版權聲明：本文為博主原創文章，未經博主允許不得轉載
本文是基於hadoop 2.7.1，以及kafka 0.11.0.0。kafka-connect是以單節點模式運行，即standalone。
一. 首先，先對kafka和kafka connect做一個簡單的介紹
kafka：Kafka是一種高吞吐量的分布式發布訂閱消息系統，它可以處理消費者規模的網站中的所有動作流數據。比較直觀的解釋就是其有一個生產者（producer）和一個消費者（consumer）。可以將kafka想象成一個數據容器，生產者負責發送數據到這個容器中，而消費者從容器中取出數據，在將數據做處理，如存儲到hdfs。
kafka connect：Kafka Connect是一種用於在Kafka和其他系統之間可擴展的、可靠的流式傳輸數據的工具。它使得能夠快速定義將大量數據集合移入和移出Kafka的連接器變得簡單。即適合批量數據導入導出操作。
二. 下面將介紹如何用kafka connect將數據寫入到hdfs中。包括在這個過程中可能碰到的一些問題說明。
首先啟動kafka-connect:
bin/connect-standalone.sh config/connect-standalone.properties config/connector1.properties
這個命令后面兩個參數，
第一個是指定啟動的模式，有分布式和單節點兩種，這里是單節點。kafka自帶，放於config目錄下。
第二個參數指向描述connector的屬性的文件，可以有多個，這里只有一個connector用來寫入到hdfs。需要自己創建。
接下來看看connector1.properties的內容，
name="test" #該connector的名字
#將自己按connect接口規范編寫的代碼打包后放在kafka/libs目錄下，再根據項目結構引用對應connector
connector.class=hdfs.HdfsSinkConnector
#Task是導入導出的具體實現，這里是指定多少個task來並行運行導入導出作業，由多線程實現。由於hdfs中一個文件每次只能又一個文件操作，所以這里只能是1
tasks.max=1
#指定從哪個topic讀取數據，這些其實是用來在connector或者task的代碼中讀取的。
topics=test
#指定key以那種方式轉換，需和Producer發送方指定的序列化方式一致
key.converter=org.apache.kafka.connect.converters.ByteArrayConverter
value.converter=org.apache.kafka.connect.json.JsonConverter #同上
hdfs.url=hdfs://127.0.0.1:9000 #hdfs的url路徑，在Connector中會被讀取
hdfs.path=/test/file #hdfs文件路徑，同樣Connector中被讀取
key.converter.schemas.enable=true #稍后介紹，可以true也可以false，影響傳輸格式
value.converter.schemas.enable=true #稍后介紹，可以true也可以false
三. 接下來看代碼，connect主要是導入導出兩個概念，導入是source，導出時Sink。這里只使用Sink，不過Source和Sink的實現其實基本相同。
實現Sink其實不難，實現對應的接口，即SinkConnector和SinkTask兩個接口，再打包放到kafka/libs目錄下即可。其中SinkConnector只有一個，而Task可以有多
先是Connector
public class HdfsSinkConnector extends SinkConnector { //這兩項為配置hdfs的urlh和路徑的配置項，需要在connector1.properties中指定 public static final String HDFS_URL = "hdfs.url"; public static final String HDFS_PATH = "hdfs.path"; private static final ConfigDef CONFIG_DEF = new ConfigDef() .define(HDFS_URL, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs url") .define(HDFS_PATH, ConfigDef.Type.STRING, ConfigDef.Importance.HIGH, "hdfs path"); private String hdfsUrl; private String hdfsPath; @Override public String version() { return AppInfoParser.getVersion(); }
//start方法會再初始的時候執行一次，這里主要用於配置 @Override public void start(Map<String, String> props) { hdfsUrl = props.get(HDFS_URL); hdfsPath = props.get(HDFS_PATH); } //這里指定了Task的類 @Override public Class<? extends Task> taskClass() { return HdfsSinkTask.class; } //用於配置Task的config，這些都是會在Task中用到 @Override public List<Map<String, String>> taskConfigs(int maxTasks) { ArrayList<Map<String, String>> configs = new ArrayList<>(); for (int i = 0; i < maxTasks; i++) { Map<String, String> config = new HashMap<>(); if (hdfsUrl != null) config.put(HDFS_URL, hdfsUrl); if (hdfsPath != null) config.put(HDFS_PATH, hdfsPath); configs.add(config); } return configs; } //關閉時的操作，一般是關閉資源。 @Override public void stop() { // Nothing to do since FileStreamSinkConnector has no background monitoring. } @Override public ConfigDef config() { return CONFIG_DEF; } }
接下來是Task
public class HdfsSinkTask extends SinkTask { private static final Logger log = LoggerFactory.getLogger(HdfsSinkTask.class); private String filename; public static String hdfsUrl; public static String hdfsPath; private Configuration conf; private FSDataOutputStream os; private FileSystem hdfs; public HdfsSinkTask(){ } @Override public String version() { return new HdfsSinkConnector().version(); } //Task開始會執行的代碼，可能有多個Task，所以每個Task都會執行一次 @Override public void start(Map<String, String> props) { hdfsUrl = props.get(HdfsSinkConnector.HDFS_URL); hdfsPath = props.get(HdfsSinkConnector.HDFS_PATH); System.out.println("----------------------------------- start--------------------------------"); conf = new Configuration(); conf.set("fs.defaultFS", hdfsUrl); //這兩個是與hdfs append相關的設置 conf.setBoolean("dfs.support.append", true); conf.set("dfs.client.block.write.replace-datanode-on-failure.policy", "NEVER"); try{ hdfs = FileSystem.get(conf); // connector.hdfs = new Path(HDFSPATH).getFileSystem(conf); os = hdfs.append(new Path(hdfsPath)); }catch (IOException e){ System.out.println(e.toString()); } } //核心操作，put就是將數據從kafka中取出，存放到其他地方去 @Override public void put(Collection<SinkRecord> sinkRecords) { for (SinkRecord record : sinkRecords) { log.trace("Writing line to {}: {}", logFilename(), record.value()); try{ System.out.println("write info------------------------" + record.value().toString() + "-----------------"); os.write((record.value().toString()).getBytes("UTF-8")); os.hsync(); }catch(Exception e){ System.out.print(e.toString()); } } } @Override public void flush(Map<TopicPartition, OffsetAndMetadata> offsets) { try{ os.hsync(); }catch (Exception e){ System.out.print(e.toString()); } }
//同樣是結束時候所執行的代碼，這里用於關閉hdfs資源 @Override public void stop() { try { os.close(); }catch(IOException e){ System.out.println(e.toString()); } } private String logFilename() { return filename == null ? "stdout" : filename; } }
這里重點提一下，因為在connector1.propertise中設置了key.converter=org.apache.kafka.connect.converters.ByteArrayConverter，所以不能用命令行形式的
producer發送數據，而是要用程序的方式，並且在producer總也要設置key的序列化形式為org.apache.kafka.common.serialization.ByteArraySerializer。
編碼完成，先用idea以開發程序與依賴包分離的形式打包成jar包，然后將程序對應的jar包（一般就是“項目名.jar”）放到kafka/libs目錄下面，這樣就能被找到。
四. 接下來對這個過程的問題做一個匯總。
1.在connector1.properties中的key.converter.schemas.enable=false和value.converter.schemas.enable=false的問題。
這個選項默認在connect-standalone.properties中是true的，這個時候發送給topic的Json格式是需要使用avro格式，具體情況可以百度，這里給出一個樣例。
{
"schema": {
"type": "struct",
"fields": [{
"type": "int32",
"optional": true,
"field": "c1"
}, {
"type": "string",
"optional": true,
"field": "c2"
}, {
"type": "int64",
"optional": false,
"name": "org.apache.kafka.connect.data.Timestamp",
"version": 1,
"field": "create_ts"
}, {
"type": "int64",
"optional": false,
"name": "org.apache.kafka.connect.data.Timestamp",
"version": 1,
"field": "update_ts"
}],
"optional": false,
"name": "foobar"
},
"payload": {
"c1": 10000,
"c2": "bar",
"create_ts": 1501834166000,
"update_ts": 1501834166000
}
}
主要就是schema和payload這兩個，不按照這個格式會報錯如下
org.apache.kafka.connect.errors.DataException: JsonConverter with schemas.enable requires "schema" and "payload" fields and may not contain additional fields. If you are trying to deserialize plain JSON data, set schemas.enable=false in your converter configuration.
at org.apache.kafka.connect.json.JsonConverter.toConnectData(JsonConverter.java:308)
如果想發送普通的json格式而不是avro格式的話，很簡單key.converter.schemas.enable和value.converter.schemas.enable設置為false就行。這樣就能發送普通的json格式數據。
2.在啟動的過程中出現各種各樣的java.lang.ClassNotFoundException。
在啟動connector的時候，一開始總是會報各個各樣的ClassNotFoundException，不是這個包就是那個包，查找問題一直說要么缺少包要么是包沖突。這個是什么原因呢？
其實歸根結底還是依賴沖突的問題，因為kafka程序自定義的類加載器加載類的目錄是在kafka/libs中，而寫到hdfs需要hadoop的包。
我一開始的做法是將hadoop下的包路徑添加到CLASSPATH中，這樣子問題就來了，因為kafka和hadoop的依賴包是有沖突的，比如hadoop是guava-11.0.2.jar，而kafka是guava-20.0.jar，兩個jar包版本不同，而我們是在kafka程序中調用hdfs，所以當jar包沖突時應該優先調用kafka的。但是注意kafka用的是程序自定義的類加載器，其優先級是低於CLASSPATH路徑下的類的，就是說加載類時會優先加載CLASSPATH下的類。這樣子就有問題了。
我的解決方案時將kafka和hadoop加載的jar包路徑都添加到CLASSPATH中，並且kafka的路徑寫在hadoop前面，這樣就可以啟動connector成功。
---
推薦閱讀：
大數據存儲的進化史 --從 RAID 到 Hdfs
貝葉斯分類算法實例 --根據姓名推測男女
從分治算法到 MapReduce