實(shí)時(shí)流架構(gòu)：深入了解Kafka、Flink和Pinot的技術(shù)

作者：李睿 2024-08-21 08:00:00

雖然像Kafka、Flink和Pinot這樣的獨(dú)立組件功能非常強(qiáng)大，但在云計(jì)算和內(nèi)部部署之間大規(guī)模管理它們在操作上可能很復(fù)雜。

譯者 | 李睿

審校 | 重樓

實(shí)時(shí)流架構(gòu)旨在連續(xù)地攝入、處理和分析數(shù)據(jù)，從而實(shí)現(xiàn)近乎實(shí)時(shí)的決策和見解。它們需要具有低延遲，處理高吞吐量數(shù)據(jù)量，并且在發(fā)生故障時(shí)具有容錯的能力。具備這些能力面臨的一些挑戰(zhàn)包括：

攝入——以高吞吐量從各種數(shù)據(jù)源、格式和結(jié)構(gòu)中攝入數(shù)據(jù)，即使在大量數(shù)據(jù)流爆發(fā)期間也是如此。
處理——在確保有狀態(tài)計(jì)算、無序事件和數(shù)據(jù)延遲到達(dá)等復(fù)雜情況得到處理的同時(shí)，以可擴(kuò)展和容錯的方式確保恰好一次（Exactly-once）的處理語義。
實(shí)時(shí)分析——在不影響數(shù)據(jù)完整性或一致性的情況下，對從數(shù)據(jù)流源頭不斷攝入和處理的新數(shù)據(jù)實(shí)現(xiàn)低延遲的查詢響應(yīng)。

獨(dú)立的技術(shù)組件很難滿足所有的需求，這就是實(shí)時(shí)流架構(gòu)由多個協(xié)同工作的專用工具組成的原因。

一、Apache的Kafka、Flink、Pinot介紹

以下深入了解實(shí)時(shí)流架構(gòu)的核心技術(shù)——Apache Kafka、Apache Flink和Apache Pinot。

1.Apache Kafka

Apache Kafka是一個分布式流處理平臺，是實(shí)時(shí)數(shù)據(jù)管道的中樞神經(jīng)系統(tǒng)。Apache Kafka的核心是圍繞發(fā)布-訂閱架構(gòu)構(gòu)建的，生產(chǎn)者將記錄發(fā)布到主題，消費(fèi)者訂閱這些主題來處理記錄。

Apache Kafka架構(gòu)的關(guān)鍵組件包括：

代理是存儲數(shù)據(jù)和服務(wù)客戶端的服務(wù)器。
主題是記錄發(fā)送到的類別。
分區(qū)是并行處理和負(fù)載平衡的主題劃分。
消費(fèi)者群體使多個消費(fèi)者能夠有效地協(xié)調(diào)和處理記錄。

Kafka是各行業(yè)實(shí)時(shí)數(shù)據(jù)處理和事件流的理想選擇，其主要功能包括：

高吞吐量
低延遲
容錯性
耐用性
橫向可擴(kuò)展性

2.Apache Flink

Apache Flink是一個開源流處理框架，旨在對無界和有界數(shù)據(jù)流執(zhí)行有狀態(tài)計(jì)算。它的架構(gòu)圍繞分布式數(shù)據(jù)流引擎，確保應(yīng)用程序的高效和容錯執(zhí)行。

Apache Flink的主要功能包括：

支持流和批處理
通過狀態(tài)快照和恢復(fù)進(jìn)行容錯
事件時(shí)間處理
高級窗口功能

Apache Flink集成了各種各樣數(shù)據(jù)的源和匯——源是Apache Flink處理的輸入數(shù)據(jù)流，而匯是Apache Flink輸出處理過的數(shù)據(jù)的目的地。支持的Apache Flink源包括消息代理(例如Apache Kafka)、分布式文件系統(tǒng)(例如HDFS和S3)、數(shù)據(jù)庫和其他流數(shù)據(jù)系統(tǒng)。類似地，Apache Flink可以將數(shù)據(jù)輸出到各種各樣的接收器，包括關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫和數(shù)據(jù)湖。

3.Apache Pinot

Apache Pinot是一個實(shí)時(shí)分布式在線分析處理(OLAP)數(shù)據(jù)存儲，專為大規(guī)模數(shù)據(jù)流的低延遲分析而設(shè)計(jì)。Apache Pinot的架構(gòu)旨在有效地處理批處理數(shù)據(jù)和流數(shù)據(jù)，提供即時(shí)查詢響應(yīng)。Apache Pinot擅長對從Kafka等數(shù)據(jù)流來源獲取的快速變化的數(shù)據(jù)進(jìn)行分析查詢。它支持多種數(shù)據(jù)格式，包括JSON、Avro和Parquet，并通過其分布式查詢引擎提供類似SQL的查詢功能。Pinot的星樹索引支持快速聚合、高效過濾、高維數(shù)據(jù)和壓縮。

二、Apache 的Kafka、Flink和Pinot集成

以下介紹Apache的Kafka、Flink和Pinot如何協(xié)同工作，對流數(shù)據(jù)進(jìn)行實(shí)時(shí)洞察、復(fù)雜事件處理和低延遲分析查詢的概述：

（1）Kafka作為一個分布式流媒體平臺，從各種來源實(shí)時(shí)攝取數(shù)據(jù)。它為流數(shù)據(jù)提供持久、容錯和可擴(kuò)展的消息隊(duì)列。

（2）Flink從Kafka主題中消耗數(shù)據(jù)流。它對傳入的數(shù)據(jù)執(zhí)行實(shí)時(shí)流處理、轉(zhuǎn)換和計(jì)算。Flink強(qiáng)大的流處理功能支持復(fù)雜的操作，例如窗口聚合、有狀態(tài)計(jì)算和基于事件時(shí)間的處理。然后將Flink的處理數(shù)據(jù)加載到Pinot中。

（3）Pinot攝入數(shù)據(jù)流，構(gòu)建實(shí)時(shí)和離線數(shù)據(jù)集，并為低延遲分析查詢創(chuàng)建索引。它支持一個類似SQL的查詢接口，并且可以對實(shí)時(shí)和歷史數(shù)據(jù)提供高吞吐量和低延遲的查詢。

圖1 Kafka、Flink和Pinot是實(shí)時(shí)流架構(gòu)的組件

以下深入了解各個組件：

1.Kafka攝入

Kafka提供了幾種攝入數(shù)據(jù)的方法，每種方法都有自己的優(yōu)點(diǎn)。使用Kafka生產(chǎn)者客戶端是最基本的方法。它提供了一種簡單有效的方法，可以將記錄從各種數(shù)據(jù)源發(fā)布到Kafka主題。開發(fā)人員可以通過將生產(chǎn)者客戶端集成到Kafka客戶端庫支持的大多數(shù)編程語言（Java、Python等）的應(yīng)用程序中來利用生產(chǎn)者客戶端。

生產(chǎn)者客戶端處理各種任務(wù)，包括通過跨分區(qū)分發(fā)消息來實(shí)現(xiàn)負(fù)載平衡。這通過等待Kafka代理的確認(rèn)來確保消息的持久性，并管理失敗發(fā)送嘗試的重試。通過利用壓縮、批處理大小和逗留時(shí)間等配置，Kafka生產(chǎn)者客戶端可以針對高吞吐量和低延遲進(jìn)行優(yōu)化，使其成為Kafka實(shí)時(shí)數(shù)據(jù)攝取的高效可靠工具。

其他選擇包括：

Kafka Connect是一個可擴(kuò)展和可靠的數(shù)據(jù)流工具，具有內(nèi)置功能，例如偏移管理、數(shù)據(jù)轉(zhuǎn)換和容錯。它可以通過源連接器將數(shù)據(jù)讀入Kafka，也可以通過連接器將數(shù)據(jù)從Kafka寫入外部系統(tǒng)。
Debezium在將數(shù)據(jù)攝入Kafka方面非常受歡迎，它使用源連接器來捕獲數(shù)據(jù)庫變更（插入、更新、刪除）。它將這些變更發(fā)布到Kafka主題中，以實(shí)現(xiàn)數(shù)據(jù)庫的實(shí)時(shí)更新。

Kafka生態(tài)系統(tǒng)也有一套豐富的第三方數(shù)據(jù)攝取工具。

2.Kafka-Flink集成

Flink提供了一個Kafka連接器，允許它在Kafka主題之間消費(fèi)和生成數(shù)據(jù)流。

連接器是Flink分布的一部分，它提供了容錯性和恰好一次的語義。

連接器由兩部分組成：

KafkaSource允許Flink使用來自一個或多個Kafka主題的數(shù)據(jù)流。
KafkaSink允許Flink為一個或多個Kafka主題生成數(shù)據(jù)流。

以下是一個如何在Flink的數(shù)據(jù)流API中創(chuàng)建KafkaSource的例子：

Java 
 KafkaSource<String> source = KafkaSource.<String>builder()
 .setBootstrapServers(brokers)
 .setTopics("ad-events-topic")
 .setGroupId("ad-events-app")
 .setStartingOffsets(OffsetsInitializer.earliest())
 .setValueOnlyDeserializer(new SimpleStringSchema())
 .build();

 DataStream<String> stream = env.fromSource(source, WatermarkStrategy.noWatermarks(), "Kafka Source");

需要注意的是，F(xiàn)linkKafkaConsumer基于遺留的SourceFunction API，已經(jīng)標(biāo)記為棄用并已刪除。新的基于數(shù)據(jù)源的API，包括KafkaSource，對水印生成、有界流（批處理）和動態(tài)Kafka主題分區(qū)的處理等方面提供了更大的控制。

3.Flink-Pinot集成

有幾個選項(xiàng)可以將Flink與Pinot集成，將處理后的數(shù)據(jù)寫入Pinot表。

選項(xiàng)1：從Flink到Kafka再到Pinot

這是一個兩個步驟的過程，首先使用Flink Kafka連接器的KafkaSink組件將數(shù)據(jù)從Flink寫入Kafka。以下是一個示例：

Java 
 DataStream<String> stream = <existing stream>;
 
 KafkaSink<String> sink = KafkaSink.<String>builder()
 .setBootstrapServers(brokers)
 .setRecordSerializer(KafkaRecordSerializationSchema.builder()
 .setTopic("ad-events-topic")
 .setValueSerializationSchema(new SimpleStringSchema())
 .build()
 )
 .setDeliveryGuarantee(DeliveryGuarantee.AT_LEAST_ONCE)
 .build();
 
 stream.sinkTo(sink);

作為第二個步驟的一部分，在Pinot端，需要為Kafka配置實(shí)時(shí)攝取支持，它將實(shí)時(shí)攝取數(shù)據(jù)到Pinot表中。

這種方法解耦了Flink和Pinot，允許獨(dú)立擴(kuò)展它們，并潛在地利用架構(gòu)中其他基于Kafka的系統(tǒng)或應(yīng)用程序。

選項(xiàng)2：從Flink到Pinot（直接）

另一種選擇是使用作為Pinot發(fā)行版一部分的Flink SinkFunction。這種方法通過將流處理(或批處理)Flink應(yīng)用程序直接寫入指定的Pinot數(shù)據(jù)庫來簡化集成。這種方法簡化了管道，因?yàn)樗酥虚g步驟或額外組件的需要。它確保處理后的數(shù)據(jù)在Pinot中隨時(shí)可用，以實(shí)現(xiàn)低延遲查詢和分析。

三、優(yōu)秀實(shí)踐和注意事項(xiàng)

雖然在使用Kafka、Flink和Pinot進(jìn)行實(shí)時(shí)流解決方案時(shí)需要考慮很多因素，但這里有一些常見的因素。

1.恰好一次(Exactly-once)

恰好一次語義保證即使在出現(xiàn)故障或無序交付的情況下，每條記錄也只處理一次。實(shí)現(xiàn)這種行為需要流處理管道中涉及的組件之間的協(xié)調(diào)。

（1）使用Kafka的冪等設(shè)置來保證消息只傳遞一次。這包括在生產(chǎn)者上啟用enable.idempotence設(shè)置，并在消費(fèi)者上使用適當(dāng)?shù)母綦x級別。

（2）Flink的檢查點(diǎn)和偏移跟蹤確保只有處理過的數(shù)據(jù)被持久化，從而允許從故障中進(jìn)行一致的恢復(fù)。

（3）最后，Pinot的追加功能和唯一的記錄標(biāo)識符消除了攝入過程中的重復(fù)，保持了分析數(shù)據(jù)集中的數(shù)據(jù)完整性。

2.Kafka-Pinot直接集成vs.使用Flink

直接集成Kafka和Pinot還是使用Flink作為中間層取決于流處理需求。如果需求涉及最小的流處理、簡單的數(shù)據(jù)轉(zhuǎn)換或較低的操作復(fù)雜性，可以使用Kafka內(nèi)置的支持將Kafka與Pinot直接集成，以從Kafka主題中消費(fèi)數(shù)據(jù)并將其攝入實(shí)時(shí)表中。此外，可以在攝入過程中在Pinot中執(zhí)行簡單的轉(zhuǎn)換或過濾，從而消除了對專用流處理引擎的需求。

如果用例需要復(fù)雜的流處理操作，例如窗口聚合、有狀態(tài)計(jì)算、基于事件時(shí)間的處理或從多個數(shù)據(jù)源攝取，則建議使用Flink作為中間層。Flink提供強(qiáng)大的流處理API和操作符來處理復(fù)雜的場景，提供跨應(yīng)用程序的可重用處理邏輯，并且可以在將流數(shù)據(jù)攝取到Pinot之前對流數(shù)據(jù)執(zhí)行復(fù)雜的提取-轉(zhuǎn)換-加載(ETL)操作。在具有復(fù)雜流需求的場景中，引入Flink作為中間流處理層可能是有益的，但它也增加了操作的復(fù)雜性。

3.可擴(kuò)展性和性能

處理大量數(shù)據(jù)并確保實(shí)時(shí)響應(yīng)需要仔細(xì)考慮整個管道的可擴(kuò)展性和性能。討論最多的兩個方面包括：

（1）可以利用這三個組件固有的水平可擴(kuò)展性。添加更多Kafka代理來處理數(shù)據(jù)攝取量，擁有多個Flink應(yīng)用實(shí)例來并行處理任務(wù)，并擴(kuò)展Pinot服務(wù)器節(jié)點(diǎn)來分配查詢執(zhí)行。

（2）可以基于常用查詢過濾器對數(shù)據(jù)進(jìn)行分區(qū)來有效地利用Kafka分區(qū)，從而提高Pinot中的查詢性能。通過在工作節(jié)點(diǎn)之間均勻分布數(shù)據(jù)，分區(qū)也有利于Flink的并行處理。

4.常用用例

可能正在使用構(gòu)建在實(shí)時(shí)流架構(gòu)之上的解決方案，有些人甚至沒有意識到這一點(diǎn)。以下將介紹幾個常用示例。

（1）實(shí)時(shí)廣告

現(xiàn)代廣告平臺需要做的不僅僅是提供廣告，還必須處理廣告拍賣、競價(jià)和實(shí)時(shí)決策等復(fù)雜流程。一個值得注意的例子是Uber公司的UberEats應(yīng)用程序，廣告事件處理系統(tǒng)必須以最小的延遲發(fā)布結(jié)果，同時(shí)確保沒有數(shù)據(jù)丟失或重復(fù)。為了滿足這些需求，Uber公司使用Kafka、Flink和Pinot構(gòu)建了一個系統(tǒng)來實(shí)時(shí)處理廣告事件流。

該系統(tǒng)依賴于Flink作業(yè)通過Kafka主題進(jìn)行通信，最終用戶數(shù)據(jù)存儲在Pinot（Apache Hive）中。通過結(jié)合Kafka和Flink提供的恰好一次語義、Pinot中的追加功能以及用于重復(fù)數(shù)據(jù)刪除和冪等性的唯一記錄標(biāo)識符的組合來保持準(zhǔn)確性。

（2）面向用戶的分析

當(dāng)涉及到延遲和吞吐量時(shí)，面向用戶的分析有非常嚴(yán)格的要求。LinkedIn已經(jīng)廣泛采用Pinot來支持整個公司的各種實(shí)時(shí)分析用例。Pinot作為幾個面向用戶的產(chǎn)品特性的后端，包括“誰查看了我的個人資料”。Pinot支持對大量數(shù)據(jù)集的低延遲查詢，允許LinkedIn為其成員提供高度個性化和最新的體驗(yàn)。除了面向用戶的應(yīng)用程序，Pinot還被用于LinkedIn的內(nèi)部分析，并為各種內(nèi)部儀表板和監(jiān)控工具提供支持，使團(tuán)隊(duì)能夠?qū)崟r(shí)了解平臺性能、用戶參與度和其他運(yùn)營指標(biāo)。

（3）欺詐檢測

對于欺詐檢測和風(fēng)險(xiǎn)管理場景，Kafka可以攝入與交易數(shù)據(jù)、用戶活動和設(shè)備信息相關(guān)的實(shí)時(shí)數(shù)據(jù)流。Flink的管道可以應(yīng)用模式檢測、異常檢測、基于規(guī)則的欺詐檢測和數(shù)據(jù)豐富等技術(shù)。Flink的有狀態(tài)處理能力能夠在數(shù)據(jù)流經(jīng)管道時(shí)維護(hù)和更新用戶或事務(wù)級狀態(tài)。處理后的數(shù)據(jù)，包括標(biāo)記的欺詐活動或風(fēng)險(xiǎn)評分，然后轉(zhuǎn)發(fā)給Pinot。

風(fēng)險(xiǎn)管理團(tuán)隊(duì)和欺詐分析師可以在Pinot實(shí)時(shí)數(shù)據(jù)的基礎(chǔ)上執(zhí)行臨時(shí)查詢或構(gòu)建交互式儀表板。這可以識別高風(fēng)險(xiǎn)用戶或交易，分析欺詐活動的模式和趨勢，監(jiān)控實(shí)時(shí)欺詐指標(biāo)和KPI，并調(diào)查標(biāo)記為潛在欺詐的特定用戶或交易的歷史數(shù)據(jù)。

結(jié)論

Kafka的分布式流平臺支持高吞吐量的數(shù)據(jù)攝取，而Flink的流處理能力允許復(fù)雜的轉(zhuǎn)換和有狀態(tài)的計(jì)算。最后，Pinot的實(shí)時(shí)OLAP數(shù)據(jù)存儲促進(jìn)了低延遲的分析查詢，使組合解決方案成為需要實(shí)時(shí)決策和見解的用例的理想選擇。

雖然Kafka、Flink和Pinot等單個組件非常強(qiáng)大，但在云計(jì)算和內(nèi)部部署之間大規(guī)模管理它們在操作上可能很復(fù)雜。托管流媒體平臺減少了操作開銷，并抽象出許多低級集群配置、配置、監(jiān)控和其他操作任務(wù)。它們允許根據(jù)不斷變化的工作負(fù)載需求彈性地增加或減少資源配置。這些平臺還為關(guān)鍵功能提供集成工具，例如跨所有組件監(jiān)視、調(diào)試和測試流應(yīng)用程序。

要了解更多信息，可以參閱Apache Kafka、Apache Flink和Apache Pinot的官方文檔和示例。圍繞這些項(xiàng)目的社區(qū)也有豐富的資源，包括書籍、教程和技術(shù)講座，涵蓋了現(xiàn)實(shí)世界的用例和最佳實(shí)踐。

額外的資源：