Question

我正在尝试使用Confluent S3接收器的TimeBasedPartitioner。这是我的配置：

{  
"name":"s3-sink",
"config":{  
    "connector.class":"io.confluent.connect.s3.S3SinkConnector",
    "tasks.max":"1",
    "file":"test.sink.txt",
    "topics":"xxxxx",
    "s3.region":"yyyyyy",
    "s3.bucket.name":"zzzzzzz",
    "s3.part.size":"5242880",
    "flush.size":"1000",
    "storage.class":"io.confluent.connect.s3.storage.S3Storage",
    "format.class":"io.confluent.connect.s3.format.avro.AvroFormat",
    "schema.generator.class":"io.confluent.connect.storage.hive.schema.DefaultSchemaGenerator",
    "partitioner.class":"io.confluent.connect.storage.partitioner.TimeBasedPartitioner",
    "timestamp.extractor":"Record",
    "timestamp.field":"local_timestamp",
    "path.format":"YYYY-MM-dd-HH",
    "partition.duration.ms":"3600000",
    "schema.compatibility":"NONE"
}

}

数据是二进制的，我使用avro方案。我想使用实际记录字段“local_timestamp”，它是一个UNIX时间戳来对数据进行分区，比如分成小时文件。

我使用通常的REST API调用启动连接器

curl -X POST -H "Content-Type: application/json" --data @s3-config.json http://localhost:8083/connectors

不幸的是，数据没有按照我的意愿进行分区。我也试图删除刷新大小，因为这可能会干扰。但后来我收到了错误

{"error_code":400,"message":"Connector configuration is invalid and contains the following 1 error(s):\nMissing required configuration \"flush.size\" which has no default value.\nYou can also find the above list of errors at the endpoint `/{connectorType}/config/validate`"}%

知道如何正确设置TimeBasedPartioner吗？我找不到一个有效的例子。

另外，如何调试这样的问题或进一步了解连接器实际上在做什么？

非常感谢任何帮助或进一步的建议。

Answer 1

在TimeBasedPartitioner.java处研究代码并使用

研究日志

confluent log connect tail -f

我意识到时区和语言环境都是必需的，尽管Confluent S3 Connector文档中没有这样说明。以下配置字段解决了问题，让我上传正确分区到S3存储桶的记录：

"flush.size": "10000",
"storage.class": "io.confluent.connect.s3.storage.S3Storage",
"format.class": "io.confluent.connect.s3.format.avro.AvroFormat",
"schema.generator.class": "io.confluent.connect.storage.hive.schema.DefaultSchemaGenerator",
"partitioner.class": "io.confluent.connect.storage.partitioner.TimeBasedPartitioner",
"path.format": "'year'=YYYY/'month'=MM/'day'=dd/'hour'=HH",
"locale": "US",
"timezone": "UTC",
"partition.duration.ms": "3600000",
"timestamp.extractor": "RecordField",
"timestamp.field": "local_timestamp",

还要注意两件事：首先，flush.size的值也是必需的，文件最终被分区为更小的块，不大于flush.size指定的块。其次，如上所示更好地选择path.format，从而生成适当的树结构。

我仍然不能100％确定是否真的使用记录字段 local_timestamp 来对记录进行分区。

非常欢迎任何评论或改进。

Answer 2

确实，您的修改配置似乎是正确的。

具体来说，将timestamp.extractor设置为RecordField可让您根据记录的时间戳字段对文件进行分区，并通过设置属性timestamp.field来识别。

当一个人设置timestamp.extractor=Record时，基于时间的分区器将使用每个记录的Kafka时间戳。

关于flush.size，将此属性设置为较高的值（例如Integer.MAX_VALUE）实际上将同义为忽略它。

最后，在最新版本的连接器中不再需要schema.generator.class。

正确配置Kafka Connect S3 Sink TimeBasedPartitioner

2 个答案: