在现代大型数据环境下，消息的发送和处理就变得非常重要了。 作为消息发送处理领域里面的大象，那就是 Kafka 了。     Kafka 和 Kinesis 直接的关系 在对比 Kafka 和 Kinesis 和之前，我们需要对 Kinesis 有所了解。 什么是 Kafka Apache Kafka 是一个开源，分布式，可伸缩的发布-订阅消息系统。 负责该软件的组织是 Apache Software Foundation。 该代码是用 Scala 编写的，最初是由 LinkedIn 公司开发的。 它于2011年开源，成为 Apache 的顶级项目。 该项目旨在提供一个统一的低延迟平台，该平台能够实时处理数据馈送。 对于需要系统之间集成的不同企业基础架构，它变得越来越有价值。 希望集成的系统可以根据其需求发布或订阅特定的Kafka主题。 Kafka受事务日志的影响， Apache Kafka 背后的思想是成为可伸缩的消息队列，其结构类似于事务日志。 这个平台被指定为实时数据流。 Kafka 允许组织特定主题下的数据。 用一句话来说就是 Kafka 的消息处理能力就是快，非常的快。 什么是 Kinesis 简单来说 Kinesis 就是 AWS 的云平台的实现。 与自行部署 Kafka 来说，你不需要维护硬件平台，不需要为硬件支付费用能够非常快的进行部署。 Amazon Kinesis 可让您轻松收集、处理和分析实时流数据，以便您及时获得见解并对新信息快速做出响应。Amazon Kinesis 提供多种核心功能，可以经济高效地处理任意规模的流数据，同时具有很高的灵活性，让您可以选择最符合应用程序需求的工具。 借助 Amazon Kinesis，您可以获取视频、音频、应用程序日志和网站点击流等实时数据，也可以获取用于机器学习、分析和其他应用程序的 IoT 遥测数据。 如何选择 对有选择困难症的童鞋和公司来说也许下面的对比能够帮你做出一些决定。 主要区别 Kafka 是开源的分布式消息传递解决方案，而 Kinesis 是 Amazon提供的托管平台。 在Kafka中，您负责安装和管理集群，还负责确保高可用性，持久性和故障恢复。如果您使用的是Kinesis，则不必担心托管软件和资源。 您可以通过在本地系统中安装 Kafka 轻松学习 Kafka，而Kinesis并非如此。 Kinesis 中的定价取决于您使用的分片数量。如果您打算长时间保留邮件，则还必须支付额外的费用。 对于 Kafka，费用主要取决于您使用的 Broker 的数量。Kafka还需要一个DevOps团队进行维护，这有时成本很高。 但是，使用Kafka，只要您不耗尽存储空间，就可以将消息保留更长时间，而无需支付额外费用。 尽管 Kafka 和 Kinesis 都由生产者组成，但 Kafka 生产者将消息写入主题，而 Kinesis 生产者将数据写入 KDS。 Kinesis 还对消息的大小和消息的消耗率施加了某些限制。 Kinesis 中的最大消息大小为 1 MB，而 Kafka 消息大小可以更大。 在 Kinesis 中，您每秒可以消耗5次，每个分片最多可以消耗 2 MB，从而每秒只能写入1000条记录。 Kafka 并未施加任何隐式限制，因此费率由底层硬件决定，甚至你可以做到无限制的快速数据写入。 在安全性方面，Kafka 提供了许多客户端安全功能，例如数据加密，客户端身份验证和客户端授权，而Kinesis 通过 AWS KMS 主密钥提供服务器端加密，以加密存储在数据流中的数据。 服务器端加密的话，则很难执行客户端加密。 服务器端加密在客户端加密的基础上提供了第二层安全性。 考虑因素 看了上面那么多是不是还是有点困惑？ 其实离开数据量谈方案都是耍流氓。 简单点就是 Kinesis 上手很快，如果你没有什么技术力量，在 AWS 的控制台中点一点就可以用了。 Kafka 的部署是有成本和曲线的，首先就是 Kafka 依赖 ZooKeeper 来运行，ZooKeeper 的最低运行环境都需要 3 台服务器，如果需要扩展的话那么就需要 5 台服务器，因为 ZooKeeper 为了保持高可用性，需要的是奇数台服务器的。 如果你的 ZooKeeper 部署 4 台服务器，那么 ZooKeeper 的运行效果和 3 台是一样的。 这里就导致会有使用和学习成本了。 如果你在可遇见的周期，一天就几万条消息，手上也没几个技术员，那么随便用哪个都差不多，可能用 Kinesis 还方便点，上手更快。 如果你一分钟就就万条消息的话，你还是可以考虑 Kafka 吧，因为随着消息了的增加，Kinesis 并不便宜，同时消息的保留时间是有限制的。 Kafka 的扩展是完全可以通过扩展底层硬件来实现的，同时还有维护成本在里面。   https://www.ossez.com/t/kafka-kinesis/13658

查询你的数据 当数据发送到 Kafka 后，Druid 应该能够马上查询到导入的数据的。 请访问 query tutorial 页面中的内容来了解如何针对新导入的数据运行一些查询。 清理 如果你希望其他的一些入门教程的话，你需要首先关闭 Druid 集群；删除 var 目录中的所有内容；再重新启动 Druid 集群。 这是因为本教程中其他的导入数据方式也会写入相同的 “wikipedia” 数据源，如果你使用不同的数据源的话就不需要进行清理了。 同时你可能也希望清理掉 Kafka 中的数据。你可以通过 CTRL-C 来关闭 Kafka 的进程。在关闭 Kafka 进程之前，请不要关闭 ZooKeeper 和 Druid 服务。 然后删除 Kafka 的 log 目录/tmp/kafka-logs: rm -rf /tmp/kafka-logs https://www.ossez.com/t/druid-kafka/13657#heading-1

为了能够直接启动一个服务，我们需要提交一个 supervisor 配置参数到 Druid overlord 进程中，你可以直接通过 Druid 的包运行下面的命令： curl -XPOST -H'Content-Type: application/json' -d @quickstart/tutorial/wikipedia-kafka-supervisor.json http://localhost:8081/druid/indexer/v1/supervisor     如果提交的 supervisor 被成功创建的话，在返回的结果中将会有一个创建的 supervisor ID；在我们当前的示例中，你应该可以看到返回的结果为 {"id":"wikipedia"}。 如果想了解更多有关 Kafka 的数据导入相关的信息，请参考 Druid Kafka indexing service documentation 页面中的内容。 你也可以从 Druid 的控制台中查看当前的 supervisors 和任务。针对本地服务器的访问地址为： http://localhost:8888/unified-console.html#tasks 。 https://www.ossez.com/t/druid-kafka-supervisor/13656  

在控制台中，单击 Submit supervisor 来打开一个 supervisor 对话框。     请将下面的内容配置参数拷贝张贴到打开的对话框中，然后单击 Submit 提交。 { "type": "kafka", "spec" : { "dataSchema": { "dataSource": "wikipedia", "timestampSpec": { "column": "time", "format": "auto" }, "dimensionsSpec": { "dimensions": [ "channel", "cityName", "comment", "countryIsoCode", "countryName", "isAnonymous", "isMinor", "isNew", "isRobot", "isUnpatrolled", "metroCode", "namespace", "page", "regionIsoCode", "regionName", "user", { "name": "added", "type": "long" }, { "name": "deleted", "type": "long" }, { "name": "delta", "type": "long" } ] }, "metricsSpec" : [], "granularitySpec": { "type": "uniform", "segmentGranularity": "DAY", "queryGranularity": "NONE", "rollup": false } }, "tuningConfig": { "type": "kafka", "reportParseExceptions": false }, "ioConfig": { "topic": "wikipedia", "inputFormat": { "type": "json" }, "replicas": 2, "taskDuration": "PT10M", "completionTimeout": "PT20M", "consumerProperties": { "bootstrap.servers": "localhost:9092" } } } } 上面将会启动一个 supervisor，启动 supervisor 将会负责对任务进行管理，使用启动的任务来完成对数据的输入和从 Kafka 中获取数据。   https://www.ossez.com/t/druid-kafka-supervisor/13655

将数据载入到 Kafka 现在让我们为我们的主题运行一个生成器（producer），然后向主题中发送一些数据！ 在你的 Druid 目录中，运行下面的命令： cd quickstart/tutorial gunzip -c wikiticker-2015-09-12-sampled.json.gz > wikiticker-2015-09-12-sampled.json 在你的 Kafka 的安装目录中，运行下面的命令。请将 {PATH_TO_DRUID} 替换为 Druid 的安装目录： export KAFKA_OPTS="-Dfile.encoding=UTF-8" ./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic wikipedia < {PATH_TO_DRUID}/quickstart/tutorial/wikiticker-2015-09-12-sampled.json 上面的控制台命令将会把示例消息载入到 Kafka 的 wikipedia 主题。 现在我们将会使用 Druid 的 Kafka 索引服务（indexing service）来将我们加载到 Kafka 中的消息导入到 Druid 中。 使用数据加载器（data loader）来加载数据 在 URL 中导航到 localhost:8888 页面，然后在控制台的顶部单击Load data。     选择 Apache Kafka 然后单击 Connect data。     输入 Kafka 的服务器地址为 localhost:9092 然后选择 wikipedia 为主题。 然后单击 Apply。请确定你在界面中看到的数据只正确的。 一旦数据被载入后，你可以单击按钮 “Next: Parse data” 来进行下一步的操作。     Druid 的数据加载器将会为需要加载的数据确定正确的处理器。 在本用例中，我们成功的确定了需要处理的数据格式为 json 格式。 你可以在本页面中选择不同的数据处理器，通过选择不同的数据处理器，能够帮你更好的了解 Druid 是如何帮助你处理数据的。 当 json 格式的数据处理器被选择后，单击 Next: Parse time 来进行入下一个界面，在这个界面中你需要确定 timestamp 主键字段的的列。     Druid 要求所有数据必须有一个 timestamp 的主键字段（这个主键字段被定义和存储在 __time）中。 如果你需要导入的数据没有时间字段的话，那么请选择 Constant value。 在我们现在的示例中，数据载入器确定 time 字段是唯一可以被用来作为数据时间字段的数据。 单击 Next: ... 2 次，来跳过 Transform 和 Filter 步骤。 针对本教程来说，你并不需要对导入时间进行换行，所以你不需要调整 转换（Transform） 和 过滤器（Filter） 的配置。     配置摘要（schema） 是你对 dimensions 和 metrics 在导入数据的时候配置的地方。 这个界面显示的是当我们对数据在 Druid 中进行导入的时候，数据是如何在 Druid 中进行存储和表现的。 因为我们提交的数据集非常小，因此我们可以关闭 回滚（rollup） ，Rollup 的开关将不会在这个时候显示来供你选择。 如果你对当前的配置满意的话，单击 Next 来进入 Partition 步骤。在这个步骤中你可以定义数据是如何在段中进行分区的。     在这一步中，你可以调整你的数据是如何在段中进行分配的。 因为当前的数据集是一个非常小的数据库，我们在这一步不需要进行调制。 单击 Next: Tune 来进入性能配置页面。     Tune 这一步中一个 非常重要 的参数是 Use earliest offset 设置为 True。 因为我们希望从流的开始来读取数据。 针对其他的配置，我们不需要进行修改，单击 Next: Publish 来进入 Publish 步骤。     让我们将数据源命名为 wikipedia-kafka。 最后，单击 Next 来查看你的配置。     等到这一步的时候，你就可以看到如何使用数据导入来创建一个数据导入规范。 你可以随意的通过页面中的导航返回到前面的页面中对配置进行调整。 简单来说你可以对特性目录进行编辑，来查看编辑后的配置是如何对前面的步骤产生影响的。 当你对所有的配置都满意并且觉得没有问题的时候，单击 提交（Submit）.     现在你需要到界面下半部分的任务视图（task view）中来查看通过 supervisor 创建的任务。 任务视图（task view）是被设置为自动刷新的，请等候 supervisor 来运行一个任务。 当一个任务启动运行后，这个任务将会对数据进行处理后导入到 Druid 中。 在页面的顶部，请导航到 Datasources 视图。     当 wikipedia-kafka 数据源成功显示，这个数据源中的数据就可以进行查询了。 请注意： 如果数据源在经过一段时间的等待后还是没有数据的话，那么很有可能是你的 supervisor 没有设置从 Kafka 的开头读取流数据（Tune 步骤中的配置）。 在数据源完成所有的数据导入后，你可以进入 Query 视图，来针对导入的数据源来运行 SQL 查询。 因为我们当前导入的数据库很小，你可以直接运行SELECT * FROM "wikipedia-kafka" 查询来查看数据导入的结果。     请访问 query tutorial 页面中的内容来了解如何针对一个新载入的数据如何运行查询。   https://www.ossez.com/t/druid-kafka-kafka/13654

本教程演示了如何使用Druid的Kafka索引服务将数据从Kafka流加载到Apache Druid中。 假设你已经完成了 快速开始 页面中的内容或者下面页面中有关的内容，并且你的 Druid 实例已使用 micro-quickstart 配置在你的本地的计算机上运行了。 到目前，你还不需要加载任何数据。     下载和启动 Kafka Apache Kafka 是一个高吞吐量消息总线，可与 Druid 很好地配合使用。 在本指南中，我们将使用 Kafka 2.1.0 版本。下载 Kafka 后，在你的控制终端上运行下面的命令： curl -O https://archive.apache.org/dist/kafka/2.1.0/kafka_2.12-2.1.0.tgz tar -xzf kafka_2.12-2.1.0.tgz cd kafka_2.12-2.1.0 如果你需要启动 Kafka broker，你需要通过控制台运行下面的命令： ./bin/kafka-server-start.sh config/server.properties 使用下面的命令在 Kafka 中创建一个称为 wikipedia 的主题，这个主题就是你需要将消息数据发送到的主题： ./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic wikipedia 需要注意的是，我们假设你的 Kafka 和 Druid 的 ZooKeeper 使用的是同一套 ZK。   https://www.ossez.com/t/druid-kafka-kafka/13653

启动 Master 服务器 拷贝 Druid 的分发包和你修改过的配置到 Master 服务器上。 如果你已经在你的本地计算机上修改了配置，你可以使用 rsync 来进行拷贝。 rsync -az apache-druid-apache-druid-0.21.1/ MASTER_SERVER:apache-druid-apache-druid-0.21.1/ Master 没有 Zookeeper 的启动 从分发包的 root 节点中，运行下面的命令来启动 Master 服务器： bin/start-cluster-master-no-zk-server Master 有 Zookeeper 的启动 如果你计划在 Master 服务器上还同时运行 ZK 的话，首先需要更新 conf/zoo.cfg 中的配置来确定你如何运行 ZK。 然后你可以选择在启动 ZK 的同时启动 Master 服务器。 使用下面的命令行来进行启动： bin/start-cluster-master-with-zk-server 在生产环境中，我们推荐你部署 ZooKeeper 在独立的集群上面。 启动 Data 服务器 拷贝 Druid 的分发包和你修改过的配置到 Data 服务器上。 从分发包的 root 节点中，运行下面的命令来启动 Data 服务器： bin/start-cluster-data-server 如果需要的话，你还可以为你的数据服务器添加更多的节点。 针对集群环境中更加复杂的应用环境和需求，你可以将 Historicals 和 MiddleManagers 服务分开部署，然后分别进行扩容。 上面的这种分开部署方式，能够给代理 Druid 已经构建并且实现的 MiddleManager 自动扩容功能。 启动 Query 服务器 拷贝 Druid 的分发包和你修改过的配置到 Query 服务器上。 从分发包的 root 节点中，运行下面的命令来启动 Query 服务器： bin/start-cluster-query-server 针对你查询的负载情况，你可以为你的查询服务器增加更多的节点。 如果为你的查询服务器增加了更多的节点的话，请确定同时为你的 Historicals 服务增加更多的连接池。 请参考页面 basic cluster tuning guide 中描述的内容。   https://www.ossez.com/t/druid/13651

如果你的服务使用了防火墙，或者一些网络配置中限制了端口的访问的话。那么你需要在你的服务器上开放下面的端口，并运行数据进行访问： Master 服务器 1527 （Derby 原数据存储；如果你使用的是其他的数据库，例如 MySQL 或 PostgreSQL 的话就不需要） 2181 （ZooKeeper；如果你使用的是分布式 ZooKeeper 集群部署的话就不需要） 8081 （Coordinator 服务） 8090 （Overlord 服务） Data 服务器 8083 （Historical 服务） 8091, 8100–8199 （Druid Middle Manager 服务，如果你使用了比较高的 druid.worker.capacity 配置的话，那么你需要的端口可能会高于 8199） Query 服务器 8082 （Broker 服务） 8088 （Router 服务，如果使用的话） 在生产环境中，我们推荐你部署 ZooKeeper 和你的元数据存储到他们自己的硬件上（独立部署）。不要和 Master server 混合部署在一起。 https://www.ossez.com/t/druid/13650

从一个单独部署服务器上进行合并到集群的时候，需要对下面的一些配置进行调整。     Master 服务 如果你已经有一个已经存在并且独立运行的独立服务器部署的话，例如在页面 single-server deployment examples 中部署的服务器， 下面的这个示例将会帮助你将 Coordinator 和 Overlord 合并到一个进程上面 conf/druid/cluster/master/coordinator-overlord 下面的示例，显示例如如何同时合并 Coordinator 和 Overlord 进程。 你可以从已经部署的独立服务器上拷贝已经存在 coordinator-overlord 配置文件，并部署到 conf/druid/cluster/master/coordinator-overlord。 Data 服务 假设我们将要从一个 32 CPU 和 256GB 内存的独立服务器上进行合并。 在老的部署中，下面的配置是针对 Historicals 和 MiddleManagers 进程的： Historical（独立服务器部署） druid.processing.buffer.sizeBytes=500000000 druid.processing.numMergeBuffers=8 druid.processing.numThreads=31 MiddleManager（独立服务器部署） druid.worker.capacity=8 druid.indexer.fork.property.druid.processing.numMergeBuffers=2 druid.indexer.fork.property.druid.processing.buffer.sizeBytes=100000000 druid.indexer.fork.property.druid.processing.numThreads=1 在集群部署环境中，我们可以选择使用 2 个服务器来运行上面的 2 个服务，这 2 个服务器的配置为 16CPU 和 128GB RAM 。 我们将会按照下面的配置方式进行配置： Historical druid.processing.numThreads: 基于配置的新硬件环境，设置为 (num_cores - 1) druid.processing.numMergeBuffers: 针对独立服务器使用的数量使用分裂因子相除 druid.processing.buffer.sizeBytes: 保持不变 MiddleManager: druid.worker.capacity: 针对独立服务器使用的数量使用分裂因子相除 druid.indexer.fork.property.druid.processing.numMergeBuffers: 保持不变 druid.indexer.fork.property.druid.processing.buffer.sizeBytes: 保持不变 druid.indexer.fork.property.druid.processing.numThreads: 保持不变 在完成上面配置后的结果如下： 集群 Historical (使用 2 个数据服务器) druid.processing.buffer.sizeBytes=500000000 druid.processing.numMergeBuffers=8 druid.processing.numThreads=31 集群 MiddleManager (使用 2 个数据服务器) druid.worker.capacity=4 druid.indexer.fork.property.druid.processing.numMergeBuffers=2 druid.indexer.fork.property.druid.processing.buffer.sizeBytes=100000000 druid.indexer.fork.property.druid.processing.numThreads=1 Query 服务 你可以将已经在独立服务器部署中存在的配置文件拷贝到 conf/druid/cluster/query 目录中完成部署。 如果新的服务器的硬件配置和独立服务器的配置是相对的话，新的部署不需要做修改。 刷新部署 deployment 如果你使用下面的服务器配置环境为示例的话： 1 Master server (m5.2xlarge) 2 Data servers (i3.4xlarge) 1 Query server (m5.2xlarge) 在 conf/druid/cluster 文件夹中的配置文件已经针对上面的硬件环境进行了优化，针对基本情况的使用来说，你不需要针对上面的配置进行修改。 如果你选择使用不同的硬件的话，页面 basic cluster tuning guide 中的内容能够帮助你对你的硬件配置做一些选择。   https://www.ossez.com/t/druid/13649

在实际的生产环境中，我们建议你使用专用的 ZK 集群来进行部署。ZK 的集群与 Druid 的集群部署是分离的。 在 conf/druid/cluster/_common/common.runtime.properties 配置文件中，设置 druid.zk.service.host 为 connection string。 在连接配置中使用的是逗号分隔符（host:port 对），每一个对应的是一个 ZK 的服务器，（例如, “127.0.0.1:4545” or “127.0.0.1:3000,127.0.0.1:3001,127.0.0.1:3002”）。 你也可以选择在 Master 服务器上运行 ZK，而不使用专用的 ZK 集群。     如果这样做的话，我们建议部署 3 个 Master 服务服务器，以便具有 ZK 仲裁（因为 Zookeeper 的部署至少需要 3 个服务器，并且服务器的总数量为奇数）。   https://www.ossez.com/t/druid-zookeeper/13648