Flume KafkaChannel 跨分区平衡消息答案

【问题标题】：Flume KafkaChannel balance messages across partitionsFlume KafkaChannel 跨分区平衡消息
【发布时间】：2018-08-01 17:54:24
【问题描述】：

我已经设置了一个水槽代理，它使用 SpoolDir 命令从目录中读取 CSV 文件。

我正在使用通道类型 KafkaChannel 来将这些消息推送到具有 10 个分区的 Kafka 主题上，稍后可以由 Spark 应用程序处理。

我遇到的问题是每个文件都写入 Kafka 主题的单个分区。一些文件比其他文件大得多，这意味着消息在主题分区中的分布非常不均匀。这使得为我的 spark executors 分配正确数量的资源变得异常困难，因为有些人最终会完成所有繁重的工作，而另一些人则坐在那里等待将一些日志添加到他们的分区中。

有没有办法在flume中配置KafkaChannel来平衡主题分区之间的消息，或者限制一次发送的消息数量，从而将负载分散到所有可用分区？

我在 Flume 中尝试了以下配置选项但没有成功：

a1.channels.kafkaChannel.capacity = 100
a1.channels.kafkaChannel.transactionCapacity = 100
a1.channels.kafkaChannel.batch.size = 100

KafkaChannel 源代码已稍作修改以满足我的需要，但此处指定的默认配置选项仍然可用：http://flume.apache.org/FlumeUserGuide.html#kafka-channel

完整的配置文件（我已经删除了主机名和其他关键信息）

a1.sources = src
a1.channels = kafkaChannel

a1.sources.src.type = spooldir
a1.sources.src.channels = kafkaChannel
a1.sources.src.spoolDir = /data/silk/flume/V5
a1.sources.src.fileHeader = true
a1.sources.src.trackerDir = .flumespool
a1.sources.src.consumeOrder = oldest
a1.sources.src.deletePolicy = immediate
a1.sources.src.decodeErrorPolicy = REPLACE
a1.sources.src.pollDelay = 12000

a1.channels.kafkaChannel.type = com.example.flume.channel.kafka.KafkaChannel
a1.channels.kafkaChannel.brokerList = host1:9092,host2:9092,host3:9092
a1.channels.kafkaChannel.topic = TEST-TOPIC
a1.channels.kafkaChannel.capacity = 100
a1.channels.c1.transactionCapacity = 100
a1.channels.kafkaChannel.zookeeperConnect = host1:2181,host2:2181,host3:2181
a1.channels.kafkaChannel.parseAsFlumeEvent = false

任何帮助表示赞赏，在此先感谢！

【问题讨论】：

标签： apache-kafka flume

【解决方案1】：

对于其他面临此问题的人，我找到了解决方法：

通过实现 MemoryChannel 和 KafkaSink，而不是将日志直接推送到 KafkaChannel，我可以看到消息在我的 Kafka 主题分区中更加均衡。

【讨论】：