第 6 章 kafka Streams
6.1 概述
6.1.1 Kafka Streams
Kafka Streams。Apache Kafka 开源项目的一个组成部分。是一个功能强大，易于使用的
库。用于在 Kafka 上构建高可分布式、拓展性，容错的应用程序。
6.1.2 Kafka Streams 特点
1）功能强大
高扩展性，弹性，容错
2）轻量级
无需专门的集群
一个库，而不是框架
3）完全集成
100%的 Kafka 0.10.0 版本兼容
易于集成到现有的应用程序
4）实时性
毫秒级延迟
并非微批处理
窗口允许乱序数据
允许迟到数据
6.1.3 为什么要有 Kafka Stream
当前已经有非常多的流式处理系统，最知名且应用最多的开源流式处理系统有 Spark
Streaming 和 Apache Storm。Apache Storm 发展多年，应用广泛，提供记录级别的处理能力，
当前也支持 SQL on Stream。而 Spark Streaming 基于 Apache Spark，可以非常方便与图计算，
SQL 处理等集成，功能强大，对于熟悉其它 Spark 应用开发的用户而言使用门槛低。另外，
目前主流的 Hadoop 发行版，如 Cloudera 和 Hortonworks，都集成了 Apache Storm 和 Apache
Spark，使得部署更容易。
既然 Apache Spark 与 Apache Storm 拥用如此多的优势，那为何还需要 Kafka Stream 呢？
主要有如下原因。
第一，Spark 和 Storm 都是流式处理框架，而 Kafka Stream 提供的是一个基于 Kafka 的
流式处理类库。框架要求开发者按照特定的方式去开发逻辑部分，供框架调用。开发者很难
了解框架的具体运行方式，从而使得调试成本高，并且使用受限。而 Kafka Stream 作为流式
处理类库，直接提供具体的类给开发者调用，整个应用的运行方式主要由开发者控制，方便
使用和调试。
第二，虽然 Cloudera 与 Hortonworks 方便了 Storm 和 Spark 的部署，但是这些框架的部
署仍然相对复杂。而 Kafka Stream 作为类库，可以非常方便的嵌入应用程序中，它对应用的
打包和部署基本没有任何要求。
第三，就流式处理系统而言，基本都支持 Kafka 作为数据源。例如 Storm 具有专门的
kafka-spout，而 Spark 也提供专门的 spark-streaming-kafka 模块。事实上，Kafka 基本上是主
流的流式处理系统的标准数据源。换言之，大部分流式系统中都已部署了 Kafka，此时使用
Kafka Stream 的成本非常低。
第四，使用 Storm 或 Spark Streaming 时，需要为框架本身的进程预留资源，如 Storm
的 supervisor 和 Spark on YARN 的 node manager。即使对于应用实例而言，框架本身也会占
用部分资源，如 Spark Streaming 需要为 shuffle 和 storage 预留内存。但是 Kafka 作为类库不
占用系统资源。
第五，由于 Kafka 本身提供数据持久化，因此 Kafka Stream 提供滚动部署和滚动升级以
及重新计算的能力。
第六，由于 Kafka Consumer Rebalance 机制，Kafka Stream 可以在线动态调整并行度。
6.2 Kafka Stream 数据清洗案例
0）需求：
实时处理单词带有”>>>”前缀的内容。例如输入”atguigu>>>ximenqing”，最终处理成
“ximenqing”
1）需求分析：
数据清洗案例：
2）案例实操
（1）创建一个工程，并添加 jar 包
（2）创建主类
package com.atlxl; import com.atlxl.stream.LogProcessor; import org.apache.kafka.streams.KafkaStreams; import org.apache.kafka.streams.processor.Processor; import org.apache.kafka.streams.processor.ProcessorSupplier; import org.apache.kafka.streams.processor.TopologyBuilder; import java.util.Properties; public class KafkaStream { public static void main(String[] args) { //创建拓扑对象 TopologyBuilder builder = new TopologyBuilder(); //创建配置文件 Properties properties = new Properties(); properties.put("bootstrap.servers","hadoop102:9092"); properties.put("application.id", "kafkaStream"); //构建拓扑结构 builder.addSource("SOURCE", "first").addProcessor("PROCESSOR", new ProcessorSupplier() { @Override public Processor get() { return new LogProcessor() { }; } }, "SOURCE").addSink("SINK", "second", "PROCESSOR"); KafkaStreams kafkaStreams = new KafkaStreams(builder, properties); kafkaStreams.start(); } }
（3）具体业务处理
package com.atlxl.stream; import org.apache.kafka.streams.processor.Processor; import org.apache.kafka.streams.processor.ProcessorContext; public class LogProcessor implements Processor<byte[],byte[]> { private ProcessorContext context; @Override public void init(ProcessorContext processorContext) { context = processorContext; } @Override public void process(byte[] bytes, byte[] bytes2) { //获取一行数据 String line = new String(bytes2); //去除 ">>>" line = line.replaceAll(">>>", ""); bytes2 = line.getBytes(); context.forward(bytes, bytes2); } @Override public void punctuate(long l) { } @Override public void close() { } }
（4）运行程序
（5）在 hadoop102 上启动生产者
[lxl@hadoop102 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first >hello >hello>>>lxl
（6）在 hadoop102 上启动消费者
[lxl@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic second
Using the ConsoleConsumer with old consumer is deprecated and will be removed in a future major releas
hello
hellolxl
