1. Kafka Streams

    Kafka Streams。Apache Kafka开源项目的一个组成部分。是一个功能强大，易于使用的库。用于在Kafka上构建高可分布式、拓展性，容错的应用程序。

 

2.Kafka Streams特点

(1) 功能强大

    ① 高扩展性，弹性，容错

(2) 轻量级

    ① 无需专门的集群

    ②  一个库，而不是框架

(3) 完全集成

    ① 100%的Kafka 0.10.0版本兼容

    ② 易于集成到现有的应用程序

(4) 实时性

    ① 毫秒级延迟

    ② 并非微批处理

    ③ 窗口允许乱序数据

    ④ 允许迟到数据

 

3.为什么要有Kafka Stream

    当前已经有非常多的流式处理系统，最知名且应用最多的开源流式处理系统有Spark Streaming和Apache Storm。Apache Storm发展多年，应用广泛，提供记录级别的处理能力，当前也支持SQL on Stream。而Spark Streaming基于Apache Spark，可以非常方便与图计算，SQL处理等集成，功能强大，对于熟悉其它Spark应用开发的用户而言使用门槛低。另外，目前主流的Hadoop发行版，如Cloudera和Hortonworks，都集成了Apache Storm和Apache Spark，使得部署更容易。

既然Apache Spark与Apache Storm拥用如此多的优势，那为何还需要Kafka Stream呢？主要有如下原因。

    第一，Spark和Storm都是流式处理框架，而Kafka Stream提供的是一个基于Kafka的流式处理类库。框架要求开发者按照特定的方式去开发逻辑部分，供框架调用。开发者很难了解框架的具体运行方式，从而使得调试成本高，并且使用受限。而Kafka Stream作为流式处理类库，直接提供具体的类给开发者调用，整个应用的运行方式主要由开发者控制，方便使用和调试，

    第二，虽然Cloudera与Hortonworks方便了Storm和Spark的部署，但是这些框架的部署仍然相对复杂。而Kafka Stream作为类库，可以非常方便的嵌入应用程序中，它对应用的打包和部署基本没有任何要求。

    第三，就流式处理系统而言，基本都支持Kafka作为数据源。例如Storm具有专门的kafka-spout，而Spark也提供专门的spark-streaming-kafka模块。事实上，Kafka基本上是主流的流式处理系统的标准数据源。换言之，大部分流式系统中都已部署了Kafka，此时使用Kafka Stream的成本非常低。

    第四，使用Storm或Spark Streaming时，需要为框架本身的进程预留资源，如Storm的supervisor和Spark on YARN的node manager。即使对于应用实例而言，框架本身也会占用部分资源，如Spark Streaming需要为shuffle和storage预留内存。但是Kafka作为类库不占用系统资源。

    第五，由于Kafka本身提供数据持久化，因此Kafka Stream提供滚动部署和滚动升级以及重新计算的能力。

    第六，由于Kafka Consumer Rebalance机制，Kafka Stream可以在线动态调整并行度。

 

4.Kafka Stream数据清洗案例

(1) 需求

    实时处理单词带有”>>>”前缀的内容。例如输入”kafka>>>ximenqing”，最终处理成“ximenqing”

(2) 需求分析

 

(3) 案例实操

    ① 创建一个工程，并添加jar包

    ② 创建主类

/**
 * 主类
 */
public class Application {

    public static void main(String[] args) {

        //定义输入的topic
        String from = "first";
        String to = "second";

        //设置参数
        Properties settings = new Properties();
        settings.put(StreamsConfig.APPLICATION_ID_CONFIG,"logFilter");
        settings.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092");

        StreamsConfig config = new StreamsConfig(settings);

        //创建拓图
        TopologyBuilder builder = new TopologyBuilder();

        builder.addSource("SOURCE", from)
                .addProcessor("PROCESS", new ProcessorSupplier<byte[], byte[]>() {
                    public Processor<byte[], byte[]> get() {
                        // 具体分析处理
                        return new LogProcessor();
                    }
                }, "SOURCE")
                .addSink("SINK", to, "PROCESS");
        //创建kafka stream
        KafkaStreams  stream = new KafkaStreams(builder,config);
        stream.start();
    }
}

    ③ 具体业务处理

/**
 * 具体业务处理
 */
public class LogProcessor implements Processor<byte[], byte[]> {

    private ProcessorContext context;

    public void init(ProcessorContext context) {
        this.context=context;
    }

    public void process(byte[] key, byte[] value) {

        String input = new String(value);
        if (input.contains(">>>")){
            input=input.split(">>>")[1].trim();
            context.forward("logProcessor".getBytes(),input.getBytes());
        }else {
            context.forward("logProcessor".getBytes(),input.getBytes());
        }

    }

    public void punctuate(long timestamp) {

    }

    public void close() {

    }
}

    ④ 运行程序

    ⑤ 在hadoop104上启动生产者

[luomk@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first
>kafka>>>luomk
>woaixuexi

    ⑥ 在hadoop102上启动消费者

[luomk@hadoop102 kafka]$ bin/kafka-console-consumer.sh -zookeeper hadoop102:2181 --topic second --consumer.config config/consumer.properties
luomk
woaixuexi

 

4.源码地址：https://github.com/luomingkui/kafka