在流式数据处理过程中，E-MapReduce经常需要在Kafka与其他系统间进行数据同步或者在Kafka集群间进行数据迁移。本文向您介绍如何在E-MapReduce上通过Kafka Connect快速地实现Kafka集群间的数据迁移。

前提条件

  • 已开通E-MapReduce服务。
  • 已完成云账号的授权，详情请参见角色授权。

背景信息

Kafka Connect是一种可扩展的、可靠的、用于Kafka与其他系统间进行数据同步或者在Kafka集群间进行流式数据传输的工具。例如，Kafka Connect可以获取数据库的binlog数据，将数据库数据同步至Kafka集群，从而达到迁移数据库数据的目的。由于Kafka集群可对接流式处理系统，所以还可以间接实现数据库对接下游流式处理系统的目的。同时，Kafka Connect还提供了REST API接口，方便您创建和管理Kafka Connect。

Kafka Connect分为Standalone和Distributed两种运行模式。在Standalone模式下，所有的worker都在一个进程中运行。相比于Standalone模式，Distributed模式更具扩展性和容错性，是最常用的方式，也是生产环境推荐使用的模式。

本文介绍如何在E-MapReduce上使用Kafka Connect的REST API接口在Kafka集群间进行数据迁移，Kafka Connect使用distributed模式。

步骤一：创建Kafka集群

在EMR上创建源Kafka集群和目的Kafka集群。Kafka Connect安装在Task节点上，所以目的Kafka集群必须创建Task节点。集群创建好后，Task节点上Kafka Connect服务会默认启动，端口号为8083。

  1. 登录阿里云E-MapReduce控制台。
  2. 创建源Kafka集群和目的Kafka集群，详情请参见创建集群。
    注意
    • 源Kafka集群和目的Kafka集群创建在同一个安全组下。

      如果源Kafka集群和目的kafka集群不在同一个安全组下，则两者的网络默认是不互通的，您需要对两者的安全组分别进行相关配置，以使两者的网络互通。

    • 创建目的Kafka集群后，需要扩容Task节点，详情请参见新增机器组。
    Kafka集群

步骤二：准备待迁移数据Topic

在源Kafka集群上创建一个名称为connect的Topic。

  1. 以SSH方式登录到源Kafka集群的Master节点（本例为emr-header-1）。
  2. 以root用户运行如下命令，创建一个名称为connect的Topic。 
    kafka-topics.sh --create --zookeeper emr-header-1:2181 --replication-factor 2 --partitions 10 --topic connect
    创建Topic
    说明 完成上述操作后，请保留该登录窗口，后续仍将使用。

步骤三：创建Kafka Connect的connector

在目的Kafka集群的Task节点上，使用curl命令，通过JSON数据创建一个Kafka Connect的connector。

  1. 自定义Kafka Connect配置。

    进入阿里云E-MapReduce控制台目的Kafka集群Kafka服务的配置页面，在connect-distributed.properties中自定义offset.storage.topic、config.storage.topic和status.storage.topic三个配置项，详情请参见管理组件参数。

    Kafka Connect会将offsets、configs和任务状态保存在Topic中，Topic名对应offset.storage.topic、config.storage.topic和status.storage.topic三个配置项。Kafka Connect会自动使用默认的partition和replication factor创建这三个Topic，其中partition和repication factor配置项保存在/etc/ecm/kafka-conf/connect-distributed.properties文件中。

  2. 以SSH方式登录到目的Kafka集群的Master节点（本例为emr-header-1）。
  3. 切换至Task节点（本例为emr-worker-3）。
    task
  4. 以root用户运行如下命令创建一个Kafka Connect。 
    curl -X POST -H "Content-Type: application/json" --data '{"name": "connect-test", "config": { "connector.class": "EMRReplicatorSourceConnector", "key.converter": "org.apache.kafka.connect.converters.ByteArrayConverter", "value.converter": "org.apache.kafka.connect.converters.ByteArrayConverter", "src.kafka.bootstrap.servers": "${src-kafka-ip}:9092", "src.zookeeper.connect": "${src-kafka-curator-ip}:2181", "dest.zookeeper.connect": "${dest-kafka-curator-ip}:2181", "topic.whitelist": "${source-topic}", "topic.rename.format": "${dest-topic}", "src.kafka.max.poll.records": "300" } }' http://emr-worker-3:8083/connectors
    在JSON数据中， name字段代表创建的Kafka Connect的名称，本例为 connect-test； config字段需要根据实际情况进行配置，关键变量的说明如下。
    变量 说明
    ${source-topic} 源Kafka集群中需要迁移的Topic，多个Topic需用英文逗号（,）隔开，例如connect。
    ${dest-topic} 目的Kafka集群中迁移后的Topic，例如connect.replica。
    ${src-kafka-curator-hostname} 源Kafka集群中安装了ZooKeeper服务的节点的内网IP地址。
    ${dest-kafka-curator-hostname} 目的Kafka集群中安装了ZooKeeper服务的节点的内网IP地址。
    说明 完成上述操作后，请保留该登录窗口，后续仍将使用。

步骤四：查看Kafka Connect和Task节点状态

查看Kafka Connect和Task节点信息，确保两者的状态正常。

  1. 返回到目的Kafka集群的Task节点（本例为emr-worker-3）的登录窗口。
  2. 以root用户运行如下命令查看所有的Kafka Connect。 
    curl emr-worker-3:8083/connectors
    查看所有Kafka Connect
  3. 以root用户运行如下命令查看本例创建的Kafka Connect（本例为connect-test）的状态。 
    curl emr-worker-3:8083/connectors/connect-test/status
    查看connect-test状态

    确保Kafka Connect（本例为connect-test）的状态为RUNNING。

  4. 以root用户运行如下命令查看Task节点信息。 
    curl emr-worker-3:8083/connectors/connect-test/tasks
    查看Task节点信息

    确保Task节点的返回信息中无错误信息。

步骤五：生成待迁移数据

通过命令向源集群中的connectTopic发送待迁移的数据。

  1. 返回到源Kafka集群的header节点（本例为emr-header-1）的登录窗口。
  2. 以root用户运行如下命令向connect的Topic发送数据。 
    kafka-producer-perf-test.sh --topic connect --num-records 100000 --throughput 5000 --record-size 1000 --producer-props bootstrap.servers=emr-header-1:9092
    当提示如下信息，则表示已经成功生成待迁移数据。 生成待同步数据

步骤六：查看数据迁移结果

生成待迁移数据后，Kafka Connect会自动将这些数据迁移到目的集群的相应文件（本例为connect.replica）中。

  1. 返回到目的Kafka集群的Task节点（本例为emr-worker-3）的登录窗口。
  2. 以root用户运行如下命令查看数据迁移是否成功。 
    kafka-consumer-perf-test.sh --topic connect.replica --broker-list emr-header-1:9092 --messages 100000
    查看数据同步结果

    从上述返回结果可以看出，在源Kafka集群发送的100000条数据已经迁移到了目的Kafka集群。

小结

本文介绍并演示了使用Kafka Connect在Kafka集群间进行数据迁移的方法。如果需要了解Kafka Connect更详细的使用方法，请参见Kafka官网资料和REST API。