafka-Cluster:
Verwenden Sie die SSH-Verbindung um ein Terminalfenster auf der Cluster-Master-VM zu öffnen.
Erstellen Sie ein Kafka-
custdata
-Thema./usr/lib/kafka/bin/kafka-topics.sh \ --bootstrap-server KAFKA_CLUSTER-w-0:9092 \ --create --topic custdata
Hinweise:
KAFKA_CLUSTER: Geben Sie den Namen Ihres Kafka-Clusters ein.
-w-0:9092
gibt den Kafka-Broker an, auf dem ausgeführt wird. Port9092
auf demworker-0
-Knoten.Nachdem Sie das Thema
custdata
erstellt haben, können Sie die folgenden Befehle ausführen:# List all topics. /usr/lib/kafka/bin/kafka-topics.sh \ --bootstrap-server KAFKA_CLUSTER-w-0:9092 \ --list
# Consume then display topic data. /usr/lib/kafka/bin/kafka-console-consumer.sh \ --bootstrap-server KAFKA_CLUSTER-w-0:9092 \ --topic custdata
# Count the number of messages in the topic. /usr/lib/kafka/bin/kafka-run-class.sh kafka.tools.GetOffsetShell \ --broker-list KAFKA_CLUSTER-w-0:9092 \ --topic custdata # Delete topic. /usr/lib/kafka/bin/kafka-topics.sh \ --bootstrap-server KAFKA_CLUSTER-w-0:9092 \ --delete --topic custdata
Inhalte im Kafka-Thema custdata
veröffentlichen
Im folgenden Skript wird das Kafka-Tool kafka-console-producer.sh
verwendet, um
fiktive Kundendaten im CSV-Format generieren.
Kopieren Sie das Skript und fügen Sie es in den SSH-Tunnel ein. auf dem Masterknoten Ihres Kafka-Clusters. Drücken Sie <return>, um das Skript auszuführen.
for i in {1..10000}; do \ custname="cust name${i}" uuid=$(dbus-uuidgen) age=$((45 + $RANDOM % 45)) amount=$(echo "$(( $RANDOM % 99999 )).$(( $RANDOM % 99 ))") message="${uuid}:${custname},${age},${amount}" echo ${message} done | /usr/lib/kafka/bin/kafka-console-producer.sh \ --broker-list KAFKA_CLUSTER-w-0:9092 \ --topic custdata \ --property "parse.key=true" \ --property "key.separator=:"
Hinweise:
- KAFKA_CLUSTER: Der Name Ihres Kafka-Clusters.
Führen Sie den folgenden Kafka-Befehl aus, um zu prüfen, ob das Thema
custdata
enthält 10.000 Nachrichten./usr/lib/kafka/bin/kafka-run-class.sh kafka.tools.GetOffsetShell \ --broker-list KAFKA_CLUSTER-w-0:9092 \ --topic custdata
Hinweise:
- KAFKA_CLUSTER: Der Name Ihres Kafka-Clusters.
Erwartete Ausgabe:
custdata:0:10000
Hive-Tabellen in Cloud Storage erstellen
Hive-Tabellen erstellen, um gestreamte Kafka-Themendaten zu empfangen.
Führen Sie die folgenden Schritte aus, um cust_parquet
(Parquet) und ein
cust_orc
(ORC) Hive-Tabellen im Cloud Storage-Bucket.
Fügen Sie Ihren BUCKET_NAME in das folgende Skript ein: Kopieren Sie das Skript und fügen Sie es in das SSH-Terminal Ihres Kafka-Cluster-Masterknotens ein. Drücken Sie dann die <return>, um ein
~/hivetables.hql
-Skript (Hive Query Language) zu erstellen.Das Skript
~/hivetables.hql
wird ausgeführt. zur Erstellung von Parquet- und ORC Hive-Tabellen. in Ihrem Cloud Storage-Bucket.cat > ~/hivetables.hql <<EOF drop table if exists cust_parquet; create external table if not exists cust_parquet (uuid string, custname string, age string, amount string) row format delimited fields terminated by ',' stored as parquet location "gs://BUCKET_NAME/tables/cust_parquet"; drop table if exists cust_orc; create external table if not exists cust_orc (uuid string, custname string, age string, amount string) row format delimited fields terminated by ',' stored as orc location "gs://BUCKET_NAME/tables/cust_orc"; EOF
Führen Sie im SSH-Terminal auf dem Masterknoten Ihres Kafka-Clusters Hive-Job
~/hivetables.hql
senden, umcust_parquet
(parquet) und einecust_orc
(ORC) Hive-Tabelle in Ihrem Cloud Storage-Bucket.gcloud dataproc jobs submit hive \ --cluster=KAFKA_CLUSTER \ --region=REGION \ -f ~/hivetables.hql
Hinweise:
- Die Hive-Komponente ist in Dataproc Kafka vorinstalliert Cluster. Siehe Releaseversionen 2.1.x finden Sie eine Liste der Versionen der Hive-Komponenten in kürzlich veröffentlichten 2.1-Images.
- KAFKA_CLUSTER: Der Name Ihres Kafka-Clusters.
- REGION: Die Region, in der sich Ihr Kafka-Cluster befindet.
Kafka-custdata
in Hive-Tabellen streamen
- Führen Sie im SSH-Terminal auf dem Masterknoten von
Ihren Kafka-Cluster, um die
kafka-python
-Bibliothek zu installieren. Zum Streamen von Kafka-Themendaten ist ein Kafka-Client erforderlich Cloud Storage
pip install kafka-python
Fügen Sie den folgenden Code (BUCKET_NAME) ein, kopieren Sie ihn und fügen Sie ihn dann ein Fügen Sie PySpark-Code in das SSH-Terminal Ihres Kafka-Cluster-Masterknotens ein. Drücken Sie dann die <return>, um eine
streamdata.py
-Datei zu erstellen.Das Skript abonniert das Kafka-Thema
custdata
und streamt dann Daten in Ihre Hive-Tabellen in Cloud Storage importieren. Das Ausgabeformat, Dies kann Parquet oder ORC sein, wird in das Skript als einen Parameter.cat > streamdata.py <<EOF #!/bin/python import sys from pyspark.sql.functions import * from pyspark.sql.types import * from pyspark.sql import SparkSession from kafka import KafkaConsumer def getNameFn (data): return data.split(",")[0] def getAgeFn (data): return data.split(",")[1] def getAmtFn (data): return data.split(",")[2] def main(cluster, outputfmt): spark = SparkSession.builder.appName("APP").getOrCreate() spark.sparkContext.setLogLevel("WARN") Logger = spark._jvm.org.apache.log4j.Logger logger = Logger.getLogger(__name__) rows = spark.readStream.format("kafka") \ .option("kafka.bootstrap.servers", cluster+"-w-0:9092").option("subscribe", "custdata") \ .option("startingOffsets", "earliest")\ .load() getNameUDF = udf(getNameFn, StringType()) getAgeUDF = udf(getAgeFn, StringType()) getAmtUDF = udf(getAmtFn, StringType()) logger.warn("Params passed in are cluster name: " + cluster + " output format(sink): " + outputfmt) query = rows.select (col("key").cast("string").alias("uuid"),\ getNameUDF (col("value").cast("string")).alias("custname"),\ getAgeUDF (col("value").cast("string")).alias("age"),\ getAmtUDF (col("value").cast("string")).alias("amount")) writer = query.writeStream.format(outputfmt)\ .option("path","gs://BUCKET_NAME/tables/cust_"+outputfmt)\ .option("checkpointLocation", "gs://BUCKET_NAME/chkpt/"+outputfmt+"wr") \ .outputMode("append")\ .start() writer.awaitTermination() if __name__=="__main__": if len(sys.argv) < 2: print ("Invalid number of arguments passed ", len(sys.argv)) print ("Usage: ", sys.argv[0], " cluster format") print ("e.g.: ", sys.argv[0], " <cluster_name> orc") print ("e.g.: ", sys.argv[0], " <cluster_name> parquet") main(sys.argv[1], sys.argv[2]) EOF
Im SSH-Terminal auf dem Master-Knoten von Ihrem Kafka-Cluster, führen Sie
spark-submit
aus, um Daten Ihre Hive-Tabellen in Cloud Storage.Geben Sie den Namen Ihres KAFKA_CLUSTER und die Ausgabe ein FORMAT, kopieren Sie dann den folgenden Code und fügen Sie ihn in das SSH- auf dem Masterknoten Ihres Kafka-Clusters und drücken Sie dann <return>. um den Code auszuführen und die Kafka-
custdata
-Daten im Parquet-Format an Ihr Hive-Tabellen in Cloud Storagespark-submit --packages \ org.apache.spark:spark-streaming-kafka-0-10_2.12:3.1.3,org.apache.spark:spark-sql-kafka-0-10_2.12:3.1.3 \ --conf spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE \ --conf spark.driver.memory=4096m \ --conf spark.executor.cores=2 \ --conf spark.executor.instances=2 \ --conf spark.executor.memory=6144m \ streamdata.py KAFKA_CLUSTER FORMAT
Hinweise:
- KAFKA_CLUSTER: Geben Sie den Namen Ihres Kafka-Clusters ein.
- FORMAT: Geben Sie entweder
parquet
oderorc
als . Sie können den Befehl nacheinander ausführen, beiden Formate in die Hive-Tabellen übertragen: So wird z. B. beim ersten Aufruf Geben Sieparquet
an, um das Kafka-custdata
-Thema an die Hive zu streamen Parkettboden Geben Sie dann beim zweiten Aufruf das Formatorc
an, Streamcustdata
in die Hive-ORC-Tabelle.
Wenn die Standardausgabe im SSH-Terminal angehalten wird, was bedeutet, dass alle
custdata
wurden gestreamt, drücken Sie <control-c> im SSH-Terminal, um den Prozess zu beenden.Listen Sie die Hive-Tabellen in Cloud Storage auf.
gcloud storage ls gs://BUCKET_NAME/tables/* --recursive
Hinweise:
- BUCKET_NAME: Geben Sie den Namen des Cloud Storage-Buckets ein. Bucket, der Ihre Hive-Tabellen enthält (siehe Hive-Tabellen erstellen).
Streamingdaten abfragen
Im SSH-Terminal auf dem Master-Knoten von Kafka-Cluster, führen Sie den folgenden
hive
-Befehl aus: zum Zählen der gestreamten Kafka-custdata
-Nachrichten in den Hive-Tabellen in Cloud Storage.hive -e "select count(1) from TABLE_NAME"
Hinweise:
- TABLE_NAME: Geben Sie entweder
cust_parquet
odercust_orc
als Hive-Tabellenname.
Erwartetes Ausgabe-Snippet:
- TABLE_NAME: Geben Sie entweder
...
Status: Running (Executing on YARN cluster with App id application_....)
----------------------------------------------------------------------------------------------
VERTICES MODE STATUS TOTAL COMPLETED RUNNING PENDING FAILED KILLED
----------------------------------------------------------------------------------------------
Map 1 .......... container SUCCEEDED 1 1 0 0 0 0
Reducer 2 ...... container SUCCEEDED 1 1 0 0 0 0
----------------------------------------------------------------------------------------------
VERTICES: 02/02 [==========================>>] 100% ELAPSED TIME: 9.89 s
----------------------------------------------------------------------------------------------
OK
10000
Time taken: 21.394 seconds, Fetched: 1 row(s)
Bereinigen
Projekt löschen
Google Cloud-Projekt löschen:
gcloud projects delete PROJECT_ID
Ressourcen löschen
- Löschen Sie den Bucket:
gcloud storage buckets delete BUCKET_NAME
- Löschen Sie den Kafka-Cluster:
gcloud dataproc clusters delete KAFKA_CLUSTER \ --region=${REGION}