Apache Kafka adalah platform streaming terdistribusi open source untuk pipeline data real-time dan integrasi data. API ini menyediakan sistem streaming yang efisien dan skalabel untuk digunakan dalam berbagai aplikasi, termasuk:
- Analisis real-time
- Stream processing
- Agregasi log
- Pesan terdistribusi
- Streaming peristiwa
Tujuan
Instal Kafka di cluster HA Dataproc dengan ZooKeeper (disebut dalam tutorial ini sebagai "cluster Kafka Dataproc").
Buat data pelanggan fiktif, lalu publikasikan data ke topik Kafka.
Buat tabel parquet dan ORC Hive di Cloud Storage untuk menerima data topik Kafka yang di-streaming.
Kirim tugas PySpark untuk berlangganan dan melakukan streaming topik Kafka ke Cloud Storage dalam format parquet dan ORC.
Jalankan kueri pada data tabel Hive yang di-streaming untuk menghitung pesan Kafka yang di-streaming.
Biaya
Dalam dokumen ini, Anda akan menggunakan komponen Google Cloud yang dapat ditagih berikut:
Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda,
gunakan kalkulator harga.
Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, lihat Pembersihan.
Sebelum memulai
Jika Anda belum melakukannya, buat project Google Cloud.
- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Dataproc, Compute Engine, and Cloud Storage APIs.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Dataproc, Compute Engine, and Cloud Storage APIs.
- In the Google Cloud console, go to the Cloud Storage Buckets page.
- Click Create bucket.
- On the Create a bucket page, enter your bucket information. To go to the next
step, click Continue.
- For Name your bucket, enter a name that meets the bucket naming requirements.
-
For Choose where to store your data, do the following:
- Select a Location type option.
- Select a Location option.
- For Choose a default storage class for your data, select a storage class.
- For Choose how to control access to objects, select an Access control option.
- For Advanced settings (optional), specify an encryption method, a retention policy, or bucket labels.
- Click Create.
Langkah-langkah tutorial
Lakukan langkah-langkah berikut untuk membuat cluster Kafka Dataproc guna membaca topik Kafka ke Cloud Storage dalam format parquet ATAU ORC.
Menyalin skrip penginstalan Kafka ke Cloud Storage
Skrip tindakan inisialisasi kafka.sh
menginstal Kafka di cluster Dataproc.
Jelajahi kode.
Salin skrip tindakan inisialisasi
kafka.sh
ke bucket Cloud Storage Anda. Skrip ini menginstal Kafka di cluster Dataproc.Buka Cloud Shell, lalu jalankan perintah berikut:
gcloud storage cp gs://goog-dataproc-initialization-actions-REGION/kafka/kafka.sh gs://BUCKET_NAME/scripts/
Lakukan penggantian berikut:
- REGION:
kafka.sh
disimpan dalam bucket publik yang diberi tag regional di Cloud Storage. Tentukan region Compute Engine yang dekat secara geografis, (contoh:us-central1
). - BUCKET_NAME: Nama bucket Cloud Storage Anda.
- REGION:
Membuat cluster Kafka Dataproc
Buka Cloud Shell, lalu jalankan perintah
gcloud dataproc clusters create
berikut untuk membuat cluster cluster HA Dataproc yang menginstal komponen Kafka dan ZooKeeper: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
Catatan:
- KAFKA_CLUSTER: Nama cluster, yang harus unik dalam project. Nama harus diawali dengan huruf kecil, dan dapat berisi hingga 51 huruf kecil, angka, dan tanda hubung. Nama tidak boleh diakhiri dengan tanda hubung. Nama cluster yang dihapus dapat digunakan kembali.
- PROJECT_ID: Project yang akan dikaitkan dengan cluster ini.
- REGION: Region Compute Engine tempat cluster akan berada, seperti
us-central1
.- Anda dapat menambahkan tanda
--zone=ZONE
opsional untuk menentukan zona dalam region yang ditentukan, sepertius-central1-a
. Jika Anda tidak menentukan zona, fitur penempatan zona otomatis Dataproc akan memilih zona dengan region yang ditentukan.
- Anda dapat menambahkan tanda
--image-version
: Versi image Dataproc2.1-debian11
direkomendasikan untuk tutorial ini. Catatan: Setiap versi image berisi serangkaian komponen yang telah diinstal sebelumnya, termasuk komponen Hive yang digunakan dalam tutorial ini (lihat Versi image Dataproc yang didukung).--num-master
: Node master3
membuat cluster HA. Komponen Zookeeper, yang diperlukan oleh Kafka, telah diprainstal di cluster HA.--enable-component-gateway
: Mengaktifkan Gateway Komponen Dataproc.- BUCKET_NAME: Nama bucket Cloud Storage Anda yang berisi skrip inisialisasi
/scripts/kafka.sh
(lihat Menyalin skrip penginstalan Kafka ke Cloud Storage).
Membuat topik custdata
Kafka
Untuk membuat topik Kafka di cluster Kafka Dataproc:
Gunakan utilitas SSH untuk membuka jendela terminal di VM master cluster.
Buat topik
custdata
Kafka./usr/lib/kafka/bin/kafka-topics.sh \ --bootstrap-server KAFKA_CLUSTER-w-0:9092 \ --create --topic custdata
Catatan:
KAFKA_CLUSTER: Masukkan nama cluster Kafka Anda.
-w-0:9092
menunjukkan broker Kafka yang berjalan di port9092
pada nodeworker-0
.Anda dapat menjalankan perintah berikut setelah membuat topik
custdata
:# 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
Memublikasikan konten ke topik custdata
Kafka
Skrip berikut menggunakan alat Kafka kafka-console-producer.sh
untuk
membuat data pelanggan fiktif dalam format CSV.
Salin, lalu tempel skrip di terminal SSH di node master cluster Kafka Anda. Tekan <return> untuk menjalankan skrip.
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=:"
Catatan:
- KAFKA_CLUSTER: Nama cluster Kafka Anda.
Jalankan perintah Kafka berikut untuk mengonfirmasi bahwa topik
custdata
berisi 10.000 pesan./usr/lib/kafka/bin/kafka-run-class.sh kafka.tools.GetOffsetShell \ --broker-list KAFKA_CLUSTER-w-0:9092 \ --topic custdata
Catatan:
- KAFKA_CLUSTER: Nama cluster Kafka Anda.
Output yang diharapkan:
custdata:0:10000
Membuat tabel Hive di Cloud Storage
Buat tabel Hive untuk menerima data topik Kafka yang di-streaming.
Lakukan langkah-langkah berikut untuk membuat tabel Hive cust_parquet
(parquet) dan cust_orc
(ORC) di bucket Cloud Storage Anda.
Sisipkan BUCKET_NAME Anda dalam skrip berikut, lalu salin dan tempel skrip ke terminal SSH di node master cluster Kafka, lalu tekan <return> untuk membuat skrip
~/hivetables.hql
(Hive Query Language).Anda akan menjalankan skrip
~/hivetables.hql
di langkah berikutnya untuk membuat tabel parquet dan ORC Hive di bucket Cloud Storage.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
Di terminal SSH pada node master cluster Kafka, kirim tugas Hive
~/hivetables.hql
untuk membuat tabel Hivecust_parquet
(parquet) dancust_orc
(ORC) di bucket Cloud Storage Anda.gcloud dataproc jobs submit hive \ --cluster=KAFKA_CLUSTER \ --region=REGION \ -f ~/hivetables.hql
Catatan:
- Komponen Hive sudah diinstal sebelumnya di cluster Dataproc Kafka. Lihat Versi rilis 2.1.x untuk mengetahui daftar versi komponen Hive yang disertakan dalam image 2.1 yang baru-baru ini dirilis.
- KAFKA_CLUSTER: Nama cluster Kafka Anda.
- REGION: Region tempat cluster Kafka Anda berada.
Men-streaming custdata
Kafka ke tabel Hive
- Jalankan perintah berikut di terminal SSH pada node master
cluster Kafka Anda untuk menginstal library
kafka-python
. Klien Kafka diperlukan untuk melakukan streaming data topik Kafka ke Cloud Storage.
pip install kafka-python
Masukkan BUCKET_NAME, lalu salin dan tempel kode PySpark berikut ke terminal SSH di node master cluster Kafka, lalu tekan <return> untuk membuat file
streamdata.py
.Skrip ini berlangganan topik
custdata
Kafka, lalu melakukan streaming data ke tabel Hive di Cloud Storage. Format output, yang dapat berupa parquet atau ORC, diteruskan ke skrip sebagai 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
Di terminal SSH pada node master cluster Kafka, jalankan
spark-submit
untuk melakukan streaming data ke tabel Hive di Cloud Storage.Masukkan nama KAFKA_CLUSTER dan output FORMAT, lalu salin dan tempel kode berikut ke terminal SSH di node master cluster Kafka, lalu tekan <return> untuk menjalankan kode dan melakukan streaming data
custdata
Kafka dalam format parquet ke tabel Hive di Cloud Storage.spark-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
Catatan:
- KAFKA_CLUSTER: Masukkan nama cluster Kafka Anda.
- FORMAT: Tentukan
parquet
atauorc
sebagai format output. Anda dapat menjalankan perintah secara berurutan untuk melakukan streaming kedua format ke tabel Hive: misalnya, dalam pemanggilan pertama, tentukanparquet
untuk melakukan streaming topikcustdata
Kafka ke tabel parquet Hive; lalu, dalam pemanggilan kedua, tentukan formatorc
untuk melakukan streamingcustdata
ke tabel ORC Hive.
Setelah output standar dihentikan di terminal SSH, yang menandakan bahwa semua
custdata
telah di-streaming, tekan <control-c> di terminal SSH untuk menghentikan proses.Cantumkan tabel Hive di Cloud Storage.
gcloud storage ls gs://BUCKET_NAME/tables/* --recursive
Catatan:
- BUCKET_NAME: Masukkan nama bucket Cloud Storage yang berisi tabel Hive Anda (lihat Membuat tabel Hive).
Membuat kueri data yang di-streaming
Di terminal SSH pada node master cluster Kafka, jalankan perintah
hive
berikut untuk menghitung pesancustdata
Kafka yang di-streaming di tabel Hive di Cloud Storage.hive -e "select count(1) from TABLE_NAME"
Catatan:
- TABLE_NAME: Tentukan
cust_parquet
ataucust_orc
sebagai nama tabel Hive.
Cuplikan output yang diharapkan:
- TABLE_NAME: Tentukan
...
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)
Pembersihan
Menghapus project
Delete a Google Cloud project:
gcloud projects delete PROJECT_ID
Menghapus resource
-
Hapus bucket:
gcloud storage buckets delete BUCKET_NAME
- Hapus cluster Kafka Anda:
gcloud dataproc clusters delete KAFKA_CLUSTER \ --region=${REGION}