Kafka Streams - 是否可以减少由多个聚合创建的内部主题的数量答案

【问题标题】：Kafka Streams - is it possible to reduce the number of internal topics created by multiple aggregationsKafka Streams - 是否可以减少由多个聚合创建的内部主题的数量
【发布时间】：2017-05-25 06:24:18
【问题描述】：

我有一个 Kafka Streams 应用程序，它按多个值对传入消息进行分组。例如：

示例消息：

{ "gender": "female", "location": "canada", "age-group": "25-30" }

拓扑：

table
    .groupBy((key, value) -> groupByGender) // example key: female
    .count("gender-counts");

table
    .groupBy((key, value) -> groupByLocation) // example key: canada
    .count("location-counts");

table
    .groupBy((key, value) -> groupByAgeGroup) // example key: 25-30
    .count("age-group-counts");

这会产生很多主题：

my-consumer-gender-counts-changelog
my-consumer-gender-counts-repartition
my-consumer-location-counts-changelog
my-consumer-location-counts-repartition
my-consumer-age-group-counts-changelog
my-consumer-age-group-counts-repartition

如果我们可以将多个聚合发送到单个状态存储，并按值包含分组作为键的一部分，那就太好了。例如：

table
    .groupBy((key, value) -> groupByGender) // example key: female_gender
    .count("counts");

table
    .groupBy((key, value) -> groupByLocation) // example key: canada_location
    .count("counts");

table
    .groupBy((key, value) -> groupByAgeGroup) // example key: 25-30_age_group
    .count("counts");

这将导致更少的主题：

counts-changelog
counts-repartition

目前这似乎是不可能的（无论如何都使用 DSL），因为使用 groupBy 运算符会创建一个内部主题以进行重新分区，所以如果我们有多个子拓扑 groupBy 不同的东西，那么 Kafka Streams 将尝试从多个源注册相同的重新分区主题。这会导致以下错误：

org.apache.kafka.streams.errors.TopologyBuilderException: Invalid topology building: Topic counts-repartition has already been registered by another source.
        at org.apache.kafka.streams.processor.TopologyBuilder.validateTopicNotAlreadyRegistered(TopologyBuilder.java:518)

如果 groupBy 可以返回多条记录（例如，像 flatMap 那样），那么我们可以返回一组记录（每个分组一个记录），但这似乎也不可能使用DSL。

我的问题是，给定一个可以按多个值分组的记录（例如{ "gender": "female", "location": "canada", "age-group": "25-30" }），是否应该关注创建多个主题（每个分组 2 个）（例如，我们有 100 个不同的分组？ )?当一条记录可以按多个值分组时，是否还有其他更适合的策略？我的提议（将多个聚合下沉到单个变更日志主题）是一个坏主意（即使唯一键的数量非常少）？

【问题讨论】：

标签： apache-kafka apache-kafka-streams

【解决方案1】：

如果要按不同的属性进行分组，则无法避免多个重新分区的主题。假设您有两个分组属性 g1 和 g2 以及三个具有以下值的记录：

r1 = g1:A, g2:1
r2 = g1:A, g2:2
r3 = g1:B, g2:2

因此，要根据g1 正确聚合记录，必须将记录r1 和r2 组合在一起。假设您的重新分区主题有 2 个分区 p1 和 p2，则记录会重新分配，如

p1: r1, r2
p2: r3,

另一方面，如果您在 r2 上聚合，则记录 r2 和 r3 必须组合在一起：

p1: r1
p2: r2,r3

请注意，r2 对于这两种情况都必须转到不同的分区，因此，不可能使用单个主题，但每个分组需要一个主题。（这不是 Kafka 特定的——任何其他框架也需要多次复制和重新分配日期）。

理论上，如果您添加更多语义信息（如超级键、子键或 1 对 1 键映射），则可以减少主题的数量。但这不受 Kafka Streams（和 AFAIK，没有其他可比系统）的支持。

【讨论】：