本文主要是想聊聊flink与kafka结合。当然，单纯的介绍flink与kafka的结合呢，比较单调，也没有可对比性，所以的准备顺便帮大家简单回顾一下Spark Streaming与kafka的结合。
看懂本文的前提是首先要熟悉kafka，然后了解spark Streaming的运行原理及与kafka结合的两种形式，然后了解flink实时流的原理及与kafka结合的方式。
kafka
kafka作为一个消息队列，在企业中主要用于缓存数据，当然，也有人用kafka做存储系统，比如存最近七天的数据。kafka的基本概念请参考：kafka入门介绍
更多kafka的文章请关注浪尖公众号，阅读。
首先，我们先看下图，这是一张生产消息到kafka，从kafka消费消息的结构图。
当然， 这张图很简单，拿这张图的目的是从中可以得到的跟本节文章有关的消息，有以下两个：
1，kafka中的消息不是kafka主动去拉去的，而必须有生产者往kafka写消息。
2，kafka是不会主动往消费者发布消息的，而必须有消费者主动从kafka拉取消息。
spark Streaming结合kafka
Spark
Streaming现在在企业中流处理也是用的比较广泛，但是大家都知道其不是真正的实时处理，而是微批处理。
在spark 1.3以前，SPark
Streaming与kafka的结合是基于Receiver方式，顾名思义，我们要启动1+个Receiver去从kafka里面拉去数据，拉去的数据会每隔200ms生成一个block，然后在job生成的时候，取出该job处理时间范围内所有的block，生成blockrdd，然后进入Spark
core处理。
自Spark1.3以后，增加了direct Stream
API，这种呢，主要特点是去掉了Receiver，在生成job，去取rdd的时候，计算每个partition要取数据的offset范围，然后生成一个kafkardd，该rdd特点是与kafka的分区是一一对应的。
有上面的特点可以看出，Spark
Streaming是要生成rdd，然后进行处理的，rdd数据集我们可以理解为静态的，然每个批次，都会生成一个rdd，该过程就体现了批处理的特性，由于数据集时间段小，数据小，所以又称微批处理，那么就说明不是真正的实时处理。
flink结合kafka
大家都知道flink是真正的实时处理，他是基于事件触发的机制进行处理，而不是像spark
Streaming每隔若干时间段，生成微批数据，然后进行处理。那么这个时候就有了个疑问，在前面kafka小节中，我们说到了kafka是不会主动往消费者里面吐数据的，需要消费者主动去拉去数据来处理。那么flink是如何做到基于事件实时处理kafka的数据呢？在这里浪尖带着大家看一下源码，flink1.5.0为例。
1，flink与kafka结合的demo。
val
env=StreamExecutionEnvironment.getExecutionEnvironmentenv.getConfig.disableSysoutLoggingenv.getConfig.setRestartStrategy(RestartStrategies.fixedDelayRestart(4, 10000))// create
a checkpoint every 5 secondsenv.enableCheckpointing(5000)// make
parameters available in the web
interfaceenv.getConfig.setGlobalJobParameters(params)
// create a Kafka streaming source consumer for Kafka
0.10.xval
kafkaConsumer=new
FlinkKafkaConsumer010(?params.getRequired("input-topic"),?new SimpleStringSchema,?params.getProperties)
val
messageStream=env?.addSource(kafkaConsumer)?.map(in=> prefix +
in)
// create a Kafka producer for Kafka
0.10.xval
kafkaProducer=new
FlinkKafkaProducer010(?params.getRequired("output-topic"),?new SimpleStringSchema,?params.getProperties)
// write data into
KafkamessageStream.addSink(kafkaProducer)
env.execute("Kafka 0.10 Example")
从上面的demo可以看出，数据源的入口就是FlinkKafkaConsumer010，当然这里面只是简单的构建了一个对象，并进行了一些配置的初始化，真正source的启动是在其run方法中run方法的调用过程在这里不讲解，后面会出教程讲解。
首先看一下类的继承关系
public class FlinkKafkaConsumer010<T> extends FlinkKafkaConsumer09<T>
public class
FlinkKafkaConsumer09<T> extends FlinkKafkaConsumerBase<T>
其中，run方法就在FlinkKafkaConsumerBase里，当然其中open方法里面对kafka相关内容进行里初始化。
从输入到计算到输出完整的计算链条的调用过程，后面浪尖会出文章介绍。在这里只关心flink如何从主动消费数据，然后变成事件处理机制的过程。
由于其FlinkKafkaConsumerBase的run比较长，我这里只看重要的部分，首先是会创建Kafka09Fetcher。
KAFKA_CONSUMER_METRICS_GROUP),? ? ?useMetrics);
接着下面有段神器，
final AtomicReference<Exception> discoveryLoopErrorRef=new AtomicReference<>();
this.discoveryLoopThread =new Thread(new
Runnable() {
? @Override
? public void
run() {
? ? ?try {
? ? ? ? //
--------------------- partition discovery loop
---------------------
? ? ? ? List<KafkaTopicPartition>
discoveredPartitions;
? ? ? ?
// throughout the loop, we always eagerly
check if we are still running before
? ?
? ? // performing the next operation, so that we can escape the loop as soon as
possible
? ? ? ? while
(running) {
? ? ? ? ? ?if (LOG.isDebugEnabled()) {
? ?
? ? ? ? ? LOG.debug("Consumer subtask {} is trying to discover new partitions
...",
getRuntimeContext().getIndexOfThisSubtask());
? ? ? ? ?
?}
? ? ? ? ? ?try {
? ? ? ?
? ? ? discoveredPartitions=partitionDiscoverer.discoverPartitions();
? ? ? ? ?
?} catch
(AbstractPartitionDiscoverer.WakeupException |
AbstractPartitionDiscoverer.ClosedException e) {
? ? ? ? ? ? ? // the partition discoverer may have been closed or woken
up before or during the discovery;
? ? ?
? ? ? ? // this would only happen if the consumer was canceled; simply escape
the loop
? ? ? ? ? ? ? break;
? ? ? ? ?
?}
? ? ? ? ? ?// no need to add the
discovered partitions if we were closed during the meantime
? ? ? ? ? ?if
(running &&
!discoveredPartitions.isEmpty()) {
? ? ? ? ? ? ? kafkaFetcher.addDiscoveredPartitions(discoveredPartitions);
? ? ? ? ?
?}
? ? ? ? ? ?// do not waste any
time sleeping if we‘re not running anymore
? ? ? ? ? ?if
(running && discoveryIntervalMillis !=0) {
? ? ? ? ? ? ? try {
? ? ? ? ? ? ? ? ?Thread.sleep(discoveryIntervalMillis);
? ? ? ? ? ? ?
} catch (InterruptedException iex)
{
? ? ? ? ? ? ? ? ?// may be interrupted if the
consumer was canceled midway; simply escape the loop
? ? ? ? ? ? ? ? ?break;
? ? ? ? ? ?
? }
? ? ? ? ? ?}
? ? ? ? }
? ? ?} catch (Exception e) {
? ? ? ? discoveryLoopErrorRef.set(e);
? ? ?}
finally {
? ? ? ? // calling cancel will also let the fetcher loop
escape
? ? ? ? // (if not running,
cancel() was already called)
? ? ? ?
if (running) {
? ? ? ? ? ?cancel();
? ? ? ?
}
? ? ?}
? }
}, "Kafka Partition Discovery for " +
getRuntimeContext().getTaskNameWithSubtasks());
它定义了一个线程池对象，去动态发现kafka新增的topic（支持正则形式指定消费的topic），或者动态发现kafka新增的分区。
接着肯定是启动动态发现分区或者topic线程，并且
kafkaFetcher.runFetchLoop(); // -------------------------------------------------------------------- // make sure that the partition discoverer is properly closedpartitionDiscoverer.close();discoveryLoopThread.join();
接着，我们进入
// kick off the actual Kafka consumer
consumerThread.start();
这个线程是在构建kafka09Fetcher的时候创建的
LOG,? ? ?handover,? ? ?kafkaProperties,? ? ?unassignedPartitionsQueue,? ? ?createCallBridge(),? ? ?getFetcherName() + " for " + taskNameWithSubtasks,? ? ?pollTimeout,? ? ?useMetrics,? ? ?consumerMetricGroup,? ? ?subtaskMetricGroup);
KafkaConsumerThread 继承自Thread，然后在其run方法里，首先看到的是
// this is the means to talk to FlinkKafkaConsumer‘s main thread
final Handover handover=this.handover;
这个handover的作用呢暂且不提，接着分析run方法里面内容
1，获取消费者
try {
?
this.consumer
=getConsumer(kafkaProperties);
}
2，检测分区并且会重分配新增的分区
? }?
else {? ? ?// if no assigned partitions block until we get at least
one? ? ?// instead of hot spinning this
loop. We rely on a fact that? ? ?//
unassignedPartitionsQueue will be closed on a shutdown, so? ? ?// we don‘t block indefinitely? ? ?newPartitions=unassignedPartitionsQueue.getBatchBlocking();? }?
if (newPartitions !=null) {? ?
?reassignPartitions(newPartitions);? }
3，消费数据
? }?
catch (WakeupException we) {? ? ?continue;?
}}
4，通过handover将数据发出去
? records=null;}
由于kafkaFetcher的runFetchLoop方法的分析，我们在这里继续
1，拉取handover.producer生产的数据
byte[], byte[]> records=handover.pollNext();
2，数据格式整理，并将数据整理好后，逐个Record发送，将循环主动批量拉取kafka数据，转化为事件触发。
// get the records for each topic partition
for
(KafkaTopicPartitionState<TopicPartition> partition :
subscribedPartitionStates()) {
? List<ConsumerRecord<byte[],
byte[]>> partitionRecords=
? ? ? ?
records.records(partition.getKafkaPartitionHandle());
? for (ConsumerRecord<byte[],
byte[]> record : partitionRecords) {
? ? ?final T
value=deserializer.deserialize(
?
? ? ? ? ?record.key(), record.value(),
? ? ? ? ?
?record.topic(),
record.partition(),
record.offset());
? ? ?if
(deserializer.isEndOfStream(value))
{
? ? ? ? // end of stream
signaled
? ? ? ? running =false;
? ? ? ?
break;
? ? ?}
? ? ?// emit the actual record. this also updates offset state
atomically
? ? ?// and deals with
timestamps and watermark generation
? ?
?emitRecord(value, partition, record.offset(),
record);
? }
}
肯定会注意到这行代码emitRecord(value, partition, record.offset(),
record);，英语美文从这里开始flink变成事件触发的流引擎。
handover-枢纽
handover是在构建kafkaFetcher的时候构建的
this.handover =new Handover();
handover是一个工具，将一组数据或者异常从生产者线程传输到消费者线程。它高效的扮演了一个阻塞队列的特性。该类运行于flink kafka consumer，用来在kafkaConsumer 类和主线程之间转移数据和异常。
handover有两个重要方法，分别是：
1，producer
producer是将kafkaConusmer获取的数据发送出去，在KafkaConsumerThread中调用。代码如上
2，pollnext
从handover里面拉去下一条数据，会阻塞的，行为很像是从一个阻塞队列里面拉去数据。
综述
kafkaConsumer批量拉去数据，flink将其经过整理之后变成，逐个Record发送的事件触发式的流处理。这就是flink与kafka结合事件触发时流处理的基本思路。
重要的事情再说一遍：Flink支持动态发现新增topic或者新增partition哦。具体实现思路，前面有代码为证，后面会对比spark Streaming的这块（不支持动态发现新增kafka topic或者partition），来详细讲解。
推荐阅读：
Flink on yarn初步讲解
Flink并行度
原文地址：https://www.cnblogs.com/wangfengxia/p/9626887.html