Flink Kafka connector详解

在Flink中提供了特殊的Connectors从kafka中读写数据，它基于Kafka Consumer API以及Producer API封装了自己的一套API来连接kafka，即可读取kafka中的数据流，也可以对接数据流到kafka中，基于kafka的partition机制，实现了并行化数据切片。下面让我们来看看它的主要API以及使用。

Flink kafka consumer

使用kafka-connector还需要导入单独的依赖包，它对应着不同版本的kafka，下面这张表是kafka-connector的不同版本的AP以及区别。

Flink kafka Consumer的API类继承图如下：

在其中一个版本的API为例，我们看一下其构造函数：

FlinkKafkaConsumer010(String topic, DeserializationSchema<T> valueDeserializer, Properties props) 
FlinkKafkaConsumer010(String topic, KeyedDeserializationSchema<T> deserializer, Properties props) 
FlinkKafkaConsumer010(List<String> topics, DeserializationSchema<T> deserializer, Properties props) 
FlinkKafkaConsumer010(List<String> topics, KeyedDeserializationSchema<T> deserializer, Properties props) 
FlinkKafkaConsumer010(Pattern subscriptionPattern, KeyedDeserializationSchema<T> deserializer, Properties props)

这里主要有三个构造参数：

1. 要消费的topic(topic name / topic names/正表达式)
2. DeserializationSchema / KeyedDeserializationSchema(反序列化Kafka中的数据)
3. Kafka consumer的属性，其中三个属性必须提供：bootstrap.servers (逗号分隔的Kafka broker列表) 、 zookeeper.connect (逗号分隔的Zookeeper server列表) (仅Kafka 0.8需要) 、group.id(consumer group id)

当我们从kafka中消费数据的时候，就需要反序列化操作，因此Flink提供了反序列化操作的接口DeserializationSchema/KeyedDeserializationSchema，后者的区别是带有key，以下是几种常用的反序列化schema：

1. SimpleStringSchema
2. JSONDeserializationSchema / JSONKeyValueDeserializationSchema
3. TypeInformationSerializationSchema/ TypeInformationKeyValueSerializationSchema(适合读写均是flink的场景)
4. AvroDeserializationSchema

代码示例如下：

Properties properties = new Properties();
properties.setProperty("bootstrap.servers", "localhost:9092");
// only required for Kafka 0.8
properties.setProperty("zookeeper.connect", "localhost:2181");
properties.setProperty("group.id", "test");
DataStream<String> stream = env
	.addSource(new FlinkKafkaConsumer08<>("topic", new SimpleStringSchema(), properties));

Flink kafka consumer的消费模式设置

final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

FlinkKafkaConsumer08<String> myConsumer = new FlinkKafkaConsumer08<>(...);
myConsumer.setStartFromEarliest();     // start from the earliest record possible
myConsumer.setStartFromLatest();       // start from the latest record
myConsumer.setStartFromTimestamp(...); // start from specified epoch timestamp (milliseconds)
myConsumer.setStartFromGroupOffsets(); // the default behaviour

DataStream<String> stream = env.addSource(myConsumer);

1. setStartFromEarliest：从队头开始，最早的记录，内部的Consumer提交到Kafka/zk中的偏移量将被忽略。
2. setStartFromLatest：从队尾开始，最新的记录，内部的Consumer提交到Kafka/zk中的偏移量将被忽略。
3. setStartFromGroupOffsets()：默认值，从当前消费组记录的偏移量开始，接着上次的偏移量消费，以Consumer提交到Kafka/zk中的偏移量最为起始位置开始消费，group.id设置在consumer的properties里;如果没找到记录的偏移量，则使用consumer的properties的auto.offset.reset设置的策略。
4. setStartFromSpecificOffsets(Map<TopicPartition, Long>的参数)：从指定的具体位置开始消费
5. setStartFromTimestamp(long)：从指定的时间戳开始消费，对于每个分区，时间戳大于或等于指定时间戳的记录将用作起始位置。如果一个分区的最新记录早于时间戳，那么只需要从最新记录中读取该分区。在此模式下，Kafka/zk中提交的偏移量将被忽略。

如何保证其容错性呢？
我们可以通过checkpoint的方式来保证，如果Flink启用了检查点，Flink Kafka Consumer将会周期性的checkpoint其Kafka偏移量到快照。如果作业失败，Flink将流程序恢复到最新检查点的状态，并从检查点中存储的偏移量开始重新消费Kafka中的记录。

Flink Kafka Consumer offset提交行为：

1. 禁用Checkpoint：Flink Kafka Consumer依赖于内部使用的Kafka客户端的自动定期偏移提交功能。因此，要禁用或启用偏移量提交，只需将enable.auto.commit(或auto.commit.enable for Kafka 0.8) / auto.commit.interval.ms设置设置到Kafka客户端的Properties。
2. Checkpoint时会保存Offset到snapshot，当一次Checkpoint完成时，Flink Kafka Consumer将snapshot中的偏移量提交给kafka/zookeeper。这确保Kafka Consumer中提交的偏移量与检查点状态中的偏移量一致。用户可以通过调用Flink Kafka Consumer setCommitOffsetsOnCheckpoints(boolean)方法来禁用或启用偏移提交到kafka/zookeeper (默认情况下，行为为true)。 在此场景中，Properties中的自动定期偏移量提交设置将被完全忽略。

Flink还支持动态分区的发现，即当我们需要扩充集群或者缩减集群规模的时候，kafka的partition可能会发现改变，我们并不需要重启Flink就可以保证数据被完整消费以及负载均衡，并且保证消费的exactly-once语义。

默认禁止动态发现分区，把flink.partition-discovery.interval-millis设置大于0即可启用：properties.setProperty(“flink.partition-discovery.interval-millis”, “30000”)。

Flink kafka producer

Flink kafka producer API的类继承关系图如下：

其主要构造函数如下：

FlinkKafkaProducer010(String brokerList, String topicId, SerializationSchema<T> serializationSchema)
FlinkKafkaProducer010(String topicId, SerializationSchema<T> serializationSchema, Properties producerConfig)
FlinkKafkaProducer010(String brokerList, String topicId, KeyedSerializationSchema<T> serializationSchema)
FlinkKafkaProducer010(String topicId, KeyedSerializationSchema<T> serializationSchema, Properties producerConfig)
FlinkKafkaProducer010(String topicId,SerializationSchema<T> serializationSchema,Properties producerConfig,@Nullable 
FlinkKafkaPartitioner<T> customPartitioner)
FlinkKafkaProducer010(String topicId,KeyedSerializationSchema<T> serializationSchema,Properties 
producerConfig,@Nullable FlinkKafkaPartitioner<T> customPartitioner)

其构造函数的参数与上面consumer的类似，这里不再赘述。这里简单介绍一下FlinkKafkaPartitioner，默认的是FlinkFixedPartitioner，即每个subtask的数据写到同一个Kafka partition中。我们还可以自定义分区器，继承FlinkKafkaPartitioner(partitioner的状态在job失败时会丢失，不会checkpoint)。

FlinkKafkaProducer的容错性保证：
Kafka 0.8：
at most once(有可能丢数据)

Kafka 0.9/0.1：

1. 启动checkpoint时默认保证at-least-once(有可能重复)；
2. setLogFailuresOnly(boolean) 默认是false (false保证at-least-once) 往kafka发送数据失败了是否打日志：False：不打日志，直接抛异常，导致应用重启(at-least-once)，True：打日志(丢数据)；
3. setFlushOnCheckpoint(boolean) 默认是true (true 保证at_least_once)，Flink checkpoint时是否等待正在写往kafka的数据返回ack。

Kafka 0.11:

1. 必须启动checkpoint
2. 可以通过构造参数选择容错性语意：Semantic.NONE：可能丢失也可能重复；Semantic.AT_LEAST_ONCE：(默认值)，不会丢失，但可能重复；Semantic.EXACTLY_ONCE：使用Kafka事务提供exactly-once语义