入门
本教程讲述如何通过kafka加载数据到Druid。
在本教程中,我们假设您已经按照快速入门中所述下载了Druid和Tranquility,并将其在本机上运行。并且您不需要事先加载数据。
本教程会指导如何通过kafka向Druid加载数据,但Druid还支持多种批量和流式加载数据的方法。可以通过 Loading files and Loading streams页面来学习其它更多数据加载的方法。包括 Hadoop、HTTP、Storm、Samza、Spark Streaming以及自研的JVM应用
启动kafka
Apache Kafka是一个高吞吐量的消息中间件,可以和Druid配合使用。本教程中使用的是Kafka 0.9.0.0,可以通过如下指令下载kafka:
curl -O http://www.us.apache.org/dist/kafka/0.9.0.0/kafka_2.11-0.9.0.0.tgz
tar -xzf kafka_2.11-0.9.0.0.tgz
cd kafka_2.11-0.9.0.0
执行如下指令启动kafka broker:
./bin/kafka-server-start.sh config/server.properties
创建一个名称为metrics的topic用来接收数据:
./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic metrics
发送示例数据
下面就可以开始通过console producer向kafka对应的topic发送数据了!
在Druid目录下执行如下指令:
bin/generate-example-metrics
在kafka目录下执行:
./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic metrics
现在kafka-console-producer就开始等待数据的输入了,复制刚生成的示例数据并粘贴到kafka-console-producer控制台终端,回车确认。当然也可以复制更多数据到终端,或者CTRL-D退出。
现在就可以进行数据查询了,当然也可以参考下文去加载自定义数据集。
数据查询
数据发送完成后就可以进行数据查询了,使用方法详见 supported query methods.
加载自定义数据
目前为止,我们已经按照Druid发布版本中的数据提取规范,将数据从kafka加载到了Druid。每一个数据提取规范都是为了特定的数据集设计的,也可以通过自定义提取规范来加载自定义数据。
自定义数据提取规范,可以按需修改conf-quickstart/tranquility/kafka.json配置文件
- dataSchema,使用的数据集名称
- timestampSpec,哪个是时间字段
- dimensionsSpec,哪些能作为维度字段
- metricsSpec,哪些能作为度量进行计算
{
"dataSources" : {
"metrics-kafka" : {
"spec" : {
"dataSchema" : {
"dataSource" : "metrics-kafka",
"parser" : {
"type" : "string",
"parseSpec" : {
"timestampSpec" : {
"column" : "timestamp",
"format" : "auto"
},
"dimensionsSpec" : {
"dimensions" : [],
"dimensionExclusions" : [
"timestamp",
"value"
]
},
"format" : "json"
}
},
"granularitySpec" : {
"type" : "uniform",
"segmentGranularity" : "hour",
"queryGranularity" : "none"
},
"metricsSpec" : [
{
"type" : "count",
"name" : "count"
},
{
"name" : "value_sum",
"type" : "doubleSum",
"fieldName" : "value"
},
{
"fieldName" : "value",
"name" : "value_min",
"type" : "doubleMin"
},
{
"type" : "doubleMax",
"name" : "value_max",
"fieldName" : "value"
}
]
},
"ioConfig" : {
"type" : "realtime"
},
"tuningConfig" : {
"type" : "realtime",
"maxRowsInMemory" : "100000",
"intermediatePersistPeriod" : "PT10M",
"windowPeriod" : "PT10M"
}
},
"properties" : {
"task.partitions" : "1",
"task.replicants" : "1",
"topicPattern" : "metrics"
}
}
},
"properties" : {
"zookeeper.connect" : "localhost",
"druid.discovery.curator.path" : "/druid/discovery",
"druid.selectors.indexing.serviceName" : "druid/overlord",
"commit.periodMillis" : "15000",
"consumer.numThreads" : "2",
"kafka.zookeeper.connect" : "localhost",
"kafka.group.id" : "tranquility-kafka"
}
}
下面使用网页浏览为例并将输入发送到pageviews的topic里,示例数据如下:
{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}
首先创建topic
./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic pageviews
修改conf-quickstart/tranquility/kafka.json配置文件,修改后:
{
"dataSources" : {
"metrics-kafka" : {
"spec" : {
"dataSchema" : {
"dataSource" : "pageviews-kafka",
"parser" : {
"type" : "string",
"parseSpec" : {
"timestampSpec" : {
"column" : "time",
"format" : "auto"
},
"dimensionsSpec" : {
"dimensions" : ["url", "user"],
"dimensionExclusions" : [
"timestamp",
"value"
]
},
"format" : "json"
}
},
"granularitySpec" : {
"type" : "uniform",
"segmentGranularity" : "hour",
"queryGranularity" : "none"
},
"metricsSpec" : [
{
"name": "views",
"type": "count"
},
{
"name": "latencyMs",
"type": "doubleSum",
"fieldName": "latencyMs"
}
]
},
"ioConfig" : {
"type" : "realtime"
},
"tuningConfig" : {
"type" : "realtime",
"maxRowsInMemory" : "100000",
"intermediatePersistPeriod" : "PT10M",
"windowPeriod" : "PT10M"
}
},
"properties" : {
"task.partitions" : "1",
"task.replicants" : "1",
"topicPattern" : "pageviews"
}
}
},
"properties" : {
"zookeeper.connect" : "localhost",
"druid.discovery.curator.path" : "/druid/discovery",
"druid.selectors.indexing.serviceName" : "druid/overlord",
"commit.periodMillis" : "15000",
"consumer.numThreads" : "2",
"kafka.zookeeper.connect" : "localhost",
"kafka.group.id" : "tranquility-kafka"
}
}
下面启动Druid的kafka提取服务:
bin/tranquility kafka -configFile ../druid-0.9.2/conf-quickstart/tranquility/kafka.json
- 如果Tranquility或者kafka已经启动,可以停止并重新启动。
最后将数据发送到kafka的topic,以下面这些数据为例:
{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "alice", "latencyMs": 32}
{"time": "2000-01-01T00:00:00Z", "url": "/", "user": "bob", "latencyMs": 11}
{"time": "2000-01-01T00:00:00Z", "url": "/foo/bar", "user": "bob", "latencyMs": 45}
Druid流处理需要相对当前(准实时)的数据,相而言windowPeriod值控制的是更宽松的时间窗口(也就是流处理会检查数据timestamp的值,而时间窗口只关注数据接收的时间)。所以需要将2000-01-01T00:00:00Z转换为ISO8601格式的当前系统时间,你可以用以下命令转换:
python -c 'import datetime; print(datetime.datetime.utcnow().strftime("%Y-%m-%dT%H:%M:%SZ"))'
更新上述JSON中的时间戳,然后将这些消息复制并粘贴到此kafka-console-producer,然后按Enter键:
./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic pageviews
就这样,数据应该已经保存在Druid里了,可以使用任何Druid支持的查询方式查询这些数据了。
进一步阅读
想了解更多流式数据加载,可以查看streaming ingestion documentation
原文链接:http://druid.io/docs/0.9.2/tutorials/tutorial-kafka.html