使用 bend-ingest-kafka 将数据流实时导入到 Databend

news2024/10/6 8:32:21

作者：韩山杰

Databend Cloud 研发工程师

https://github.com/hantmac

Databend是一个开源、高性能、低成本易于扩展的新一代云数据仓库。bend-ingest-kafka 是一个专为 Databend 设计的实时数据导入工具，它允许用户从 Apache Kafka 直接将数据流导入到 Databend 中，实现数据的实时分析和处理。

为什么选择bend-ingest-kafka？

实时性: 能够实时地从 Kafka 中读取数据并导入到 Databend。
高吞吐量: 支持高并发的数据导入，满足大规模数据处理的需求。
易用性: 提供了简单直观的配置方式，便于用户快速上手。
灵活性: 可二次开发支持多种数据格式和自定义转换逻辑。

环境准备

在使用 bend-ingest-kafka 之前，需要确保以下环境已经搭建好：

一个运行中的 Databend 实例或者在 Databend Cloud 中创建一个 warehouse(推荐)。
一个配置好的 Apache Kafka 集群。
已经安装的 bend-ingest-kafka。

快速开始

Step 1: 安装 bend-ingest-kafka

可以从 Databend 的官方 GitHub 仓库 release 页面下载对应 OS 架构的 bend-ingest-kafka 的可执行二进制文件，或者直接执行命令安装最新版本。

go install  github.com/databendcloud/bend-ingest-kafka@latest

Step 2: 配置 bend-ingest-kafka

配置文件通常包括 Kafka 的连接以及配置信息、Databend 的连接信息以及数据转换的逻辑。以下是一个简单的配置示例：

{
  "kafkaBootstrapServers": "localhost:9092",
  "kafkaTopic": "ingest_test",
  "KafkaConsumerGroup": "test",
  "mockData": "",
  "isJsonTransform": false,
  "databendDSN": "https://cloudapp:password@tn3ftqihs--medium-p8at.gw.aws-us-east-2.default.databend.com:443",
  "databendTable": "default.kfk_test",
  "batchSize": 10,
  "batchMaxInterval": 5,
  "dataFormat": "json",
  "workers": 1,
  "copyPurge": false,
  "copyForce": false,
  "disableVariantCheck": true,
  "minBytes": 1024,
  "maxBytes": 1048576,
  "maxWait": 10,
  "useReplaceMode": false,
  "userStage": "~"
}

具体的配置参数可以参考 Parameter References，这里对几个比较重要的参数展开解释。

isJsonTransform: 默认为 true，将 Kafka Json 数据逐字段转换为 Databend 表数据。通过设置 isJsonTransform 为 true 来使用此模式。如果设置为 false 的话，系统将在 Databend 中自动创建一个 raw table, 列包括 (uuid, koffset, kpartition, raw_data, record_metadata, add_time)，并将原始数据导入此表。其中 raw_data 为导入的 kafka Json 数据，record_metadata 包含了本条数据的 kafka 元信息 - topic, partition, offset, create_time, key，方便用户查询。
useReplaceMode: useReplaceMode 是一种去重模式，开启后如果表中已存在数据，新数据将替换旧数据。但 useReplaceMode 仅在 isJsonTransform 为 false 时支持，因为它需要在目标表中添加 koffset 和 kpartition 字段。在这种模式下，系统可以实现 exactly once 的同步语义，否则为 at-least-once 语义。
userStage: 用户的自定义 external stage name。

Step 3: 启动数据导入

这里使用 raw-data 模式作演示。

Kafka 的 Json 数据示例为：

{"i64": 10,"u64": 30,"f64": 20,"s": "hao","s2": "hello","a16":[1],"a8":[2],"d": "2011-03-06","t": "2016-04-04 11:30:00"}

模拟 kafka 生产数据

可以使用下面的脚本快速生成 kafka json 数据：

from confluent_kafka import Producer

# 创建一个Producer实例
p = Producer({'bootstrap.servers': 'localhost:9092'})

for i in range(1000000):
    json_data = '{"i64": 10,"u64": 30,"f64": 20,"s": "hao","s2": "hello","a16":[1],"a8":[2],"d": "2011-03-06","t": "2016-04-04 11:30:00"}'
    p.produce('ingest_test', json_data)
    print(i)
    p.flush()

使用配置文件启动 bend-ingest-kafka

默认读取 ./config/conf.json 配置文件，开始将 Kafka 中的数据导入到 Databend。

./bend-ingest-kafka

启动后可以看到 log 和 metrics:

到 Databend 中可以查询到已经同步的数据：

由于 raw_data 和 record_metadata 的字段格式都是 JSON ，所以可以很灵活地做一些数据分析：

select record_metadata['partition'] p,
                min(record_metadata['offset']::bigint) o1,
        max(record_metadata['offset']::bigint) o2,
        o2-o1+1 sub_count,
        count(distinct record_metadata['offset']) distinct_cnt,
        count(1) cnt
from default.kfk_test 
group by p
order by p;