Apache Kafka adalah platform streaming terdistribusi open source untuk pipeline data dan integrasi data real-time. Sistem ini menyediakan sistem streaming yang efisien dan dapat diskalakan untuk digunakan dalam berbagai aplikasi, termasuk:
- Analisis real-time
- Stream processing
- Agregasi log
- Pesan terdistribusi
- Streaming acara
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 kafka.sh tindakan inisialisasi
ini menginstal Kafka pada cluster Dataproc.
Telusuri kode.
Salin skrip tindakan inisialisasi
kafka.shke bucket Cloud Storage Anda. Skrip ini menginstal Kafka pada 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.shdisimpan di bucket yang diberi tag secara regional dan bersifat publik di Cloud Storage. Tentukan region Compute Engine yang secara geografis dekat, (contoh:us-central1). - BUCKET_NAME: Nama bucket Cloud Storage Anda.
- REGION:
Membuat cluster Kafka Dataproc
Buka Cloud Shell, lalu jalankan perintah
gcloud dataproc clusters createberikut untuk membuat cluster HA cluster 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. 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=ZONEopsional untuk menentukan zona dalam region yang ditentukan, sepertius-central1-a. Jika Anda tidak menentukan zona, fitur penempatan autozone Dataproc akan memilih zona dengan region yang ditentukan.
- Anda dapat menambahkan tanda
--image-version: Versi image Dataproc2.1-debian11direkomendasikan 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 master3membuat cluster HA. Komponen Zookeeper, yang diperlukan oleh Kafka, telah diinstal sebelumnya 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 Kafka custdata
Untuk membuat topik Kafka di cluster Kafka Dataproc:
Gunakan utilitas SSH untuk membuka jendela terminal di VM master cluster.
Buat topik
custdataKafka./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-0:9092menandakan broker Kafka yang berjalan di port9092pada 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 Kafka custdata
Skrip berikut menggunakan alat Kafka kafka-console-producer.sh untuk membuat data pelanggan fiktif dalam format CSV.
Salin, lalu tempel skrip di terminal SSH pada 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
custdataberisi 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.
Masukkan BUCKET_NAME Anda dalam skrip berikut, lalu salin dan tempel skrip ke terminal SSH di node master cluster Kafka Anda, lalu tekan <return> untuk membuat skrip
~/hivetables.hql(Hive Query Language).Anda akan menjalankan skrip
~/hivetables.hqlpada langkah berikutnya untuk membuat tabel Hive Parquet dan ORC di bucket Cloud Storage Anda.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 Anda, kirimkan tugas Hive
~/hivetables.hqluntuk 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 dirilis.
- KAFKA_CLUSTER: Nama cluster Kafka Anda.
- REGION: Region tempat cluster Kafka Anda berada.
Streaming Kafka custdata 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 Anda, lalu salin dan tempel kode PySpark berikut ke terminal SSH di node master cluster Kafka Anda, lalu tekan <return> untuk membuat file
streamdata.py.Skrip ini akan berlangganan topik
custdataKafka, lalu melakukan streaming data ke tabel Hive Anda 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]) EOFDi terminal SSH pada node master cluster Kafka, jalankan
spark-submituntuk 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 Anda, lalu tekan <return> untuk menjalankan kode dan mengalirkan data
custdataKafka dalam format parquet ke tabel Hive Anda 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 FORMATCatatan:
- KAFKA_CLUSTER: Masukkan nama cluster Kafka Anda.
- FORMAT: Tentukan
parquetatauorcsebagai format output. Anda dapat menjalankan perintah secara berturut-turut untuk melakukan streaming kedua format ke tabel Hive: misalnya, pada pemanggilan pertama, tentukanparquetuntuk melakukan streaming topik Kafkacustdatake tabel parquet Hive; lalu, pada pemanggilan kedua, tentukan formatorcuntuk melakukan streamingcustdatake tabel ORC Hive.
Setelah output standar berhenti di terminal SSH, yang menandakan bahwa semua
custdatatelah di-streaming, tekan <control-c> di terminal SSH untuk menghentikan proses.Mencantumkan 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).
Mengkueri data yang di-streaming
Di terminal SSH pada node master cluster Kafka, jalankan perintah
hiveberikut untuk menghitung pesancustdataKafka yang di-streaming di tabel Hive di Cloud Storage.hive -e "select count(1) from TABLE_NAME"
Catatan:
- TABLE_NAME: Tentukan
cust_parquetataucust_orcsebagai 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)