如何将 Apache Kafka 与 Amazon S3 连接?

Question

我想使用 KafkaConnect 将来自 Kafka 的数据存储到存储桶 s3 中。我已经运行了一个 Kafka 的主题，并且我创建了一个存储桶 s3。我的主题在 Protobuffer 上有数据，我尝试了 https://github.com/qubole/streamx，我得到了下一个错误：

[2018-10-04 13:35:46,512] INFO Revoking previously assigned partitions [] for group connect-s3-sink (org.apache.kafka.clients.consumer.internals.ConsumerCoordinator:280)
[2018-10-04 13:35:46,512] INFO (Re-)joining group connect-s3-sink (org.apache.kafka.clients.consumer.internals.AbstractCoordinator:326)
[2018-10-04 13:35:46,645] INFO Successfully joined group connect-s3-sink with generation 1 (org.apache.kafka.clients.consumer.internals.AbstractCoordinator:434)
[2018-10-04 13:35:46,692] INFO Setting newly assigned partitions [ssp.impressions-11, ssp.impressions-10, ssp.impressions-7, ssp.impressions-6, ssp.impressions-9, ssp.impressions-8, ssp.impressions-3, ssp.impressions-2, ssp.impressions-5, ssp.impressions-4, ssp.impressions-1, ssp.impressions-0] for Group connect-s3-sink(org.apache.kafka.clients.consumer.internals.ConsumerCoordinator:219)
[2018-10-04 13:35:47,193] ERROR Task s3-sink-0 threw an uncaught an unrecoverable exception (org.apache.kafka.connect.runtime.WorkerTask:142)
java.lang.NullPointerException
at io.confluent.connect.hdfs.HdfsSinkTask.close(HdfsSinkTask.java:122)
at org.apache.kafka.connect.runtime.WorkerSinkTask.commitOffsets(WorkerSinkTask.java:290)
at org.apache.kafka.connect.runtime.WorkerSinkTask.closePartitions(WorkerSinkTask.java:421)
at org.apache.kafka.connect.runtime.WorkerSinkTask.execute(WorkerSinkTask.java:146)
at org.apache.kafka.connect.runtime.WorkerTask.doRun(WorkerTask.java:140)
at org.apache.kafka.connect.runtime.WorkerTask.run(WorkerTask.java:175)
at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:511)
at java.util.concurrent.FutureTask.run(FutureTask.java:266)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
[2018-10-04 13:35:47,194] ERROR Task is being killed and will not recover until manually restarted (org.apache.kafka.connect.runtime.WorkerTask:143)
[2018-10-04 13:35:51,235] INFO Reflections took 6844 ms to scan 259 urls, producing 13517 keys and 95788 values (org.reflections.Reflections:229)

我做了接下来的步骤：

1. 我克隆了存储库。
2. mvn DskipTests package

3. nano config/connect-standalone.properties

   bootstrap.servers=ip-myip.ec2.internal:9092
   key.converter=com.qubole.streamx.ByteArrayConverter
   value.converter=com.qubole.streamx.ByteArrayConverter
   

4. nano config/quickstart-s3.properties

   name=s3-sink 
   connector.class=com.qubole.streamx.s3.S3SinkConnector
   format.class=com.qubole.streamx.SourceFormat tasks.max=1
   topics=ssp.impressions
   flush.size=3
   s3.url=s3://myaccess_key:mysecret_key@mybucket/demo
   

5. connect-standalone /etc/kafka/connect-standalone.properties quickstart-s3.properties

我想知道我这样做是否可以，或者另一种将数据从 Kafka 保存到 S3 中的方法。

Answer 1

您可以使用 Kafka Connect 与 Kafka Connect S3 连接器进行此集成。

Kafka Connect 是 Apache Kafka 的一部分，S3 连接器是一个开源连接器，既可以独立使用，也可以作为 Confluent Platform 的一部分使用。

有关 Kafka Connect 的一般信息和示例，本系列文章可能会有所帮助：

• https://www.confluent.io/blog/simplest-useful-kafka-connect-data-pipeline-world-thereabouts-part-1/
• https://www.confluent.io/blog/blogthe-simplest-useful-kafka-connect-data-pipeline-in-the-world-or-thereabouts-part-2/
• https://www.confluent.io/blog/simplest-useful-kafka-connect-data-pipeline-world-thereabouts-part-3/

免责声明：我在Confluent工作，并撰写了上述博客文章。

---

2020 年 4 月：我录制了一个视频，展示了如何使用 S3 接收器：https://rmoff.dev/kafka-s3-video

Answer 2

另一种方法是编写一个具有日志轮换的消费者，然后将 corn 文件写入 S3 .