是否可以从kafka消息中获取消息密钥的最新值

Question

假设我对同一个消息键有不同的值。

例如：

{
userid: 1,
email: [e-mail] }

{
userid: 1,
email: [e-mail] }

{
userid: 1,
email: [e-mail] }

在上述情况下，我只需要用户更新的最新值，即“[e-mail]”。

我的kafka流应该只给我第三个值，而不是前两个值。

Answer 1

您需要Kafka日志压缩。简而言之，如果您希望您的主题只保留特定键的最后一个值，您应该设置属性log.cleanup.policy=压缩。您可以在此处找到有关它的更多信息。

Answer 2

似乎您希望在进一步处理之前缓冲记录。因为在流媒体中，你有不断增长、无限的数据集，所以你永远不知道是要等待更多的记录，还是要刷新缓冲区以进行进一步处理。你能补充更多关于如何处理这些记录的细节吗？

您可以引入一个附加参数，即刷新缓冲区之前要等待的最长时间。要对此进行归档，您可以使用会话窗口或滚动窗口，或者使用与提交间隔相关联的记录缓存，或者也可以使用Kafka低级别处理器API实现它。

下面的示例代码显示了如何使用翻滚窗口对此进行存档，以在1小时的时间窗口内聚合和抑制所有用户ID信息，接受延迟10分钟的事件，然后将抑制的事件发送到下游处理器（如果使用此方法，则在新事件到来之前可能无法获得最终结果）：

userInfoKStream
    .groupByKey()
    .windowedBy(TimeWindows.of(Duration.ofHours(1)).grace(Duration.ofMinutes(10)))
    .aggregate(() -> "", (userId, newValue, currentValue) -> newValue)
    .suppress(Suppressed.untilWindowCloses(Suppressed.BufferConfig.unbounded()))
    .toStream()
    .foreach((userId, value) -> {});

Answer 3

由于您没有指定特定的客户端，我将向您展示如何使用ksqlDB和新添加的函数，LATEST\u BY\u OFFSET来实现这一点。

首先，我用源数据填充主题：

kafkacat -b broker:29092 -P -t test_topic -K: <<EOF
1:{ "userid": 1, "email": "[e-mail]" }
1:{ "userid": 1, "email": "[e-mail]" }
1:{ "userid": 1, "email": "[e-mail]" }
EOF

然后在ksqlDB模型中，首先将其作为事件流：

ksql> CREATE STREAM USER_UPDATES (USERID INT, EMAIL VARCHAR) WITH (KAFKA_TOPIC='test_topic', VALUE_FORMAT='JSON');

 Message
----------------
 Stream created
----------------

ksql> SET 'auto.offset.reset' = 'earliest';                                                                                                                                                                                                                                         [35/60]
Successfully changed local property 'auto.offset.reset' to 'earliest'. Use the UNSET command to revert your change.
ksql> SELECT ROWKEY, USERID, EMAIL FROM USER_UPDATES EMIT CHANGES LIMIT 3;
+---------+---------+-----------------+
|ROWKEY   |USERID   |EMAIL            |
+---------+---------+-----------------+
|1        |1        |[e-mail]  |
|1        |1        |[e-mail]  |
|1        |1        |[e-mail]  |

现在，我们可以告诉ksqlDB获取这个事件流，并直接为我们提供最新的值（基于偏移量）：

ksql> SELECT USERID, LATEST_BY_OFFSET(EMAIL) FROM USER_UPDATES GROUP BY USERID EMIT CHANGES;
+--------------------+--------------------+
|USERID              |KSQL_COL_1          |
+--------------------+--------------------+
|1                   |[e-mail]     |

Press CTRL-C to interrupt

或者更有用的是，如ksqlDB中的物质化状态：

CREATE TABLE USER_LATEST_STATE AS 
    SELECT USERID, LATEST_BY_OFFSET(EMAIL) AS EMAIL 
      FROM USER_UPDATES 
     GROUP BY USERID 
     EMIT CHANGES;

该表仍然由对Kafka主题的更改驱动，但可以直接查询当前状态，无论是从现在开始（“pull query”）：

ksql> SELECT EMAIL FROM USER_LATEST_STATE WHERE ROWKEY=1;
+--------------------+
|EMAIL               |
+--------------------+
|[e-mail]     |
Query terminated
ksql>

或者作为状态演变的一系列变化（“推送查询”）：

ksql> SELECT EMAIL FROM USER_LATEST_STATE WHERE ROWKEY=1 EMIT CHANGES;
+--------------------+
|EMAIL               |
+--------------------+
|[e-mail]     |

[ query continues indefinitely ]