Kafka Connect 实时读取MSSQL数据到Kafka
在处理实时数据时，需要即时地获得数据库表中数据的变化，然后将数据变化发送到Kafka中。这篇文章将介绍如何使用Kafka Connector完成这一工作。当获取实时数据时，数据源需要支持对数据变化进行反馈。不同的数据源采用了不同的技术和方法实现该功能，因为我们的业务数据库是MS SQL Server，因此这篇文章采用MSQL作为数据源。
选择Connector
首先需要选择Connector，不同的数据源有不同的Connector，例如ActiveMQ Connector、MySql Connector、MSSQL Connector等。即便是同一数据源，也可能有不同的第三方提供。我一共尝试了下面两个MSSQL Connector：
- https://debezium.io/docs/connectors/sqlserver/
- https://docs.confluent.io/current/connect/kafka-connect-cdc-mssql/index.html
比较遗憾的是：这两个Connector，debezium的是Alpha版本，confluent的是Preview版本，反正都不是正式版，而MySql都已经有正式版本了，可见开源社区对MS真的不友好呀 >_<、 它们两个一个是使用MSSQL Server的 Change Data Capture 获取数据变更，一个是使用 Change Tracking。
因为Change Tracking相比Change Data Capture来说，更轻量一些，因此我选用了confluent的Connector。其下载地址是：https://www.confluent.io/hub/
安装Connector
下载后，将其解压缩至 $KAFKA_HOME/connectors 文件夹下，如下图所示：
$KAFKA_HOME是你的kafka安装目录，如果是集群，要安装在集群下每台机器的connectors目录下。
在上面的截图中，可以看到我还安装了confluentinc-kafka-connect-hdfs-5.0.0和debezium-connector-sqlserver两个connector。
配置Connector
接下来要对Connector进行配置，此时可以回顾一下 Kafka Connect 基本概念。Connector是一组独立的集群，并且是作为Kafka集群的客户端，我们首先需要对Connector进行配置，配置文件位于 $KAFKA_HOME/config/connect-distributed.properties：
# kafka集群地址 bootstrap.servers=kafka1:9092,kafka2:9092,kafka3:9092 # Connector集群的名称，同一集群内的Connector需要保持此group.id一致 group.id=connect-cluster # 存储到kafka的数据格式 key.converter=org.apache.kafka.connect.json.JsonConverter value.converter=org.apache.kafka.connect.json.JsonConverter key.converter.schemas.enable=false value.converter.schemas.enable=false # 内部转换器的格式，针对offsets、config和status，一般不需要修改 internal.key.converter=org.apache.kafka.connect.json.JsonConverter internal.value.converter=org.apache.kafka.connect.json.JsonConverter internal.key.converter.schemas.enable=false internal.value.converter.schemas.enable=false # 用于保存offsets的topic，应该有多个partitions，并且拥有副本(replication) # Kafka Connect会自动创建这个topic，但是你可以根据需要自行创建 # 如果kafka单机运行，replication.factor设置为1；当kafka为集群时，可以设置不大于集群中主机数 # 因为我这里的环境是3主机的集群，因此设为2 offset.storage.topic=connect-offsets offset.storage.replication.factor=2 offset.storage.partitions=12 # 保存connector和task的配置，应该只有1个partition，并且有多个副本 config.storage.topic=connect-configs config.storage.replication.factor=2 # 用于保存状态，可以拥有多个partition和replication status.storage.topic=connect-status status.storage.replication.factor=2 status.storage.partitions=6 # Flush much faster than normal, which is useful for testing/debugging offset.flush.interval.ms=10000 # RESET主机名，默认为本机 #rest.host.name= # REST端口号 rest.port=18083 # The Hostname & Port that will be given out to other workers to connect to i.e. URLs that are routable from other servers. #rest.advertised.host.name= #rest.advertised.port= # 保存connectors的路径 # plugin.path=/usr/local/share/java,/usr/local/share/kafka/plugins,/opt/connectors, plugin.path=/opt/kafka/kafka_2.11-1.1.0/connectors
注意到connect-distributed.properties中的distributed。Kafka Connector有两种运行模式，单机（Standalone）和分布式（Distrubited）。因为单机通常作为测试运行，因此这篇文章只演示分布式运行模式。在config文件夹下，还有一个单机运行的配置文件，叫做connect-standalone.properties，内容大同小异。
创建Topic
尽管首次运行Kafka connector时，会自动创建上面的topic，但是如果创建出错，那么Connector就会启动失败。保险起见，可以在运行Connector之前，手动创建好上面的三个特殊topic。
# bin/kafka-topics.sh --zookeeper zookeeper1:2181/kafka --create --topic connect-offsets --replication-factor 2 --partitions 12 # bin/kafka-topics.sh --zookeeper zookeeper1:2181/kafka --create --topic connect-configs --replication-factor 2 --partitions 1 # bin/kafka-topics.sh --zookeeper zookeeper1:2181/kafka --create --topic connect-status --replication-factor 2 --partitions 6
运行Connector
接下来就可以运行Connctor了，此时还没有涉及到任何业务或者数据库相关的配置和操作（即 Kafka Connect 基本概念 中提到的用户配置）。
执行下面的代码以运行Connector：
# bin/connect-distributed.sh config/connect-distributed.properties
上面这样是前台运行，当退出shell后进程也就结束了，前台运行的好处就是在开始运行时便于调试。如果想要后台运行，则需加上-daemon选项：
# bin/connect-distributed.sh -daemon config/connect-distributed.properties
运行connect时，会看到不停地涌现大量INFO信息，此时可以修改一下connect-log4j.properties，只显示WARN信息。
# vim config/connect-log4j.properties log4j.rootLogger=WARN, stdout
开启MSSQL数据库的Change Tracking
在继续进行之前，我们在数据库中创建表test_online，并且开启Change Tracking功能：
Go CREATE TABLE [dbo].[test_online]( [Id] [int] IDENTITY(1,1) NOT NULL, [UserName] [varchar](50) NOT NULL, [IsOnline] [bit] NOT NULL, [LastLogin] [int] NOT NULL, CONSTRAINT [PK_test_online] PRIMARY KEY CLUSTERED ( [Id] ASC ) Go ALTER DATABASE db_name SET CHANGE_TRACKING = ON (CHANGE_RETENTION = 2 DAYS, AUTO_CLEANUP = ON) Go ALTER TABLE [db_name].dbo.[test_online] ENABLE CHANGE_TRACKING WITH (TRACK_COLUMNS_UPDATED = ON)
Kafka Connector REST API
当Kafka Connector运行起来以后，它就开启了REST API端口，像我们上面配置的是：18083。如果我们需要运行Task，比如实时捕捉数据库数据变化并写入Kafka，那么就需要像这个REST API提交用户配置（User Config）。在提交用户配置之前，我们先看看Kafka Connector REST API都包含哪些常见功能：
获取Worker的信息
因为我的kafka（主机名分别为kafka1、kafka2、kafka3）和kafka connector集群是共用主机的，因此可以使用下面的命令获取（你需要将下面的kafka1改成ip或者相应的主机名）：
# curl -s kafka1:18083/ | jq
{
"version": "1.1.0",
"commit": "fdcf75ea326b8e07",
"kafka_cluster_id": "N93UISCxTS-SYZPfM8p1sQ"
}
获取Worker上已经安装的Connector
此时的Connector是静态概念，即上面第一节安装的Confluent MSSQL Connector，从下面的显示可以看到，我安装了好几个Connector：
# curl -s kafka1:18083/connector-plugins | jq
[
{
"class": "io.confluent.connect.cdc.mssql.MsSqlSourceConnector",
"type": "source",
"version": "0.0.1.9"
},
{
"class": "io.confluent.connect.hdfs.HdfsSinkConnector",
"type": "sink",
"version": "5.0.0"
},
{
"class": "io.confluent.connect.hdfs.tools.SchemaSourceConnector",
"type": "source",
"version": "1.1.0"
},
{
"class": "io.confluent.connect.storage.tools.SchemaSourceConnector",
"type": "source",
"version": "1.1.0"
},
{
"class": "io.debezium.connector.sqlserver.SqlServerConnector",
"type": "source",
"version": "0.9.0.Alpha1"
},
{
"class": "org.apache.kafka.connect.file.FileStreamSinkConnector",
"type": "sink",
"version": "1.1.0"
},
{
"class": "org.apache.kafka.connect.file.FileStreamSourceConnector",
"type": "source",
"version": "1.1.0"
}
]
对于你来说，可能就只有io.confluent.connect.cdc.mssql.MsSqlSourceConnector这一个connector。
列出当前运行的connector(task)
# curl -s kafka1:18083/connectors | jq []
因为我们当前Connector中没有提交过任何的用户配置（即没有启动Task），因此上面返回空数组。
提交Connector用户配置
当提交用户配置时，就会启动一个Connector Task，Connector Task执行实际的作业。用户配置是一个Json文件，同样通过REST API提交：
# curl -s -X POST -H "Content-Type: application/json" --data '{
"name": "connector-mssql-online",
"config": {
"connector.class": "io.confluent.connect.cdc.mssql.MsSqlSourceConnector",
"tasks.max": 1,
"server.name": "192.168.0.21",
"server.port" : "1433",
"username": "user_id",
"password": "your_password",
"initial.database": "db_name",
"change.tracking.tables": "dbo.test_online"
}
}' http://kafka1:18083/connectors | jq
注意上面的配置要修改成你的本地配置。提交完成后，再次执行上一小节的命令，会看到已经有一个connector在运行了，其名称为connector-mssql-online：
curl -s kafka1:18083/connectors | jq [ "connector-mssql-online" ]
查看connector的信息
# curl -s kafka1:18083/connectors/connector-mssql-online | jq
{
"name": "connector-mssql-online",
"config": {
"connector.class": "io.confluent.connect.cdc.mssql.MsSqlSourceConnector",
"password": "your_password",
"initial.database": "db_name",
"server.name": "192.168.0.21",
"tasks.max": "1",
"server.port": "1433",
"name": "connector-mssql-online",
"change.tracking.tables": "dbo.test_online",
"username": "user_id"
},
"tasks": [
{
"connector": "connector-mssql-online",
"task": 0
}
],
"type": "source"
}
上面task:0，不是说有0个task，是task的id是0。
查看connector下运行的task信息
使用下面的命令，可以查看connector下运行的task的信息：
# curl -s kafka1:18083/connectors/connector-mssql-online/tasks | jq
[
{
"id": {
"connector": "connector-mssql-online",
"task": 0
},
"config": {
"connector.class": "io.confluent.connect.cdc.mssql.MsSqlSourceConnector",
"password": "your_password",
"initial.database": "db_name",
"task.class": "io.confluent.connect.cdc.mssql.MsSqlSourceTask",
"server.name": "192.168.0.21",
"tasks.max": "1",
"server.port": "1433",
"name": "connector-mssql-online",
"change.tracking.tables": "dbo.test_online",
"username": "user_id"
}
}
]
这里task的配置信息继承自connector的配置。
查看connector当前状态
# curl -s kafka1:18083/connectors/connector-mssql-online/status | jq
{
"name": "connector-mssql-online",
"connector": {
"state": "RUNNING",
"worker_id": "192.168.0.31:18083"
},
"tasks": [
{
"state": "RUNNING",
"id": 0,
"worker_id": "192.168.0.31:18083"
}
],
"type": "source"
}
暂停/重启 Connector
# curl -s -X PUT kafka1:18083/connectors/connector-mssql-online/pause # curl -s -X PUT kafka1:18083/connectors/connector-mssql-online/resume
删除 Connector
# curl -s -X DELETE kafka1:18083/connectors/connector-mssql-online
从Kafka中读取变动数据
默认情况下，MSSQL Connector会将表的变动写入到：${databaseName}.${tableName} 这个topic中，这个topic的名称可以通过 topic.format 这个用户配置参数中进行设置，因为我们并没有配置，因此，topic的名称为db_name.test_online。
运行下面的控制台脚本，从Kafka中实时读取topic的内容：
# bin/kafka-console-consumer.sh --bootstrap-server kafka1:9092 --topic db_name.test_online --from-beginning
此时因为没有任何数据，因此控制台会阻塞。
对test_online表进行修改
依次执行下面的增删改语句，对test_online表进行修改：
insert into [test_online](UserName,IsOnline,LastLogin)
values('子阳', 1, DATEDIFF(s, '19700101',GETDATE()))
update test_online Set UserName='吉米' where UserName='子阳'
Delete test_online Where UserName='吉米'
现在查看Kafka读取端控制台，可以看到以Json格式实时收到了数据库变动的消息：
# bin/kafka-console-consumer.sh --bootstrap-server kafka1:9092 --topic tgstat_ddztest.test_online
{"Id":5,"UserName":"子阳","IsOnline":true,"LastLogin":1540635666,"_cdc_metadata":{"sys_change_operation":"I","sys_change_creation_version":"13","sys_change_version":"13","databaseName":"tgstat_ddztest","schemaName":"dbo","tableName":"test_online"}}
{"Id":5,"UserName":"吉米","IsOnline":true,"LastLogin":1540635666,"_cdc_metadata":{"sys_change_operation":"U","sys_change_creation_version":"0","sys_change_version":"14","databaseName":"tgstat_ddztest","schemaName":"dbo","tableName":"test_online"}}
null
从上面的消息可以看到，对于delete操作，收到了null。对于insert和update操作，收到了详细的变动信息。
至此，我们就配置完了Kafka Connector，并且实时获取到了数据库变更的消息。后续可以使用Spark Stream连接至此Topic，进行实时的数据运算和分析。以后有机会再进行掩饰。
感谢阅读，希望这篇文章能给你带来帮助！