一 概述
目前Kafka数据导入ClickHouse的常用方案有两种，一种是通过ClickHouse内置的Kafka表引擎实现，另一种是借助数据流组件，如Logstash。
以下会分别介绍这两种方案。
二 数据导入方案
方案一 Kafka表引擎
方案介绍
Kafka表引擎基于librdkafka库实现与Kafka的通信，但它只充当一个数据管道的角色，负责拉取Kafka中的数据；所以还需要一张物化视图将Kafka引擎表中的数据实时同步到本地MergeTree系列表中。
为了提高性能，接受的消息被分组为 maxinsertblocksize 大小（由kafkamax_block_size参数空值，默认值为65536）的块。如果未在 streamflushinterval_ms 毫秒（默认500 ms）内形成块，则不关心块的完整性，都会将数据刷新到表中。
方案一.png
相关配置参数：
https://github.com/edenhill/librdkafka/blob/master/CONFIGURATION.md
<kafka>
<debug>cgrp</debug>
<auto_offset_reset>smallest</auto_offset_reset>
</kafka>
<kafka_logs>
<retry_backoff_ms>250</retry_backoff_ms>
<fetch_min_bytes>100000</fetch_min_bytes>
</kafka_logs>
使用示例
1）部署Kafka
# 部署ZK（略）
# 部署Kafka
docker run -d --name=kafka21 --hostname=node21 --network=host -e KAFKA_ADVERTISED_HOST_NAME=node21 -e KAFKA_ZOOKEEPER_CONNECT=node21:2181,node22:2181,node23:2181 wurstmeister/kafka
# 创建Topic
./bin/kafka-topics.sh --zookeeper node21:2181 --create --topic test --partitions 1 --replication-factor 1
# 测试
./bin/kafka-console-producer.sh --broker-list node21:9092 --topic test
>{"id":1,"name":"tom"}
>{"id":2,"name":"jerry"}
./bin/kafka-console-consumer.sh --bootstrap-server node21:9092 --topic test --from-beginning
{"id":1,"name":"tom"}
{"id":2,"name":"jerry"}
2）创建Kafka引擎表
CREATE TABLE kafka_queue
(
warehouse_id Int64,
product_id Int64,
product_name String
)
ENGINE = Kafka()
SETTINGS
kafka_broker_list='node21:9092',
kafka_topic_list='test',
kafka_group_name='test',
kafka_format='JSONEachRow',
kafka_skip_broken_messages=100
必选参数：
- kafka_broker_list：brokers列表
- kafka_topic_list：Topic列表
- kafka_group_name：消费组名称
- kafka_format：消息格式
可选参数：
- kafka_row_delimiter：每个消息体（记录）之间的分隔符，默认为‘‘\0’’
- kafka_schema：对应Kafka的schema参数
- kafka_num_consumers：消费者数量（即线程数），默认值为1
- kafka_skip_broken_messages：数据解析失败时，允许跳过的失败的数据行数，默认值为0
- kafka_max_block_size：每次可发送的最大数据量，默认值等于max_block_size大小
- kafka_commit_every_batch：执行kafka commit的频率，默认值为0，即当一整个Block数据块完全写入数据表后才执行commit；如果设置为1，则每写完一个Batch批次的数据就会执行一次commit（一次Block写入操作由多次Batch写入操作组成）
3）创建数据表
使用已有的数据表，以下只给出了分布表的创建语句。
CREATE TABLE warehouse_dist ON CLUSTER cluster_1
(
warehouse_id Int64,
product_id Int64,
product_name String
)
ENGINE = Distributed(cluster_1, default, warehouse_local, warehouse_id)
4）创建物化视图
CREATE MATERIALIZED VIEW kafka_view TO warehouse_dist AS SELECT * FROM kafka_queue
方案二 Logstash
方案介绍
与Elasticsearch写入类似，通过Logstash的ClickHouse插件，订阅Kafka中的数据并写入CH中。其中，ClickHouse插件调用HTTP接口完成数据写入。
方案二.png
使用示例
1）部署Logstash
部署Logstash，并安装ClickHouse插件：
bin/logstash-plugin install logstash-output-clickhouse
2）创建Logstash配置文件
input {
stdin {
codec => "json"
}
}
output {
stdout {
codec => "json"
}
clickhouse {
http_hosts => ["http://192.168.167.21:8123"]
table => "warehouse_dist"
request_tolerance => 1
flush_size => 1000
pool_max => 1000
}
}
filter {
mutate {
remove_field => [ "@timestamp", "host", "@version" ]
}
}
相关参数：
- save_on_failure：发送失败是否保存数据，默认值为true
- save_dir：发送失败的数据的存储路径，默认为/tmp
- automatic_retries：连接的重试次数，默认值为1
- request_tolerance：发送失败（响应码不是200）的重试次数，默认值为5
- backoff_time：下一次重试连接或发送请求的时间，默认值为3s
- flush_size：每次批量发送的数据大小，默认值为50
- idle_flush_time：每次数据批量发送的时间间隔
3）启动Logstash
./bin/logstash -f config/logstash.conf
三 总结
Kafka引擎表和Logstash都是常见的数据导入方式，
- Logstash可以将Kafka和ClickHouse解耦，与Elasticsearch数据的导入方式保持一直
- Kafka引擎表是CH官方提供的数据导入方式，可靠性上会更好；Logstash的ClickHouse插件为第三方贡献，且已经一年多没有更新了
- Kafka引擎表是基于librdkafka实现的，有更丰富的配置参数
参考：《ClickHouse原理解析与应用实践》
