卡夫卡流加入

Question

我有2个kafka主题 - recommendations和clicks。第一个主题具有由唯一ID（称为recommendationsId）键入的建议对象。每个产品都有一个用户可以点击的URL。

clicks主题获取通过推荐给用户的产品网址的点击生成的消息。如此设置，这些点击消息也由recommendationId键入。

请注意

1. 建议与点击之间的关系是一对多的。建议可能会导致多次点击，但点击始终与单个推荐相关联。

2. 每个点击对象都有一个相应的推荐对象。

3. 点击对象的时间戳晚于推荐对象。

4. 推荐与相应点击之间的差距可能是几秒到几天（比如最多7天）。

我的目标是使用Kafka stream join加入这两个主题。我不清楚的是我是否应该使用KStream x KStream连接或KStream x KTable连接。

我通过KStream x KTable表加入clicks流来实现recommendations加入。但是，如果在加入者开始之前生成建议并且在加入者开始后点击到达，我将无法看到任何加入的点击建议对。

我使用正确的加入吗？我应该使用KStream x KStream加入吗？如果是这样，为了能够在过去7天内加入带有推荐的点击，我应该将窗口大小设置为7天吗？在这种情况下，我还需要设置“保留”期吗？

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及其对应的serde。点击消息只是普通String（网址）。此URL字符串与Recommendations对象连接以创建Click对象，该对象将发送到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）运行后生成了建议和点击，这样就可以正常工作。但是，如果在运行joiner之前，生成了建议的点击到达，我看不到任何连接发生。我该如何解决这个问题？

如果解决方案是使用KStream x KSTream加入，请帮助我了解应选择的窗口大小以及要选择的保留期限。

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。如果你使用流表连接，你有两个缺点（这可能会在未来的Kafka版本中重新审视和改进）

• 您已经提到，如果在相应推荐之前处理了点击，则（内部）联接将失败。但是，如您所知，将会有推荐，您可以使用left-join而不是inner-join，检查连接结果，如果建议为null，则将click事件写回输入主题（即，你得到一个重试逻辑） - 当然，单个推荐的连续点击可能会出现故障，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，随着时间的推移，它将永远增长并且无限制，因为您将为它添加越来越多的独特建议。因此，您需要通过将<recommendationsId, null>形式的逻辑删除记录发送到推荐主题来实现一些“过期逻辑”，以删除您不再关心的旧建议。
• 这种方法的优点是，与流 - 流连接相比，总共需要更少的内存/磁盘空间，因为您只需缓冲应用程序中的所有建议（但没有点击）。

如果您使用流媒体加入，并且推荐后7天可能会发生点击，则您的窗口大小必须为7天 - 否则，点击不会与推荐相关联。

• 这种方法的缺点是，您将需要更多的内存/磁盘，因为您将缓冲应用程序中过去7天的所有点击和所有建议。
• 优点是订单或处理（即推荐与点击）不再重要（即，您不需要像上面描述的那样实施重试策略）。
• 此外，旧的建议会自动过时，因此您无需实施特殊的“过期逻辑”。

对于流 - 流加入，保留时间的答案略有不同。它必须至少7天，因为窗口大小是7天。否则，您将删除“运行窗口”的记录。您还可以将保留期设置得更长，以便能够处理“延迟数据”。假设用户在窗口时间范围结束时（推荐的7天时间跨度前5分钟）点击，但点击仅在1小时后报告给您的应用程序。如果您的保留期限为7天作为您的窗口大小，则此迟到的记录将无法再处理（因为建议已被删除）。如果您设置较长的保留期限，例如8天，您仍然可以处理延迟记录。这取决于您的应用程序/语义需要您想要使用的保留时间。

摘要的： 从实现的角度来看，使用流 - 流连接比使用流表连接更简单。但是，预计可以节省内存/磁盘，并且可能会很大，具体取决于您的点击流数据速率。