Neha Narkhede: 借助 Apache Kafka 实现大规模流处理

在 QCon 纽约 2016 大会上，Neha Narkhede 在演讲“借助Apache Kafka 实现大规模流处理”中介绍了Kafka Streams，这是Kafka 用于处理流式数据的新特性。据Narkhede 介绍，因为“无界（unbounded）”数据集随处可见，所以流处理越来越流行。那不再是一个像机器学习那样的小众问题。

Narkhede 首先介绍了数据操作的基本编程范式：

• 请求 / 响应周期
• 批处理
• 流处理

然后，Narkhede 提供了一个来自零售领域的流处理实例：销售和发货从根本上说是无界数据集，流处理可以有效地处理这样的数据集。销售和发货是一个事件流（“发生了什么”）和基于这些事件重新计算价格（“做些什么”）的函数是流处理器。

在考虑流处理时，Narkhede 提到了开发人员如今可以选择的两个最流行的选项。第一，开发人员可以自己实现，对于简单的场景而言，这可能还说得过去，但当加入像订购、扩展性、容错性或处理历史数据这样的特性时，情况会变得非常复杂。第二，开发人员可以选择像 Spark 或 Samza 这样的解决方案，它们都是重量级的，而且一般说来是为 map/reduce 而设计的。但在 Narkhede 看来，流处理更像基于事件的微服务，而不是 map/reduce，而这就是 Kafka Streams 的设计初衷。

Kafka Streams 是一个轻量级的库，可以嵌入应用程序，而且对打包或部署没有施加任何限制。Narkhede 接下来概括地介绍了如何实现流处理系统的重要功能。

• 因为事件日志分区，所以扩展性是自动支持的。这样，基于 Kafka Streams 的应用程序就可以形成集群。消费者库也会在并行数据处理方面提供帮助。
• 容错性也是开箱即用的。Kafka Streams 集群中的节点不分主次，都是同等的节点。本地状态差不多就是一个缓存，如果一个节点宕了，则数据处理只要简单地转移到另一个节点就可以了。
• 有状态处理也是支持的，根据需要通过连接或窗口计算实现。在这种情况下，必要的数据会被推送到处理器，以避免远程访问。
• 支持使用修改后的业务逻辑对数据进行再处理，允许新消费者从偏移量 0（从头）开始事件处理。

接下来，Narkhede 介绍了 Kafka Streams 的双重性，作为实现给定特性的基本原则：从根本上讲，就是表（“状态”）和流（“状态如何变化”）的概念相结合。因此，基于 Kafka Streams 的应用程序可以同时具备响应性和状态。另外，同时具备这两个概念还会简化架构。

Neha Narkhede 在结尾时简单地介绍了一下 Kafka Connect，这是一个副项目，可以连接各种数据库、Hadoop 或 Elasticsearch 等系统，向 Kafka 输入数据或从 Kafka 获取数据。

请注意，大部分 QCon 讲稿都将在会后数周在 InfoQ 上提供，而幻灯片可以从大会的官方网站上下载。

查看英文原文： Neha Narkhede: Large-Scale Stream Processing with Apache Kafka