将 Vector 与 Kafka 和 ClickHouse 结合使用

Vector 是一个与厂商无关的数据管道，能够从 Kafka 读取数据并将事件发送到 ClickHouse。面向 Vector 与 ClickHouse 的入门指南主要聚焦于日志场景以及从文件中读取事件。这里我们使用 GitHub 示例数据集，其中事件存放在 Kafka topic 中。 Vector 使用 sources 通过 push 或 pull 模型获取数据；同时，sinks 则作为事件的目标端。因此，我们这里使用 Kafka source 和 ClickHouse sink。请注意，虽然 Kafka 支持作为 sink，但目前还没有可用的 ClickHouse source。因此，如果你想将数据从 ClickHouse 传输到 Kafka，就不适合使用 Vector。 Vector 还支持对数据进行转换。这不在本指南的讨论范围内；如有需要，请参考 Vector 文档来处理你的数据集。请注意，当前 ClickHouse sink 的实现使用的是 HTTP 接口。ClickHouse sink 目前还不支持使用 JSON schema。数据必须以纯 JSON 格式或 String 形式发布到 Kafka。

许可协议

Vector 依据 MPL-2.0 License 发布

获取连接信息

要通过 HTTP(S) 连接到 ClickHouse，你需要以下信息：

Parameter(s)	Description
`HOST` and `PORT`	通常，使用 TLS 时端口为 8443；不使用 TLS 时端口为 8123。
`DATABASE NAME`	默认情况下，存在一个名为 `default` 的数据库。请使用你要连接的数据库名称。
`USERNAME` and `PASSWORD`	默认情况下，用户名为 `default`。请根据你的使用场景使用相应的用户名。

你的 ClickHouse Cloud 服务的连接信息可在 ClickHouse Cloud 控制台中查看。选择一个服务，然后点击 Connect：

选择 HTTPS。连接信息会显示在示例 curl 命令中。

如果你使用的是自管理 ClickHouse，则连接信息由你的 ClickHouse 管理员配置。

步骤

创建 Kafka github topic，并写入 GitHub 数据集。

cat /opt/data/github/github_all_columns.ndjson | kcat -b <host>:<port> -X security.protocol=sasl_ssl -X sasl.mechanisms=PLAIN -X sasl.username=<username> -X sasl.password=<password> -t github

该数据集包含 200,000 行，聚焦于 ClickHouse/ClickHouse 仓库。

确保目标表已创建。下面我们使用默认数据库。

CREATE TABLE github
(
    file_time DateTime,
    event_type Enum('CommitCommentEvent' = 1, 'CreateEvent' = 2, 'DeleteEvent' = 3, 'ForkEvent' = 4,
                    'GollumEvent' = 5, 'IssueCommentEvent' = 6, 'IssuesEvent' = 7, 'MemberEvent' = 8, 'PublicEvent' = 9, 'PullRequestEvent' = 10, 'PullRequestReviewCommentEvent' = 11, 'PushEvent' = 12, 'ReleaseEvent' = 13, 'SponsorshipEvent' = 14, 'WatchEvent' = 15, 'GistEvent' = 16, 'FollowEvent' = 17, 'DownloadEvent' = 18, 'PullRequestReviewEvent' = 19, 'ForkApplyEvent' = 20, 'Event' = 21, 'TeamAddEvent' = 22),
    actor_login LowCardinality(String),
    repo_name LowCardinality(String),
    created_at DateTime,
    updated_at DateTime,
    action Enum('none' = 0, 'created' = 1, 'added' = 2, 'edited' = 3, 'deleted' = 4, 'opened' = 5, 'closed' = 6, 'reopened' = 7, 'assigned' = 8, 'unassigned' = 9, 'labeled' = 10, 'unlabeled' = 11, 'review_requested' = 12, 'review_request_removed' = 13, 'synchronize' = 14, 'started' = 15, 'published' = 16, 'update' = 17, 'create' = 18, 'fork' = 19, 'merged' = 20),
    comment_id UInt64,
    path String,
    ref LowCardinality(String),
    ref_type Enum('none' = 0, 'branch' = 1, 'tag' = 2, 'repository' = 3, 'unknown' = 4),
    creator_user_login LowCardinality(String),
    number UInt32,
    title String,
    labels Array(LowCardinality(String)),
    state Enum('none' = 0, 'open' = 1, 'closed' = 2),
    assignee LowCardinality(String),
    assignees Array(LowCardinality(String)),
    closed_at DateTime,
    merged_at DateTime,
    merge_commit_sha String,
    requested_reviewers Array(LowCardinality(String)),
    merged_by LowCardinality(String),
    review_comments UInt32,
    member_login LowCardinality(String)
) ENGINE = MergeTree ORDER BY (event_type, repo_name, created_at);

下载并安装 Vector。创建一个 kafka.toml 配置文件，并根据你的 Kafka 和 ClickHouse 实例修改其中的值。

[sources.github]
type = "kafka"
auto_offset_reset = "smallest"
bootstrap_servers = "<kafka_host>:<kafka_port>"
group_id = "vector"
topics = [ "github" ]
tls.enabled = true
sasl.enabled = true
sasl.mechanism = "PLAIN"
sasl.username = "<username>"
sasl.password = "<password>"
decoding.codec = "json"

[sinks.clickhouse]
type = "clickhouse"
inputs = ["github"]
endpoint = "http://localhost:8123"
database = "default"
table = "github"
skip_unknown_fields = true
auth.strategy = "basic"
auth.user = "username"
auth.password = "password"
buffer.max_events = 10000
batch.timeout_secs = 1

关于此配置及 Vector 的行为，有几点需要特别说明：

此示例已针对 Confluent Cloud 进行测试。因此，sasl.* 和 ssl.enabled 安全选项在自管理场景中可能并不适用。
配置参数 bootstrap_servers 不需要协议前缀，例如 pkc-2396y.us-east-1.aws.confluent.cloud:9092
source 参数 decoding.codec = "json" 可确保消息以单个 JSON 对象的形式传递到 ClickHouse sink。如果将消息作为 String 处理，并使用默认的 bytes 值，则消息内容会被追加到 message 字段中。在大多数情况下，这都需要像 Vector 入门指南中所述的那样，在 ClickHouse 中进行处理。
Vector 会向消息中添加多个字段。在本示例中，我们通过配置参数 skip_unknown_fields = true 在 ClickHouse sink 中忽略这些字段。这会忽略不属于目标表 schema 的字段。你也可以根据需要调整 schema，以确保这些元字段 (如 offset) 被添加进去。
请注意，sink 通过参数 inputs 引用事件 source。
请注意此处所述的 ClickHouse sink 行为。为获得最佳吞吐量，你可能需要调优 buffer.max_events、batch.timeout_secs 和 batch.max_bytes 参数。根据 ClickHouse 的建议，单个批次中的事件数至少应为 1000。对于吞吐量稳定且较高的场景，你可以增大参数 buffer.max_events。而对于吞吐量波动较大的场景，则可能需要调整参数 batch.timeout_secs
参数 auto_offset_reset = "smallest" 会强制 Kafka source 从 topic 的起始位置开始消费，从而确保我们能消费步骤 (1) 中发布的消息。你可能需要不同的行为。更多详情请参见这里。

启动 Vector

vector --config ./kafka.toml

默认情况下，在开始向 ClickHouse 插入数据之前，需要先执行健康检查。这样可确保能够建立连接并读取 schema。若要获取更多日志，请在命令前加上 VECTOR_LOG=debug；如果你遇到问题，这些日志会很有帮助。

确认数据已成功插入。

SELECT count() AS count FROM github;

计数
200000