Apache Kafka 根据消息的值对窗口消息进行排序

Question

我正在尝试找到一种方法来重新排序主题分区中的消息并将已排序的消息发送到新主题。

我有发送以下格式的字符串消息的 Kafka 发布者： {system_timestamp}-{event_name}?{parameters}

例如：

1494002667893-client.message?chatName=1c&messageBody=hello
1494002656558-chat.started?chatName=1c&chatPatricipants=3

此外，我们为每条消息添加一些消息键，将它们发送到相应的分区。

我想做的是根据消息的 {system-timestamp} 部分并在 1 分钟的窗口内重新排序事件，因为我们的发布者不保证消息会在符合 {system-timestamp} 值。

例如，我们可以先向主题传递 {system-timestamp} 值较大的消息。

我研究了 Kafka Stream API 并找到了一些关于消息窗口和聚合的示例：

Properties streamsConfiguration = new Properties();
        streamsConfiguration.put(StreamsConfig.APPLICATION_ID_CONFIG, "stream-sorter");
        streamsConfiguration.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        streamsConfiguration.put(StreamsConfig.ZOOKEEPER_CONNECT_CONFIG, "localhost:2181");
        streamsConfiguration.put(StreamsConfig.KEY_SERDE_CLASS_CONFIG, Serdes.String().getClass().getName());
        streamsConfiguration.put(StreamsConfig.VALUE_SERDE_CLASS_CONFIG, Serdes.String().getClass().getName());

 KStreamBuilder builder = new KStreamBuilder();
 KStream<String, String> stream = builder.stream("events");
 KGroupedStream<String>, String> groupedStream = stream.groupByKey();//grouped events within partion.

    /* commented since I think that I don't need any aggregation, but I guess without aggregation I can't use time windowing.
KTable<Windowed<String>, String> windowedEvents = stream.groupByKey().aggregate(
                () -> "",  // initial value
                (aggKey, value, aggregate) -> aggregate + "",   // aggregating value
                TimeWindows.of(1000), // intervals in milliseconds
                Serdes.String(), // serde for aggregated value
                "test-store"
        );*/

但是接下来我应该如何处理这个分组流？我没有看到任何 'sort() (e1,e2) -> e1.compareTo(e2)' 方法可用，windows 也可以应用于像 aggregation() 这样的方法em>, reduce() ,count() ，但我认为我不需要任何消息数据操作。

如何在 1 分钟窗口中重新排序消息并将它们发送到另一个主题？

Answer 1

这是一个大纲：

创建一个处理器实现：

• 在 process() 方法中，对于每条消息：

  • 从消息值中读取时间戳
  • 使用 (timestamp, message-key) 对作为键，将消息-值作为值插入 KeyValueStore。注意这也提供了重复数据删除。您需要提供一个自定义 Serde 来序列化密钥，以便按字节排列时间戳在前，以便范围查询首先按时间戳排序。

• 在 punctuate() 方法中：

  • 使用从 0 到时间戳 - 60'000（=1 分钟）的范围提取来读取存储
  • 使用 context.forward() 按顺序发送获取的消息并将它们从存储中删除

这种方法的问题是，如果没有新的消息到达以提前“流时间”，则不会触发 punctuate()。如果在您的情况下这是一个风险，您可以创建一个外部调度程序，向您的主题的每个（！）分区发送定期“tick”消息，您的处理器应该忽略这些消息，但它们会导致标点符号在缺席时触发“真实”的消息。 KIP-138 将通过添加对系统时间标点符号的明确支持来解决此限制： https://cwiki.apache.org/confluence/display/KAFKA/KIP-138%3A+Change+punctuate+semantics

Answer 2

这是我在项目中订购流的方式。

1. 已创建具有源、处理器和接收器的拓扑。
2. 在处理器中
   1. process(key, value) -> 将每条记录添加到 List（实例变量）。
   2. Init() -> schedule(WINDOW_BUFFER_TIME, WALL_CLOCK_TIME) -> punctuate (timestamp) 对List（实例变量）中窗口缓冲时间项的排序列表并迭代转发。清除列表（实例变量）。

这个逻辑对我来说很好。