从零开始学Flink：数据源

技术分享 6个月前 (09-19) 0 999+

在实时数据处理场景中，数据源（Source）是整个数据处理流程的起点。Flink作为流批一体的计算框架，提供了丰富的Source接口支持，其中通过Kafka获取实时数据是最常见的场景之一。本文将以Flink DataStream API为核心，带你从0到1实现“从Kafka消费数据并输出到日志”的完整流程，掌握Flink Source的核心用法。

一、为什么选择Kafka作为Flink的数据源？

Kafka作为分布式流处理平台，具备高吞吐量、低延迟、持久化存储等特性，是实时数据管道的首选。Flink与Kafka的集成方案经过多年优化，支持：

高吞吐量：单集群可处理数十万条/秒的消息，满足大规模实时数据处理需求；
持久化存储：数据按时间顺序写入磁盘并保留一定周期，支持离线重放和故障恢复；
精确一次（Exactly-Once）消费语义：通过Kafka偏移量（Offset）管理和Flink检查点（Checkpoint）机制保证数据一致性；
动态分区发现：自动感知Kafka主题的分区变化（如新增分区），无需重启任务;
灵活的消费模式：支持从指定偏移量、时间戳或最新位置开始消费。

二、环境准备与依赖配置

1. 版本说明

本文基于以下版本实现（需保持版本兼容）：

Flink：1.20.1（最新稳定版）
Kafka：3.4.0（Flink Kafka Connector兼容Kafka 2.8+）
JDK：17+
gradle 8.3+

2. gradle依赖

在gradle添加Flink核心依赖及Kafka Connector依赖,build.gradle配置可以是如下：

plugins {     id 'java' // Java项目插件     id 'application' // 支持main方法运行     }      // 设置主类（可选，用于application插件）     application {     mainClass.set('com.cn.daimajiangxin.flink.source.KafkaSourceDemo') // 替换为你的主类全限定名     }      // 依赖仓库（Maven中央仓库）     repositories {     mavenCentral()     }      // 依赖配置     dependencies {     // Flink核心依赖（生产环境通常标记为provided，由Flink运行时提供）     implementation 'org.apache.flink:flink-java:1.20.1'     implementation 'org.apache.flink:flink-streaming-java_2.12:1.20.1'      // Flink Kafka Connector（新版API，兼容Kafka 2.8+）     implementation 'org.apache.flink:flink-connector-kafka_2.12:1.20.1'      // SLF4J日志门面 + Log4j实现（避免日志警告）     implementation 'org.apache.logging.log4j:log4j-api:2.17.1'     implementation 'org.apache.logging.log4j:log4j-core:2.17.1'     implementation 'org.apache.logging.log4j:log4j-slf4j-impl:2.17.1'     }      // 编译配置（可选，根据需要调整）     tasks.withType(JavaCompile) {     options.encoding = 'UTF-8' // 指定编码     sourceCompatibility = JavaVersion.VERSION_17 // 兼容Java 8     targetCompatibility = JavaVersion.VERSION_17     }

三、核心概念：Flink Kafka Source的工作原理

在深入代码前，需理解Flink Kafka Source的核心组件：

KafkaSource：Flink提供的Kafka数据源连接器，负责与Kafka Broker建立连接、拉取消息；
反序列化器（Deserializer）：将Kafka消息的字节数组（byte[]）转换为Flink可处理的数据类型（如String、POJO、Row等）；
偏移量管理：记录已消费的Kafka消息位置（Offset），确保故障恢复时能从断点继续消费；
检查点（Checkpoint）：Flink的容错机制，定期将状态（包括偏移量）持久化到存储系统（如HDFS），保证Exactly-Once语义。

四、核心代码实现：从Kafka读取数据并输出到日志

1. 流程概述

整个流程分为5步：

配置Kafka连接参数（如Broker地址、主题、消费者组）；
创建Flink流执行环境（StreamExecutionEnvironment）；
定义Kafka Source（使用新版KafkaSource）；
将Source添加到执行环境，并处理数据（如打印到日志）；
触发任务执行。

2.代码详解

以下是完整的示例代码，包含详细注释：

package com.cn.daimajiangxin.flink.source;  import org.apache.flink.api.common.eventtime.WatermarkStrategy; import org.apache.flink.api.common.typeinfo.TypeInformation; import org.apache.flink.connector.kafka.source.KafkaSource; import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer; import org.apache.flink.connector.kafka.source.reader.deserializer.KafkaRecordDeserializationSchema; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.util.Collector; import org.apache.kafka.clients.consumer.ConsumerRecord; import org.slf4j.Logger; import org.slf4j.LoggerFactory;  import java.io.IOException; import java.nio.charset.StandardCharsets;  public class KafkaSourceDemo {         private static final Logger LOG = LoggerFactory.getLogger(KafkaSourceDemo.class);  public static void main(String[] args) throws Exception {             // 1. 创建Flink流执行环境             StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();  // 可选：启用检查点（生产环境必选，保证Exactly-Once语义）             env.enableCheckpointing(5000); // 每5秒做一次检查点             // 启用检查点             env.enableCheckpointing(5000); // 每5秒做一次检查点  // 设置检查点超时时间             env.getCheckpointConfig().setCheckpointTimeout(60000);  // 2. 配置Kafka参数             String kafkaBootstrapServers = "172.30.244.152:9092"; // Kafka Broker地址             String topic = "test_topic"; // 目标主题             String consumerGroup = "flink-consumer-group"; // 消费者组ID  LOG.info("Connecting to Kafka at " + kafkaBootstrapServers);             LOG.info("Consuming topic: " + topic);             LOG.info("Consumer group: " + consumerGroup);  // 3. 定义Kafka Source（新版API）             KafkaSource`<String>` kafkaSourceDemo = KafkaSource.`<String>`builder()                     .setBootstrapServers(kafkaBootstrapServers) // Kafka Broker地址                     .setTopics(topic) // 订阅的主题                     .setGroupId(consumerGroup) // 消费者组                     .setProperty("enable.auto.commit", "true")                     .setProperty("auto.commit.interval.ms", "1000")                     .setProperty("session.timeout.ms", "30000")                     .setProperty("retry.backoff.ms", "1000")                     .setProperty("reconnect.backoff.max.ms", "10000")                     .setDeserializer(new KafkaRecordDeserializationSchema `<String>`() {                         @Override                         public void deserialize(ConsumerRecord<byte[], byte[]> record, Collector `<String>` out) throws IOException {                             // 从ConsumerRecord中提取值（字节数组），并转为字符串                             String value = new String(record.value(), StandardCharsets.UTF_8);                             LOG.info("Received message: " + value);                             out.collect(value); // 将反序列化后的数据收集到Flink流中                         }  @Override                         public TypeInformation`<String>` getProducedType() {                             return TypeInformation.of(String.class);                         }                     })                     // 从最早偏移量开始消费（这样即使没有新消息也会读取历史数据）                     .setStartingOffsets(OffsetsInitializer.earliest())                     .build();  // 4. 将Kafka Source添加到Flink流环境，并处理数据             DataStream`<String>` kafkaStream = env.fromSource(                     kafkaSourceDemo,                     WatermarkStrategy.noWatermarks(), // 无水印（适用于无序数据场景）                     "Kafka Source" // Source名称（用于监控）             );  LOG.info("Kafka source created successfully");  // 5. 处理数据：将每条数据打印到日志（实际生产中可替换为写入数据库、消息队列等）             kafkaStream.print("KafkaData");             LOG.info("Flink Kafka Source Demo started.");             // 6. 触发任务执行             env.execute("Flink Kafka Source Demo");  }     }

3. 关键配置说明

KafkaSource.Builder：新版Kafka Source的核心构建器，支持灵活配置；
setDeserializer：指定反序列化方式,deserialize 接收Kafka的ConsumerRecord（包含键、值、偏移量等信息），提取值（record.value()）并反序列化为字符,getProducedType声明输出数据的类型（此处为String）；
setStartingOffsets：控制消费起始位置（latest()从最新数据开始，earliest()从最早数据开始，生产环境常用OffsetsInitializer.committedOffsets()从上次提交的偏移量继续）；
WatermarkStrategy：用于事件时间（Event Time）处理，示例中无时间窗口需求，故使用noWatermarks()；
PrintSinkFunction：Flink内置的日志打印Sink（true表示打印完整上下文，包含Subtask信息）。

五、运行与测试

在WSL2的Ubuntu 环境中安装Kafka。

1. 安装Kafka服务

下载Kafka二进制包
访问Apache Kafka官网，选择最新稳定版（如3.9.0），使用wget下载：
```
wget https://mirrors.aliyun.com/apache/kafka/3.9.0/kafka_2.12-3.9.0.tgz 
```

解压并配置环境变量

# 解压到/opt/kafka（全局可访问） sudo mkdir -p /opt/kafka tar -zxvf kafka_2.12-3.9.0.tgz -C /opt/kafka --strip-components=1  # 永久生效（编辑~/.bashrc） echo 'export KAFKA_HOME=/opt/kafka' >> /etc/profile echo 'export PATH=$KAFKA_HOME/bin:$PATH' >> /etc/profile source /etc/profile

2. 配置Kafka

Kafka的核心配置文件位于$KAFKA_HOME/config目录，需修改以下两个文件：

配置Kafka Broker（server.properties）

修改以下关键参数以适配WSL2环境：

# ==================== 核心角色与ID配置 ====================     # 启用KRaft模式（默认已启用）     # 单节点同时担任Broker和控制器     process.roles=broker,controller     # 节点唯一ID（单节点必须设为0）     node.id=0     # 控制器ID（与node.id一致，单节点唯一）     controller.id=0      # ==================== 监听端口配置 ====================     # 全局监听端口（客户端读写请求）和控制器监听端口     # 多个监听器使用逗号分隔，每个监听器都需要指定安全协议     listeners=PLAINTEXT://0.0.0.0:9092,CONTROLLER://0.0.0.0:9093      # 对外暴露的地址（Windows主机通过localhost访问）     # 多个公布的监听器使用逗号分隔     advertised.listeners=PLAINTEXT://localhost:9092,CONTROLLER://localhost:9093      # 指定CONTROLLER监听器的安全协议     listener.security.protocol.map=CONTROLLER:PLAINTEXT,PLAINTEXT:PLAINTEXT      # 定义控制器监听器的名称（KRaft模式必需）     controller.listener.names=CONTROLLER      # ==================== ZooKeeper兼容配置（可选） ====================     # 若需兼容旧客户端，可保留ZooKeeper配置（但KRaft模式无需ZooKeeper）     # zookeeper.connect=localhost:2181      # ==================== 日志与分区配置 ====================     # 数据存储目录配置（Kafka的核心配置参数）     # Kafka将主题数据、索引文件等存储在该目录下     log.dirs=/opt/kafka/data     num.partitions=1     # 副本数（单节点设为1）     default.replication.factor=1     # 最小同步副本数（单节点设为1）     min.insync.replicas=1     # ==================== 日志存储高级配置 ====================     # 日志保留时间（默认7天，生产环境根据存储容量和需求调整）     # log.retention.hours=168     # 或按大小限制保留（单位：字节）     # log.retention.bytes=107374182400  # 100GB      # 单个分区日志段大小（默认1GB，可根据实际需求调整）     # log.segment.bytes=1073741824      # 日志段检查和清理的时间间隔（默认300000ms=5分钟）     # log.retention.check.interval.ms=300000      # 控制是否自动创建主题（生产环境建议禁用，改为手动创建）     # auto.create.topics.enable=false      # ==================== 控制器引导配置 ====================     # 控制器引导服务器（单节点指向自己，格式：host:port）     # 与控制器监听端口一致     controller.quorum.bootstrap.servers=localhost:9093      # 控制器投票者配置（单节点设为0@localhost:9093）     controller.quorum.voters=0@localhost:9093

3.启动Kafka服务

3.1初始化KRaft存储目录（首次启动必需）

在KRaft模式下，需要先初始化元数据存储：

 # 生成集群ID并保存到变量 CLUSTER_ID=$($KAFKA_HOME/bin/kafka-storage.sh random-uuid) echo "生成的集群ID: $CLUSTER_ID"  # 使用生成的集群ID格式化存储目录$KAFKA_HOME/bin/kafka-storage.sh format -t $CLUSTER_ID -c $KAFKA_HOME/config/server.properties

注意： 如果手动运行命令，请确保先执行生成集群ID的命令，然后使用实际生成的ID替换"$CLUSTER_ID"。

3.2启动Kafka Broker

# 启动Broker（日志输出到$KAFKA_HOME/logs/server.log）     $KAFKA_HOME/bin/kafka-server-start.sh -daemon $KAFKA_HOME/config/server.properties

3.3验证服务状态

检查Kafka Broker进程：     ps -ef | grep kafka  # 应看到Kafka进程

3.4创建测试主题

确保Kafka服务已启动，并创建测试主题 test_topic：

$KAFKA_HOME/bin/kafka-topics.sh --create --bootstrap-server localhost:9092 --replication-factor 1 --partitions 1 --topic test_topic

3.5发送测试数据

使用Kafka内置的生产者工具发送测试消息到 test_topic：

# 启动Kafka生产者控制台     $KAFKA_HOME/bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test_topic      # 输入几条测试消息（每行一条）     > hello flink     > flink kafka integration     > real-time data processing

3.6运行Flink程序

在IDE中直接运行 KafkaSourceDemo类的 main方法，或通过Gradle构建并运行：

# 构建项目     ./gradlew clean build      # 运行Flink作业     ./gradlew run

3.7验证结果

成功运行后，你应该能在控制台看到类似如下输出：

六、进阶配置与优化

1. 消费语义保证

在生产环境中，为了确保数据一致性，需要配置Flink的检查点机制和Kafka偏移量提交策略：

// 1. 启用检查点     env.enableCheckpointing(5000); // 每5秒做一次检查点      // 2. 获取检查点配置对象（Flink 1.20.1及以上版本推荐方式）     CheckpointConfig checkpointConfig = env.getCheckpointConfig();      // 3. 配置检查点模式为EXACTLY_ONCE（精确一次语义）     checkpointConfig.setMode(CheckpointingMode.EXACTLY_ONCE);      // 4. 设置检查点超时时间     checkpointConfig.setCheckpointTimeout(Duration.ofSeconds(60));      // 4. 配置从上次提交的偏移量继续消费（生产环境推荐）     .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))

2. 并行度与资源配置

合理设置并行度可充分利用集群资源并提高吞吐量：

// 设置Flink作业的全局并行度     env.setParallelism(3); // 与Kafka主题分区数匹配      // 或单独设置Source的并行度     KafkaSource`<String>` kafkaSource = KafkaSource.`<String>`builder()         // ... 其他配置 ...         .build();      DataStream`<String>` stream = env.fromSource(         kafkaSource,         WatermarkStrategy.noWatermarks(),         "Kafka Source")         .setParallelism(3); // Source并行度

3. 高级反序列化

除了基础的字符串反序列化，还可以使用更灵活的反序列化方式：

3.1 使用预定义反序列化器

// 使用Flink提供的String反序列化器     .setDeserializer(KafkaRecordDeserializationSchema.valueOnly(StringDeserializer.class))

3.2 自定义POJO反序列化

如果Kafka消息是JSON格式，可以使用Jackson等库将其反序列化为POJO对象：

public class User {         private String id;         private String name;         private int age;         // getters, setters, constructors...     }      // 自定义POJO反序列化器     .setDeserializer(new KafkaRecordDeserializationSchema`<User>`() {         private final ObjectMapper mapper = new ObjectMapper();      @Override         public void deserialize(ConsumerRecord<byte[], byte[]> record, Collector`<User>` out) throws IOException {             User user = mapper.readValue(record.value(), User.class);             out.collect(user);         }      @Override         public TypeInformation`<User>` getProducedType() {             return TypeInformation.of(User.class);         }     })