Kafka
Пользователям ClickHouse Cloud рекомендуется использовать ClickPipes для потоковой передачи данных Kafka в ClickHouse. Это нативно поддерживает высокопроизводительную вставку, обеспечивая разделение обязанностей с возможностью независимого масштабирования ресурсов сбора и кластера.
Этот движок работает с Apache Kafka.
Kafka позволяет вам:
- Публиковать или подписываться на потоки данных.
- Организовывать отказоустойчивое хранилище.
- Обрабатывать потоки по мере их появления.
Создание таблицы
Обязательные параметры:
kafka_broker_list
— Запятая, разделяющая список брокеров (например,localhost:9092
).kafka_topic_list
— Список тем Kafka.kafka_group_name
— Группа потребителей Kafka. Полосы чтения отслеживаются для каждой группы отдельно. Если вы не хотите, чтобы сообщения были продублированы в кластере, используйте одно и то же имя группы повсюду.kafka_format
— Формат сообщения. Использует ту же нотацию, что и SQL-функцияFORMAT
, такую какJSONEachRow
. Для получения дополнительной информации см. раздел Formats.
Необязательные параметры:
kafka_schema
— Параметр, который необходимо использовать, если формат требует определения схемы. Например, Cap'n Proto требует путь к файлу схемы и имя корневого объектаschema.capnp:Message
.kafka_num_consumers
— Число потребителей на таблицу. Укажите больше потребителей, если пропускная способность одного потребителя недостаточна. Общее количество потребителей не должно превышать число партиций в теме, поскольку только одному потребителю может быть назначена одна партиция, и не должно превышать количество физических ядер на сервере, на котором развернут ClickHouse. По умолчанию:1
.kafka_max_block_size
— Максимальный размер блока (в сообщениях) для опроса. По умолчанию: max_insert_block_size.kafka_skip_broken_messages
— Тolerance парсера сообщений Kafka к сообщениям, несовместимым со схемой, на блок. Еслиkafka_skip_broken_messages = N
, то движок пропускает N сообщений Kafka, которые не могут быть распознаны (сообщение равно строке данных). По умолчанию:0
.kafka_commit_every_batch
— Подтверждать каждую потребляемую и обработанную партию вместо одного подтверждения после записи целого блока. По умолчанию:0
.kafka_client_id
— Идентификатор клиента. По умолчанию пустой.kafka_poll_timeout_ms
— Таймаут для одного опроса из Kafka. По умолчанию: stream_poll_timeout_ms.kafka_poll_max_batch_size
— Максимальное количество сообщений, чтобы опрашивались в одном опросе Kafka. По умолчанию: max_block_size.kafka_flush_interval_ms
— Таймаут для сброса данных из Kafka. По умолчанию: stream_flush_interval_ms.kafka_thread_per_consumer
— Обеспечить независимый поток для каждого потребителя. При включении каждый потребитель сбрасывает данные независимо, параллельно (в противном случае — строки от нескольких потребителей объединяются для формирования одного блока). По умолчанию:0
.kafka_handle_error_mode
— Как обрабатывать ошибки для движка Kafka. Возможные значения: default (исключение будет выброшено, если не удастся распарсить сообщение), stream (исключение сообщение и необработанное сообщение будут сохранены в виртуальных колонках_error
и_raw_message
).kafka_commit_on_select
— Подтверждать сообщения, когда выполняется запрос select. По умолчанию:false
.kafka_max_rows_per_message
— Максимальное количество строк, записываемых в одно сообщение kafka для форматов на основе строк. По умолчанию:1
.
Примеры:
Устаревший метод создания таблицы
Не используйте этот метод в новых проектах. Если возможно, переключите старые проекты на метод, описанный выше.
Движок Kafka не поддерживает колонки с значением по умолчанию. Если вам нужны колонки со значением по умолчанию, вы можете добавить их на уровне материализованного представления (см. ниже).
Описание
Доставленные сообщения отслеживаются автоматически, так что каждое сообщение в группе считается только один раз. Если вы хотите получить данные дважды, создайте копию таблицы с другим именем группы.
Группы гибкие и синхронизированы в кластере. Например, если у вас 10 тем и 5 копий таблицы в кластере, то каждая копия получает 2 темы. Если количество копий меняется, темы автоматически перераспределяются между копиями. Узнайте больше об этом на http://kafka.apache.org/intro.
SELECT
не особенно полезен для чтения сообщений (кроме отладки), поскольку каждое сообщение может быть прочитано только один раз. Практичнее создавать потоки в реальном времени, используя материализованные представления. Для этого:
- Используйте движок для создания потребителя Kafka и рассматривайте его как поток данных.
- Создайте таблицу с желаемой структурой.
- Создайте материализованное представление, которое преобразует данные из движка и помещает их в ранее созданную таблицу.
Когда MATERIALIZED VIEW
объединяется с движком, он начинает собирать данные в фоновом режиме. Это позволяет вам постоянно получать сообщения из Kafka и преобразовывать их в требуемый формат с помощью SELECT
.
Одной таблице kafka можно создать столько материализованных представлений, сколько вы пожелаете, они не читают данные напрямую из таблицы kafka, а получают новые записи (пакетами), таким образом вы можете записывать в несколько таблиц с различным уровнем детализации (с группировкой - агрегацией и без).
Пример:
Чтобы улучшить производительность, полученные сообщения группируются в блоки размером max_insert_block_size. Если блок не был сформирован в течение stream_flush_interval_ms миллисекунд, данные будут сброшены в таблицу независимо от полноты блока.
Чтобы прекратить получение данных темы или изменить логику преобразования, отсоедините материализованное представление:
Если вы хотите изменить целевую таблицу с помощью ALTER
, мы рекомендуем отключить материализованное представление, чтобы избежать несоответствий между целевой таблицей и данными из представления.
Конфигурация
Аналогично GraphiteMergeTree, движок Kafka поддерживает расширенную конфигурацию с использованием файла конфигурации ClickHouse. Существует два ключа конфигурации, которые вы можете использовать: глобальный (ниже <kafka>
) и на уровне темы (ниже <kafka><kafka_topic>
). Глобальная конфигурация применяется в первую очередь, а затем применяется конфигурация на уровне темы (если она существует).
Для получения списка возможных параметров конфигурации смотрите librdkafka configuration reference. Используйте подчеркивание (_
) вместо точки в конфигурации ClickHouse. Например, check.crcs=true
будет <check_crcs>true</check_crcs>
.
Поддержка Kerberos
Для работы с Kafka, поддерживающей Kerberos, добавьте дочерний элемент security_protocol
со значением sasl_plaintext
. Достаточно, чтобы билет для выдачи билетов Kerberos был получен и кэширован средствами ОС.
ClickHouse может поддерживать учетные данные Kerberos, используя файл keytab. Рассмотрите дочерние элементы sasl_kerberos_service_name
, sasl_kerberos_keytab
и sasl_kerberos_principal
.
Пример:
Виртуальные колонки
_topic
— Тема Kafka. Тип данных:LowCardinality(String)
._key
— Ключ сообщения. Тип данных:String
._offset
— Смещение сообщения. Тип данных:UInt64
._timestamp
— Метка времени сообщения. Тип данных:Nullable(DateTime)
._timestamp_ms
— Метка времени в миллисекундах сообщения. Тип данных:Nullable(DateTime64(3))
._partition
— Партиция темы Kafka. Тип данных:UInt64
._headers.name
— Массив ключей заголовков сообщения. Тип данных:Array(String)
._headers.value
— Массив значений заголовков сообщения. Тип данных:Array(String)
.
Дополнительные виртуальные колонки, когда kafka_handle_error_mode='stream'
:
_raw_message
- Необработанное сообщение, которое не удалось успешно распарсить. Тип данных:String
._error
- Сообщение исключения, возникшее во время неудачного парсинга. Тип данных:String
.
Примечание: виртуальные колонки _raw_message
и _error
заполняются только в случае исключения во время парсинга, они всегда пусты, когда сообщение было успешно распознано.
Поддержка форматов данных
Движок Kafka поддерживает все форматы, поддерживаемые в ClickHouse. Количество строк в одном сообщении Kafka зависит от того, является ли формат основанным на строках или на блоках:
- Для форматов на основе строк количество строк в одном сообщении Kafka можно контролировать, устанавливая
kafka_max_rows_per_message
. - Для форматов на основе блоков мы не можем разделить блок на более мелкие части, но количество строк в одном блоке можно контролировать общим параметром max_block_size.
Движок для хранения подтвержденных смещений в ClickHouse Keeper
Если включен allow_experimental_kafka_offsets_storage_in_keeper
, то для движка таблицы Kafka можно указать два дополнительных параметра:
kafka_keeper_path
, который указывает путь к таблице в ClickHouse Keeperkafka_replica_name
, который указывает имя реплики в ClickHouse Keeper
Необходимо указать либо оба параметра, либо ни один из них. Когда оба из них указаны, используется новый, экспериментальный движок Kafka. Новый движок не зависит от хранения подтвержденных смещений в Kafka, а хранит их в ClickHouse Keeper. Он по-прежнему пытается подтвердить смещения в Kafka, но он зависит только от этих смещений при создании таблицы. В любых других обстоятельствах (таблица перезагружается или восстанавливается после какой-либо ошибки) будут использоваться смещения, хранящиеся в ClickHouse Keeper. Кроме подтвержденного смещения, он также хранит, сколько сообщений было потреблено в последней партии, так что, если вставка не удалась, будет потреблено то же количество сообщений, позволяя избежать дублирования при необходимости.
Пример:
Или для использования макросов uuid
и replica
аналогично ReplicatedMergeTree:
Известные ограничения
Поскольку новый движок является экспериментальным, он еще не готов к производству. Существуют несколько известных ограничений реализации:
- Самое значительное ограничение заключается в том, что движок не поддерживает прямое чтение. Чтение из движка с помощью материализованных представлений и запись в движок работают, но прямое чтение не работает. В результате все прямые запросы
SELECT
будут неудачны. - Быстрое удаление и воссоздание таблицы или указание одного и того же пути ClickHouse Keeper для разных движков могут вызвать проблемы. В качестве наилучшей практики вы можете использовать
{uuid}
вkafka_keeper_path
, чтобы избежать конфликтующих путей. - Для обеспечения повторяемых чтений сообщения не могут быть потреблены из нескольких партиций в одном потоке. С другой стороны, потребители Kafka должны опрашиваться регулярно, чтобы оставаться активными. В результате этих двух целей мы решили разрешить создание нескольких потребителей только в том случае, если
kafka_thread_per_consumer
включен, в противном случае слишком сложно избежать проблем с регулярным опросом потребителей. - Потребители, созданные новым движком хранения, не отображаются в таблице
system.kafka_consumers
.
См. также