kafka-connect的集群模式

根据上一篇的内容,可以知道connect的大致运行逻辑,但是在分布式模式下,各种情况都变得复杂了。主要差异就是调度管理层由StandaloneHerder变成了DistributedHerder。DistributedHerder中有个线程,循环调用DistributedHerder#tick用于以下功能:

  • 维持自身在分布式系统的连接

  • 根据客户端的各种restful请求执行业务逻辑.

  • 进入一个漫长的沉睡,期间,如果有下列两种情形,将被唤醒:1.有客户端请求进入;2.在集群group中失联。

下面对第一个功能的逻辑展开来:

1.找到本机和kafka集群中随机最不活跃的节点发送获取节点的请求,并尝试连接这个获取来的节点用作以后流程的通讯。

2.将所有正在运行的任务停止,因为进入了当前这个状态,一定不是平衡状态,所以需要把上一轮分配给自己的任务停止(优化:这里可以将要停止的任务和以后分配到的任务做比较后再操作,这样可以减少启停任务的次数,但是有一个难点:需要处理好任务的时序,比如这种场景:任务t在rebalance中由机器A转移到了机器B。 在assign任务以后,各members认为自己进入了平衡状态,进行任务的启停,那么可能会有时刻存在任务t同时运行于机器A和B,造成数据的不一致,方法:借助zk的临时节点)。

3.根据自身所属的group.id 向1中获取到的节点发送加入集群信号。kafka返回的信息中包括:当前纪元,leader的标识,整个group的任务。如果connect成为leader,那么会分配当前的任务信息并序列化生成一个同步命令,发给kafka,follower也会发,只不过没有成员信息,kafka在返回的信息中会携带纪元、各自的被分配到的任务,这样,最终所有成员的眼中的集群状态就是一样的,分配到任务以后,进入进入rebalencing状态,各个member将分配到的connector实例和任务开起来,rebalance完成。

4.定期给kafka节点发送心跳,包含当前纪元和groupId,memberId. 如果遇到异常,如超时,纪元更新,集群状态更新等,将会重新回到1开始下一轮。

由上面的逻辑可知,kafka并不是一个存粹的消息服务了。还给kafka-connect做了一个类似zk的角色。

下面对存疑的几个point做的代码走读:

1.任务如何分配?

这是第三点的一个细节,具体实现在WorkerCoordinator#performTaskAssignment,比较简单,创建一个循环队列装members,循环给每个member分配connector实例和task。所以每个members都需要安装集群中的所有plugins。

针对第二点,为什么要在这个单线程中执行业务逻辑呢?

为了保证snapshot的一致性,响应客户端的restful请求,post和put操作均会对snapshot造成影响,假设是由多个线程去执行的话,不好stop-the-world。用单线程就很容易控制,抓取自身快照的时候,由于没有其他线程干扰,必定是个安全点。

2.rebalance的触发时机

节点加入/掉线/成员的状态发生变化;增删connector实例;task的配置或者connector实例的配置发生变化。

3.我们知道任务是由集群中的leader上传到kafka的。任务是从kafka中的configStorage中获取。具体是什么逻辑呢?

具体分为以下几种topic来存储kafka-connect的状态:

  • config.storage.topic:

    status-connector-开头的是connector实例的状态
    status-task-开头的是未提交任务的状态
    commit-task-开头的是已提交任务的状态,只有接收到已提交任务的记录,才会启动reConfigbalance.

  • offset.storage.topic
    存储每个connector任务的offset配置。当kafka-connect进程刚起来时,会去这个topic读取全量数据。见KafkaBasedLog#readToLogEnd(具体逻辑是获取到topic的所有patition结束offset,每次poll后,比对每个patition的实际消费进度和结束offset,如果相等,那么这个patition就消费完了。循环处理至所有patition消费完,那么说明处理完毕).

把offset存储在kafka有以下几个缺点:
1.不能删除旧配置且管理人员不好观测实际的offset(比如如果放在redis里,就可以直接观测了)。
2.慢,笨重且有丢失分险,在程序运行了一段时间以后,我们项目上的总的配置不到一千个,但是topic实际的offset已经突破三千万了。尽管该topic是采用的是compact方式来压缩旧数据,依旧poll了将近两百万记录,耗时两分钟。

  • status.storage.topic

任务状态的topic,忽略。

4.如何处理一个不属于当前节点的请求?

kafka-connect中定义了一种异常基类RequestTargetException,放了个重定向的url.倘若执行指令的member发现这个请求不应该由自己来执行,会填充这个url,并抛出异常(这个步骤在tick所在的线程执行)。jetty的请求分发线程等待这个furture任务,遇到这些异常时会将请求转发到对应的集群节点。再将拿到的结果返回给客户端。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,784评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,745评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,702评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,229评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,245评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,376评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,798评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,471评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,655评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,485评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,535评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,235评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,793评论 3 304
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,863评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,096评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,654评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,233评论 2 341