Kafka数据迁移MaxCompute最佳实践 - 大数据开发治理平台 DataWorks

本文为您介绍如何使用DataWorks数据集成，将Kafka集群上的数据迁移至MaxCompute。

前提条件

开通MaxCompute和DataWorks。
新增MaxCompute数据源。详情请参见创建MaxCompute数据源。
在DataWorks上完成创建业务流程，本例使用DataWorks简单模式。详情请参见创建业务流程。
搭建Kafka集群
进行数据迁移前，您需要保证自己的Kafka集群环境正常。本文使用阿里云EMR服务自动化搭建Kafka集群，详细过程请参见Kafka快速入门。
本文使用的EMR Kafka版本信息如下：
- EMR版本：EMR-3.12.1
- 集群类型：Kafka
- 软件信息：Ganglia 3.7.2，ZooKeeper 3.4.12，Kafka 2.11-1.0.1，Kafka-Manager 1.3.X.XX
Kafka集群使用专有网络，区域为华东1（杭州），主实例组ECS计算资源配置公网及内网IP。

背景信息

Kafka是一款分布式发布与订阅的消息中间件，具有高性能、高吞量的特点被广泛使用，每秒能处理上百万的消息。Kafka适用于流式数据处理，主要应用于用户行为跟踪、日志收集等场景。

一个典型的Kafka集群包含若干个生产者（Producer）、Broker、消费者（Consumer）以及一个Zookeeper集群。Kafka集群通过Zookeeper管理自身集群的配置并进行服务协同。

Topic是Kafka集群上最常用的消息的集合，是一个消息存储逻辑概念。物理磁盘不存储Topic，而是将Topic中具体的消息按分区（Partition）存储在集群中各个节点的磁盘上。每个Topic可以有多个生产者向它发送消息，也可以有多个消费者向它拉取（消费）消息。

每个消息被添加到分区时，会分配一个Offset（偏移量，从0开始编号），是消息在一个分区中的唯一编号。

步骤一：准备Kafka数据

您需要在Kafka集群创建测试数据。为保证您可以顺利登录EMR集群Header主机，以及保证MaxCompute和DataWorks可以顺利和EMR集群Header主机通信，请您首先配置EMR集群Header主机安全组，放行TCP 22及TCP 9092端口。

登录EMR集群Header主机地址。
1. 进入EMR Hadoop控制台。
2. 在顶部导航栏，单击集群管理。
3. 在显示的页面，找到您需要创建测试数据的集群，进入集群详情页。
4. 在集群详情页面，单击主机列表，确认EMR集群Header主机地址，并通过SSH链接远程登录。

创建测试Topic。

执行如下命令创建测试所使用的Topic testkafka。

kafka-topics.sh --zookeeper emr-header-1:2181/kafka-1.0.1 --partitions 10 --replication-factor 3 --topic testkafka  --create

写入测试数据。
执行如下命令，可以模拟生产者向Topic testkafka中写入数据。由于Kafka用于处理流式数据，您可以持续不断地向其中写入数据。为保证测试结果，建议写入10条以上的数据。
```
kafka-console-producer.sh --broker-list emr-header-1:9092 --topic testkafka
```
您可以同时再打开一个SSH窗口，执行如下命令，模拟消费者验证数据是否已成功写入Kafka。当数据写入成功时，您可以看到已写入的数据。
```
kafka-console-consumer.sh --bootstrap-server emr-header-1:9092 --topic testkafka --from-beginning
```

步骤二：在DataWorks上创建目标表

在DataWorks上创建目标表用以接收Kafka数据。

进入数据开发页面。
1. 登录DataWorks控制台。
2. 单击左侧导航栏数据开发与治理 > 数据开发。
3. 在下拉框中选择对应工作空间后单击进入数据开发。
右键单击业务流程，选择新建 > MaxCompute > 表。
在弹出的新建表对话框中，填写表名称，并单击新建。
说明
- 表名必须以字母开头，不能包含中文或特殊字符。
- 如果在数据开发中绑定多个MaxCompute数据源，则按需选择MaxCompute引擎实例。
在表的编辑页面，单击DDL模式。
在DDL对话框中，输入如下建表语句，单击生成表结构。
```
CREATE TABLE testkafka 
(
 key             string,
 value           string,
 partition1      string,
 timestamp1      string,
 offset          string,
 t123            string,
 event_id        string,
 tag             string
) ;
```
其中的每一列，对应于DataWorks数据集成Kafka Reader的默认列：
- __key__表示消息的key。
- __value__表示消息的完整内容。
- __partition__表示当前消息所在分区。
- __headers__表示当前消息headers信息。
- __offset__表示当前消息的偏移量。
- __timestamp__表示当前消息的时间戳。
您还可以自主命名，详情参见Kafka Reader。
单击提交到生产环境并确认。

步骤三：同步数据

新建独享数据集成资源组。
由于当前DataWorks的公共资源组无法完美支持Kafka插件，您需要使用独享数据集成资源组完成数据同步。详情请参见新增和使用独享数据集成资源组。
新建数据集成节点。
1. 进入数据开发页面，右键单击指定业务流程，选择新建节点 > 数据集成 > 离线同步。
2. 在新建节点对话框中，输入节点名称，并单击确认。
在顶部菜单栏上，单击图标。
在脚本模式下，单击顶部菜单栏上的图标。

配置脚本，示例代码如下。

{
    "type": "job",
    "steps": [
        {
            "stepType": "kafka",
            "parameter": {
                "server": "47.xxx.xxx.xxx:9092",
                "kafkaConfig": {
                    "group.id": "console-consumer-83505"
                },
                "valueType": "ByteArray",
                "column": [
                    "__key__",
                    "__value__",
                    "__partition__",
                    "__timestamp__",
                    "__offset__",
                    "'123'",
                    "event_id",
                    "tag.desc"
                ],
                "topic": "testkafka",
                "keyType": "ByteArray",
                "waitTime": "10",
                "beginOffset": "0",
                "endOffset": "3"
            },
            "name": "Reader",
            "category": "reader"
        },
        {
            "stepType": "odps",
            "parameter": {
                "partition": "",
                "truncate": true,
                "compress": false,
                "datasource": "odps_source",// MaxCompute数据源名称
                "column": [
                    "key",
                    "value",
                    "partition1",
                    "timestamp1",
                    "offset",
                    "t123",
                    "event_id",
                    "tag"
                ],
                "emptyAsNull": false,
                "table": "testkafka"
            },
            "name": "Writer",
            "category": "writer"
        }
    ],
    "version": "2.0",
    "order": {
        "hops": [
            {
                "from": "Reader",
                "to": "Writer"
            }
        ]
    },
    "setting": {
        "errorLimit": {
            "record": ""
        },
        "speed": {
            "throttle": false,
            "concurrent": 1
        }
    }
}

您可以通过在Header主机上使用kafka-consumer-groups.sh --bootstrap-server emr-header-1:9092 --list命令查看group.id参数，及消费者的Group名称。

命令示例

kafka-consumer-groups.sh  --bootstrap-server emr-header-1:9092  --list

返回结果

_emr-client-metrics-handler-group
console-consumer-69493
console-consumer-83505
console-consumer-21030
console-consumer-45322
console-consumer-14773

以console-consumer-83505为例，您可以根据该参数在Header主机上使用kafka-consumer-groups.sh --bootstrap-server emr-header-1:9092 --describe --group console-consumer-83505命令确认beginOffset及endOffset参数。

命令示例。

kafka-consumer-groups.sh --bootstrap-server emr-header-1:9092 --describe --group console-consumer-83505

返回结果

TOPIC                          PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG        CONSUMER-ID                                       HOST                           CLIENT-ID
testkafka                      6          0               0               0          -                                                 -                              -
test                           6          3               3               0          -                                                 -                              -
testkafka                      0          0               0               0          -                                                 -                              -
testkafka                      1          1               1               0          -                                                 -                              -
testkafka                      5          0               0               0          -                                                 -                              -

配置调度资源组。
1. 在节点编辑页面的右侧导航栏，单击调度配置。
2. 在资源属性区域，选择调度资源组为您创建的独享数据集成资源组。
  说明
  如果您需要将Kafka的数据周期性（例如每小时）写入MaxCompute，您可以使用beginDateTime及endDateTime参数，设置数据读取的时间区间为1小时，然后每小时调度一次数据集成任务。详情请参见Kafka Reader。
单击图标运行代码。
您可以在运行日志查看运行结果。

后续步骤

您可以新建一个数据开发任务运行SQL语句，查看当前表中是否已存在从云消息队列 Kafka 版同步过来的数据。本文以select * from testkafka为例，具体步骤如下：

进入数据开发页面。
1. 登录DataWorks控制台。
2. 在左侧导航栏，单击工作空间。进入工作空间列表详情界面。
3. 在顶部切换至目标地域，找到已创建的工作空间，单击操作列的快速进入 > 数据开发，进入数据开发页面。
单击左侧的图标，进入临时查询页面。单击上面的图标。选择新建 > ODPS SQL节点。
在新建节点对话框中，输入路径、名称信息。
单击确认。
在创建的节点页面，输入select * from testkafka，单击图标，运行完成后，查看运行日志。