Eseményüzenetek írása az Azure Data Lake Storage Gen2-be az Apache Flink® DataStream API-val

Cikk
04/27/2024

Fontos

Ez a szolgáltatás jelenleg előzetes kiadásban elérhető. A Microsoft Azure Előzetes verzió kiegészítő használati feltételei további jogi feltételeket tartalmaznak, amelyek a bétaverzióban, előzetes verzióban vagy egyébként még nem általánosan elérhető Azure-funkciókra vonatkoznak. Erről az adott előzetes verzióról az Azure HDInsight az AKS előzetes verziójában tájékozódhat. Ha kérdése vagy funkciójavaslata van, küldjön egy kérést az AskHDInsightban a részletekkel együtt, és kövessen minket további frissítésekért az Azure HDInsight-közösségről.

Az Apache Flink fájlrendszereket használ az adatok felhasználására és tartós tárolására, mind az alkalmazások eredményei, mind a hibatűrés és a helyreállítás érdekében. Ebből a cikkből megtudhatja, hogyan írhat eseményüzeneteket az Azure Data Lake Storage Gen2-be a DataStream API-val.

Előfeltételek

Apache Flink-fürt a HDInsighton az AKS-en
Apache Kafka-fürt a HDInsighton
- Gondoskodnia kell arról, hogy a HDInsighton futó Apache Kafka használatával kapcsolatban ismertetett hálózati beállítások megfelelően legyenek biztosítva. Győződjön meg arról, hogy az AKS- és HDInsight-fürtök HDInsightja ugyanabban a virtuális hálózatban található.
Az MSI használata az ADLS Gen2 eléréséhez
IntelliJ az Azure-beli virtuális gépen való fejlesztéshez a HDInsightban az AKS virtuális hálózaton

Apache Flink FileSystem-összekötő

Ez a fájlrendszer-összekötő ugyanazokat a garanciákat biztosítja a BATCH és a STREAM esetében is, és úgy lett kialakítva, hogy pontosan egyszer szemantikát biztosítson a STREAM-végrehajtáshoz. További információ: Flink DataStream Filesystem.

Apache Kafka Csatlakozás or

Az Flink egy Apache Kafka-összekötőt biztosít az adatok Kafka-témakörökből való olvasásához és a Kafka-témakörökbe való írásához pontosan egyszer. További információ: Apache Kafka Csatlakozás or.

Az Apache Flink projektjének létrehozása

pom.xml az IntelliJ IDEA-n

<properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <flink.version>1.17.0</flink.version>
        <java.version>1.8</java.version>
        <scala.binary.version>2.12</scala.binary.version>
        <kafka.version>3.2.0</kafka.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-java</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.flink/flink-streaming-java -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-java</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.flink/flink-clients -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.flink/flink-connector-files -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-files</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-kafka</artifactId>
            <version>${flink.version}</version>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.0.0</version>
                <configuration>
                    <appendAssemblyId>false</appendAssemblyId>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

Program az ADLS Gen2 fogadóhoz

abfsGen2.java

Feljegyzés

Cserélje le az Apache Kafka-t a HDInsight-fürt bootStrapServers rendszerindítási kiszolgálóira a Kafka 3.2 saját közvetítőire

package contoso.example;

import org.apache.flink.api.common.eventtime.WatermarkStrategy;
import org.apache.flink.api.common.serialization.SimpleStringEncoder;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.configuration.MemorySize;
import org.apache.flink.connector.file.sink.FileSink;
import org.apache.flink.connector.kafka.source.KafkaSource;
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer;
import org.apache.flink.core.fs.Path;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.sink.filesystem.rollingpolicies.DefaultRollingPolicy;

import java.time.Duration;

public class KafkaSinkToGen2 {
    public static void main(String[] args) throws Exception {
        // 1. get stream execution env
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
         
        Configuration flinkConfig = new Configuration(); 

         flinkConfig.setString("classloader.resolve-order", "parent-first"); 

         env.getConfig().setGlobalJobParameters(flinkConfig);  

        // 2. read kafka message as stream input, update your broker ip's
        String brokers = "<update-broker-ip>:9092,<update-broker-ip>:9092,<update-broker-ip>:9092";
        KafkaSource<String> source = KafkaSource.<String>builder()
                .setBootstrapServers(brokers)
                .setTopics("click_events")
                .setGroupId("my-group")
                .setStartingOffsets(OffsetsInitializer.earliest())
                .setValueOnlyDeserializer(new SimpleStringSchema())
                .build();

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

        // 3. sink to gen2, update container name and storage path
        String outputPath  = "abfs://<container-name>@<storage-path>.dfs.core.windows.net/flink/data/click_events";
        final FileSink<String> sink = FileSink
                .forRowFormat(new Path(outputPath), new SimpleStringEncoder<String>("UTF-8"))
                .withRollingPolicy(
                        DefaultRollingPolicy.builder()
                                .withRolloverInterval(Duration.ofMinutes(2))
                                .withInactivityInterval(Duration.ofMinutes(3))
                                .withMaxPartSize(MemorySize.ofMebiBytes(5))
                                .build())
                .build();

        stream.sinkTo(sink);

        // 4. run stream
        env.execute("Kafka Sink To Gen2");
    }
}

Csomagolja be a jart, és küldje el az Apache Flinknek.

Töltse fel az üveget az ABFS-be.
Adja át a feladat jar-adatait a fürt létrehozásakor AppMode .

Feljegyzés

Mindenképpen adja hozzá a classloader.resolve-order parancsot "parent-first" és hadoop.classpath.enable as true
Válassza a Feladatnapló-összesítés lehetőséget a feladatnaplók tárfiókba való leküldéséhez.
Láthatja, hogy a feladat fut.

Streamelési adatok ellenőrzése az ADLS Gen2-ben

Az ADLS Gen2-be való streamelést látjuk click_events .

Képernyőkép az ADLS Gen2 kimenetről. Képernyőkép az Flink kattintási esemény kimenetről.

Megadhat egy gördülő szabályzatot, amely a folyamatban lévő részfájlt az alábbi három feltétel bármelyikén görgeti:

.withRollingPolicy(
                        DefaultRollingPolicy.builder()
                                .withRolloverInterval(Duration.ofMinutes(5))
                                .withInactivityInterval(Duration.ofMinutes(3))
                                .withMaxPartSize(MemorySize.ofMebiBytes(5))
                                .build())

Referencia

Apache Kafka Csatlakozás or
Adatfolyam-fájlrendszer összekapcsolása
Apache Flink webhely
Az Apache, az Apache Kafka, a Kafka, az Apache Flink, a Flink és a kapcsolódó nyílt forráskód projektnevek az Apache Software Foundation (ASF) védjegyei.

Share via