java - Kafka KStream - 在窗口中使用 AbstractProcessor

Question

我希望将来自 KStream 的窗口化批处理输出组合在一起，并将它们写入辅助存储。

我期待看到 .punctuate() 大约每 30 秒被调用一次。我得到的反而被保存了here .

(原文件几千行)

总结 - .punctuate() 被随机调用，然后被重复调用。它似乎不符合通过 ProcessorContext.schedule() 设置的值.

---

编辑:

同一代码的另一次运行大约每四分钟产生一次对 .punctuate() 的调用。这次我没有看到疯狂的重复值。源代码没有变化 - 只是结果不同。

使用以下代码:

主要内容

StreamsConfig streamsConfig = new StreamsConfig(config);
KStreamBuilder kStreamBuilder = new KStreamBuilder();
KStream<String, String> lines = kStreamBuilder.stream(TOPIC);

lines.process(new BPS2());

KafkaStreams kafkaStreams = new KafkaStreams(kStreamBuilder, streamsConfig);

kafkaStreams.start();

处理器

public class BP2 extends AbstractProcessor<String, String> {
    private static final Logger LOGGER = LoggerFactory.getLogger(BP2.class);

    private ProcessorContext context;
    private final long delay;
    private final ArrayList<String> values;

    public BP2(long delay) {
        LOGGER.debug("BatchProcessor() constructor");
        this.delay = delay;

       values = new ArrayList<>();

    }

    @Override
    public void process(String s, String s2) {
        LOGGER.debug("batched processor s:{}   s2:{}", s, s2);

        values.add(s2);
    }

    @Override
    public void init(ProcessorContext context) {
        LOGGER.info("init");

        super.init(context);

        values.clear();

        this.context = context;
        context.schedule(delay);
    }

    @Override
    public void punctuate(long timestamp) {
        super.punctuate(timestamp);

        LOGGER.info("punctuate   ts: {}   count: {}", timestamp, values.size());

        context().commit();
    }
}

处理器供应商

public class BPS2 implements ProcessorSupplier<String, String> {
    private static final Logger LOGGER = LoggerFactory.getLogger(BPS2.class);

    @Override
    public Processor<String, String> get() {
        try {
            return new BP2(30000);
        } catch(Exception exception) {
            LOGGER.error("Unable to instantiate BatchProcessor()", exception);
            throw new RuntimeException();
        }
    }
}

---

编辑:

为了确保我的调试器不会减慢它的速度，我构建了它并在与我的 kafka 进程相同的机器上运行它。这次它甚至没有尝试延迟 4 分钟或更长时间 - 在几秒钟内它就输出了对 .punctuate() 的虚假调用。其中许多(大多数)没有对 .process() 的干预调用。

Answer 1

更新:这部分答案适用于 Kafka 0.11 或更早版本(Kafka 1.0 及更高版本见下文)

在 Kafka Streams 中，标点符号基于流时间，不是系统时间(又名处理时间)。

默认情况下，stream-time 是event-time，即嵌入在 Kafka 记录本身中的时间戳。由于您没有设置非默认的 TimestampExtractor(请参阅 http://docs.confluent.io/current/streams/developer-guide.html#optional-configuration-parameters 中的 timestamp.extractor)，对 punctuate 的调用仅取决于与您处理的记录相关的事件时间流程。因此，如果您需要多分钟来处理“30 秒”(事件时间)的记录，punctuate 的调用频率将低于 30 秒(挂钟时间)...

这也可以解释您不规则的调用模式(即突发和长时间延迟)。如果您的数据事件时间确实“跳跃”，并且您要处理的数据已经在您的主题中完全可用，Kafka Streams 也会在内部维护的stream-time 方面“跳跃”。

我假设，您可以使用 WallclockTimestampExtractor 解决您的问题(参见 http://docs.confluent.io/current/streams/developer-guide.html#timestamp-extractor)

还有一件事要提:stream-time 仅在处理数据时才会提前——如果您的应用程序到达输入主题的末尾并等待数据，punctuate 不会被调用。即使您使用 WallclockTimestampExtractor，这也适用。

顺便说一句:目前有一个关于 Streams 的标点符号行为的讨论:https://github.com/apache/kafka/pull/1689

Kafka 1.0 及更高版本的答案

从 Kafka 1.0 开始，可以根据挂钟时间或事件时间注册标点符号:https://kafka.apache.org/10/documentation/streams/developer-guide/processor-api.html#id2