Перейти к основному содержимому
Перейти к основному содержимому

Kafka

Not supported in ClickHouse Cloud
примечание

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-функция FORMAT, такую как JSONEachRow. 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 объекта schema.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. Если kafka_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
примечание

Не используйте этот метод в новых проектах. Если возможно, переключите старые проекты на метод, описанный выше.

к сведению

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:

  1. Используйте движок для создания потребителя Kafka и рассматривайте его как поток данных.
  2. Создайте таблицу с желаемой структурой.
  3. 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

Experimental feature. Learn more.

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 Keeper
  • kafka_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} в kafka_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