Kafka流加入

Question

我有 2 个 kafka 主题 - recommendations 和 clicks。第一个主题具有由唯一 ID 键控的推荐对象（称为 recommendationsId）。每个产品都有一个 URL 供用户点击。

clicks 主题获取点击推荐给用户的产品 URL 时生成的消息。设置如此，这些点击消息也由 recommendationId.

键入

注意

推荐和点击是一对多的关系。一个推荐可能会导致多次点击，但一次点击总是与一个推荐相关联。
每个点击对象都会有一个对应的推荐对象。
点击对象的时间戳会晚于推荐对象。
推荐和相应点击之间的间隔可能是几秒到几天（比如最多 7 天）。

我的目标是使用 Kafka 流加入这两个主题。我不清楚的是我应该使用 KStream x KStream 连接还是 KStream x KTable 连接。

我通过 recommendations table 加入 clicks 流来实现 KStream x KTable 加入。但是，如果推荐是在 加入者启动之前 生成的，并且点击是在加入者开始之后到达的，我将看不到任何加入的点击-推荐对。

我使用的连接正确吗？我应该使用 KStream x KStream 加入吗？如果是这样，为了能够在过去最多 7 天加入带有推荐的点击，我是否应该将 window 大小设置为 7 天？在这种情况下，我还需要设置 "retention" 期间吗？

我执行 KStream x KTable 加入的代码如下。请注意，我已经定义了类 Recommendations 和 Click 及其相应的 serde。点击消息只是普通的 String (url)。此 URL 字符串与 Recommendations 对象连接以创建一个 Click 对象，该对象被发送到 jointTopic.

public static void main(String[] args){
    if(args.length!=4){
      throw new RuntimeException("Expected 3 params: bootstraplist clickTopic recsTopic jointTopic");
    }

    final String booststrapList = args[0];
    final String clicksTopic = args[1];
    final String recsTopic = args[2];
    final String jointTopic = args[3];

    Properties config = new Properties();
    config.put(StreamsConfig.APPLICATION_ID_CONFIG, "my_joiner_id");
    config.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, booststrapList);
    config.put(StreamsConfig.KEY_SERDE_CLASS_CONFIG, Serdes.String().getClass().getName());
    config.put(StreamsConfig.VALUE_SERDE_CLASS_CONFIG, JoinSerdes.CLICK_SERDE.getClass().getName());

    KStreamBuilder builder = new KStreamBuilder();

    // load clicks as KStream
    KStream<String, String> clicksStream = builder.stream(Serdes.String(), Serdes.String(), clicksTopic);

    // load recommendations as KTable
    KTable<String, Recommendations> recsTable = builder.table(Serdes.String(), JoinSerdes.RECS_SERDE, recsTopic);

    // join the two
    KStream<String, Click> join = clicksStream.leftJoin(recsTable, (click, recs) -> new Click(click, recs));

    // emit the join to the jointTopic
    join.to(Serdes.String(), JoinSerdes.CLICK_SERDE, jointTopic);

    // let the action begin
    KafkaStreams streams = new KafkaStreams(builder, config);
    streams.start();
  }

只要在加入者（上述程序）运行后生成了推荐和点击，这就可以正常工作。但是，如果点击到达并在加入者运行之前生成推荐，我看不到任何加入发生。我该如何解决这个问题？

如果解决方案是使用 KStream x KSTream 加入，那么请帮助我了解我应该 select 的 window 大小以及 select 的保留期限。

Answer 1

您的整体观察是正确的。从概念上讲，您可以通过两种方式获得正确的结果。如果你使用 stream-table 加入，你有两个缺点（这可能会在未来的 Kafka 版本中重新考虑和改进）

您已经提到，如果在相应推荐之前处理点击，（内部）连接将失败。但是，如您所知会有推荐，您可以使用左连接而不是内部连接，检查连接结果，如果推荐为 null（即，你会得到一个重试逻辑）——或者当然，对单个推荐的连续点击可能会乱序，你可能需要在你的应用程序代码中考虑到这一点。
KTable 的第二个缺点是，它会随着时间的推移永远无限增长，因为您会向它添加越来越多的独特推荐。因此，您需要通过向推荐主题发送 <recommendationsId, null> 形式的墓碑记录来实现一些 "expiration logic" 以删除您不再关心的旧推荐。
这种方法的优点是，与流-流连接相比，您总共需要的 memory/disk space 更少，因为您只需要缓冲应用程序中的所有推荐 (但没有点击）。

如果您使用流-流连接，并且点击可以在推荐后 7 天发生，则您的 window 尺寸必须为 7 天——否则，点击不会与推荐一起连接。

这种方法的缺点是，您将需要更多 memory/disk，因为您将缓冲应用程序中过去 7 天的所有点击和所有推荐。
优点是，顺序或处理（即推荐与点击）不再重要（即，您不需要如上所述实施重试策略）
此外，旧的建议会自动过时，因此您不需要实施特殊的 "expiration logic"。

对于流-流连接，保留时间答案略有不同。它必须至少为 7 天，因为 window 大小为 7 天。否则，您将删除 "running window" 的记录。您还可以将保留期设置得更长，以便能够处理 "late data"。假设用户在 window 时间范围结束时点击（推荐的 7 天时间跨度结束前 5 分钟），但点击仅在 1 小时后报告给您的应用程序。如果您的 window 大小的保留期为 7 天，则无法再处理这条迟到的记录（因为建议已经被删除）。如果您设置更长的保留期，例如 8 天，您仍然可以处理延迟记录。这取决于您 application/semantical 需要您想要使用的保留时间。

总结：从实现的角度来看，使用stream-stream join比使用stream-table join更简单。但是，预计会节省 memory/disk，而且可能会很大，具体取决于您的点击流数据速率。

Kafka流加入

Kafka stream join

java

join

java-8

apache-kafka-streams