kafka connect是一个kafka与其他系统进行数据流交换的可扩展并且高可用的工具
它可以简单定义connect将大的数据集放入kafka,比如它可以低延迟的将数据库或者应用服务器中的metrics数据放入kafka topic
导出job将kafka topic数据到另外的存储系统或查询系统或者离线系统进行批量处理
kafka connect包括以下特点
1.简单的整合其它系统，简单的发布管理
2.分布式和独立的模式 可扩展到一个大的，集中管理的服务支持整个组织或者规模下降到开发，测试和小型生产部署
3.通过rest服务可以简单管理kafka connect
4.只需要少量的信息提供给connect,kafka 会自动完成offset的管理
5.streaming/batch整合，利用kafka现有的功能，可以同时支持streaming数据与批量数据系统
Running Kafka Connect
kafka connect包括两个运行模式;standalone,distribute
standalone发布配置简单，适合只有一个worker的工作场景，但是它没有完成分布式模式的容错机制
运行standalone使用如下命令
> bin/connect-standalone.sh config/connect-standalone.properties connector1.properties [connector2.properties ...]
第一个参数是work的配置，包括序列化类型，提交offset的时间等等，剩下的参数是connector配置文件，你可以定义一些connector的特定配置，任务将工作在相同进程的不同线程中
分布式模式将动态扩展，自动负载均衡，容错，offset自动管理，它的执行非常像standalone模式
bin/connect-distributed.sh config/connect-distributed.properties
不同的是启动类与后面的参数，参数指定的配置文件用来定义怎样分配任务，怎样存储offset,特别是如下的参数至关重要
group.id唯一标识，不能冲突
config.storage.topic 用于存储connect及task的配置，这个topic应该有一个partition多个replica
offset.storage.topic 用于存储offset信息，这个topic应该有多个partiton和replica
注意分布式环境下不能通过命令行修改配置，需要用rest服务来修改
Configuring Connectors
连接器的配置是简单的键值映射。对于standalone模式，这些被定义在一个属性文件中，并传递到命令行的连接进程。在分布式模式，他们将包括在JSON中，创建/修改连接
器。大多数配置是连接器相关的，所以它们不能在这里概述。然而，有几个通用的选项：
名称: 连接器的唯一名称。试图注册相同的名称将失败
connector.class 连接器的java类
tasks.max 可创建最大数量的任务。如果无法达到该值，该连接器创建较少的任务。
REST API
kafka connect的目的是作为一个服务运行，它支持rest管理。默认情况下，此服务运行于端口8083。以下是当前支持的：
GET /connectors 返回一个活动的connect列表POST /connectors 创建一个新的connect；请求体是一个JSON对象包含一个名称字段和连接器配置参数
GET /connectors/{name} 获取有关特定连接器的信息GET /connectors/{name}/config 获得特定连接器的配置参数PUT /connectors/{name}/config 更新特定连接器的配置参数GET /connectors/{name}/tasks 获得正在运行的一个连接器的任务的列表DELETE /connectors/{name} 删除一个连接器，停止所有任务，并删除它的配置
Connector Development Guide
Core Concepts and APIs
Connectors and Tasks
连接器有两种形式：sourceconnectors将另一个系统数据导入kafka，sinkconnectors将数据导出到另一个系统
连接器不执行任何数据复制：它们的描述复制的数据，并且负责将工作分配给多个task
task分为sourcetask与sinktask
每个task从kafka复制数据,connect会保证record与schema的一致性完成任务分配，通常record与schema的映射是明显的，每一个文件对应一个流，流中的每一条记录利用schema解析并且保存对应的offset,另外一种情况是我们需要自己完成这种映射，比如数据库，表的offset不是很明确（没有自增id),一种可能的选择是利用时间（timestamp)来完成增量查询。
Streams and Records
每一个stream是包含key value对的记录的序列，key value可以是原始类型，可以支持复杂结构，除了array,object，嵌套等。数据转换是框架来完成的，record中包含stream id与offset,用于定时offset提交，帮助当处理失败时恢复避免重复处理。
Dynamic Connectors
所有的job不是静态的，它需要监听外部系统的变化，比如数据库表的增加删除，当一个新table创建时，它必须发现并且更新配置由框架来分配给该表一个task去处理，当通知发布后框架会更新对应的task.
Developing a Simple Connector
例子很简单
在standalone模式下实现 SourceConnector/SourceTask 读取文件并且发布record给SinkConnector/SinkTask 由sink写入文件
Connector Example
我们将实现SourceConnector，SinkConnector实现与它非常类似，它包括两个私有字段存放配置信息（读取的文件名与topic名称）
public class FileStreamSourceConnector extends SourceConnector {
private String filename;
private String topic;
getTaskClass()方法定义实现执行处理的task
@Override
public Class getTaskClass() {
return FileStreamSourceTask.class;
}
下面定义FileStreamSourceTask，它包括两个生命周期方法start,stop
@Override
public void start(Map<String, String> props) {
// The complete version includes error handling as well.
filename = props.get(FILE_CONFIG);
topic = props.get(TOPIC_CONFIG);
}
@Override
public void stop() {
// Nothing to do since no background monitoring is required.
}
最后是真正核心的方法getTaskConfigs（）在这里我们仅处理一个文件，所以我们虽然定义了max task（在配置文件里）但是只会返回一个包含一条entry的list
@Override
public List<Map<String, String>> getTaskConfigs(int maxTasks) {
ArrayList>Map<String, String>> configs = new ArrayList<>();
// Only one input stream makes sense.
Map<String, String> config = new Map<>();
if (filename != null)
config.put(FILE_CONFIG, filename);
config.put(TOPIC_CONFIG, topic);
configs.add(config);
return configs;
}
即使有多个任务，这种方法的执行通常很简单。它只是要确定输入任务的数量，这可能需要拉取数据从远程服务，然后分摊。请注意，这个简单的例子不包括动态输入。在下一节中看到讨论如何触发任务的配置更新。
Task Example - Source Task
实现task，我们使用伪代码描述核心代码
public class FileStreamSourceTask extends SourceTask<Object, Object> {
String filename;
InputStream stream;
String topic;
public void start(Map<String, String> props) {
filename = props.get(FileStreamSourceConnector.FILE_CONFIG);
stream = openOrThrowError(filename);
topic = props.get(FileStreamSourceConnector.TOPIC_CONFIG);
}
@Override
public synchronized void stop() {
stream.close()
}
start方法读取之前的offset,并且处理新的数据，stop方法停止stream,下面实现poll方法
@Override
public List<SourceRecord> poll() throws InterruptedException {
try {
ArrayList<SourceRecord> records = new ArrayList<>();
while (streamValid(stream) && records.isEmpty()) {
LineAndOffset line = readToNextLine(stream);
if (line != null) {
Map sourcePartition = Collections.singletonMap("filename", filename);
Map sourceOffset = Collections.singletonMap("position", streamOffset);
records.add(new SourceRecord(sourcePartition, sourceOffset, topic, Schema.STRING_SCHEMA, line));
} else {
Thread.sleep(1);
}
}
return records;
} catch (IOException e) {
// Underlying stream was killed, probably as a result of calling stop. Allow to return
// null, and driving thread will handle any shutdown if necessary.
}
return null;
}
该方法重复执行读取操作，跟踪file offset,并且利用上述信息创建SourceRecord，它需要四个字段：source partition,source offset,topic name,output value(包括value及value的schema)
Sink Tasks
之前描述了sourcetask实现，sinktask与它完全不同，因为前者是拉取数据，后者是推送数据
public abstract class SinkTask implements Task {
public void initialize(SinkTaskContext context) { ... }
public abstract void put(Collection<SinkRecord> records);
public abstract void flush(Map<TopicPartition, Long> offsets);
put方法是最重要的方法，接收sinkrecords，执行任何需要的转换，并将其存储在目标系统。此方法不需要确保数据已被完全写入目标系统，然后返回。事实上首先放入缓冲，因此，批量数据可以被一次发送，减少对下游存储的压力。sourcerecords中保存的信息与sourcesink中的相同。flush提交offset，它接受任务从故障中恢复，没有数据丢失。该方法将数据推送至目标系统，并且block直到写入已被确认。的offsets参数通常可以忽略不计，但在某些情况保存偏移信息到目标系统确保一次交货。例如，一个HDFS连接器可以确保flush()操作自动提交数据和偏移到HDFS中的位置。
Resuming from Previous Offsets
kafka connect是为了bulk 数据拷贝工作，它拷贝整个db而不是拷贝某个表，这样会使用connnect的input或者output随时改变，source connector需要监听source系统的改变，当改变时通知框架（通过ConnectorContext对象）
举例
if (inputsChanged())
this.context.requestTaskReconfiguration();
当接收到通知框架会即时的更新配置，并且在更新前确保优雅完成当前任务
如果一个额外的线程来执行此监控，该线程必须存在于连接器中。该线程不会影响connector。然而，其他变化也会影响task，最常见的是输入流失败在输入系统中，例如如果一个表被从数据库中删除。这时连接器需要进行更改，任务将需要处理这种异常。sinkconnectors只能处理流的加入，可以分配新的数据到task（例如，一个新的数据库表）。框架会处理任何kafka输入的改变，例如当组输入topic的变化因为一个正则表达式的订阅。sinktasks应该期待新的输入流，可能需要在下游系统创造新的资源，如数据库中的一个新的表。在这些情况下，可能会出现输入流之间的冲突（同时创建新资源），其他时候，一般不需要特殊的代码处理一系列动态流
Dynamic Input/Output Streams
FileStream连接器是很好的例子，因为他们很简单的，每一行是一个字符串。实际连接器都需要具有更复杂的数据格式。要创建更复杂的数据，你需要使用kafka connector数据接口:Schema,Struct
Schema schema = SchemaBuilder.struct().name(NAME)
.field("name", Schema.STRING_SCHEMA)
.field("age", Schema.INT_SCHEMA)
.field("admin", new SchemaBuilder.boolean().defaultValue(false).build())
.build();
Struct struct = new Struct(schema)
.put("name", "Barbara Liskov")
.put("age", 75)
.build();
如果上游数据与schema数据格式不一致应该在sinktask中抛出异常
