Kafka Streams實戰(zhàn)

第 一部分　開啟Kafka Streams之旅
第　1章 歡迎來到Kafka Streams　3
1．1　大數(shù)據(jù)的發(fā)展以及它是如何改變程序設計方式的　3
1．1．1　大數(shù)據(jù)起源　4
1．1．2　MapReduce中的重要概念　5
1．1．3　批處理還不夠　7
1．2　流式處理簡介　8
1．3　處理購買交易　9
1．3．1　權衡流式處理的選擇　9
1．3．2　將需求解構為圖表　10
1．4　改變看待購買交易的視角　10
1．4．1　源節(jié)點　11
1．4．2　信用卡屏蔽節(jié)點　11
1．4．3　模式節(jié)點　11
1．4．4　獎勵節(jié)點　12
1．4．5　存儲節(jié)點　13
1．5　Kafka Streams在購買處理節(jié)點圖中的應用　13
1．6　Kafka Streams在購買交易流中的應用　14
1．6．1　定義源　15
1．6．2　第 一個處理器：屏蔽信用卡號碼　15
1．6．3　第二個處理器：購買模式　16
1．6．4　第三個處理器：客戶獎勵　17
1．6．5　第四個處理器：寫入購買記錄　18
1．7　小結　18
第　2章 Kafka快速指南　20
2．1　數(shù)據(jù)問題　20
2．2　使用Kafka處理數(shù)據(jù)　21
2．2．1　ZMart原始的數(shù)據(jù)平臺　21
2．2．2　一個Kafka銷售交易數(shù)據(jù)中心　22
2．3　Kafka架構　23
2．3．1　Kafka是一個消息代理　23
2．3．2　Kafka是一個日志　24
2．3．3　Kafka日志工作原理　25
2．3．4　Kafka和分區(qū)　25
2．3．5　分區(qū)按鍵對數(shù)據(jù)進行分組　26
2．3．6　編寫自定義分區(qū)器　27
2．3．7　指定一個自定義分區(qū)器　28
2．3．8　確定恰當?shù)姆謪^(qū)數(shù)　29
2．3．9　分布式日志　29
2．3．10　ZooKeeper：領導者、追隨者和副本　30
2．3．11　Apache ZooKeeper　31
2．3．12　選擇一個控制器　31
2．3．13　副本　31
2．3．14　控制器的職責　32
2．3．15　日志管理　33
2．3．16　日志刪除　33
2．3．17　日志壓縮　35
2．4　生產(chǎn)者發(fā)送消息　36
2．4．1　生產(chǎn)者屬性　38
2．4．2　指定分區(qū)和時間戳　39
2．4．3　指定分區(qū)　39
2．4．4　Kafka中的時間戳　40
2．5　消費者讀取消息　40
2．5．1　管理偏移量　41
2．5．2　自動提交偏移量　42
2．5．3　手動提交偏移量　42
2．5．4　創(chuàng)建消費者　43
2．5．5　消費者和分區(qū)　43
2．5．6　再平衡　43
2．5．7　更細粒度的消費者分配　44
2．5．8　消費者示例　44
2．6　安裝和運行Kafka　45
2．6．1　Kafka本地配置　45
2．6．2　運行Kafka　46
2．6．3　發(fā)送第 一條消息　47
2．7　小結　49
第二部分　Kafka Streams開發(fā)篇
第3章　開發(fā)Kafka Streams　53
3．1　流式處理器API　53
3．2　Kafka Streams的Hello World　54
3．2．1　構建“Yelling App”的拓撲　55
3．2．2　Kafka Streams配置　58
3．2．3　Serde的創(chuàng)建　59
3．3　處理客戶數(shù)據(jù)　60
3．3．1　構建一個拓撲　61
3．3．2　創(chuàng)建一個自定義的Serde　67
3．4　交互式開發(fā)　69
3．5　下一步　71
3．5．1　新需求　71
3．5．2　將記錄寫入Kafka之外　76
3．6　小結　78
第4章　流和狀態(tài)　79
4．1　事件的思考　79
4．2　將狀態(tài)操作應用到Kafka Stream　81
4．2．1　值轉換處理器　82
4．2．2　有狀態(tài)的客戶獎勵　82
4．2．3　初始化值轉換器　84
4．2．4　使用狀態(tài)將Purchase對象映射為Reward Accumulator　84
4．2．5　更新獎勵處理器　88
4．3　使用狀態(tài)存儲查找和記錄以前看到的數(shù)據(jù)　89
4．3．1　數(shù)據(jù)本地化　90
4．3．2　故障恢復和容錯　91
4．3．3　Kafka Streams使用狀態(tài)存儲　91
4．3．4　其他鍵/值存儲供應者　92
4．3．5　狀態(tài)存儲容錯　93
4．3．6　配置變更日志主題　93
4．4　連接流以增加洞察力　94
4．4．1　設置數(shù)據(jù)　95
4．4．2　生成包含客戶ID的鍵來執(zhí)行連接　96
4．4．3　構建連接　98
4．4．4　其他連接選項　102
4．5　Kafka Streams中的時間戳　104
4．5．1　自帶的時間戳提取器實現(xiàn)類　105
4．5．2　WallclockTimestampExtractor　106
4．5．3　自定義時間戳提取器　106
4．5．4　指定一個時間戳提取器　107
4．6　小結　108
第5章　KTable API　109
5．1　流和表之間的關系　110
5．1．1　記錄流　110
5．1．2　更新記錄或變更日志　111
5．1．3　事件流與更新流對比　113
5．2　記錄更新和KTable配置　115
5．2．1　設置緩存緩沖大小　115
5．2．2　設置提交間隔　116
5．3　聚合和開窗操作　117
5．3．1　按行業(yè)匯總股票成交量　118
5．3．2　開窗操作　122
5．3．3　連接KStream和KTable　128
5．3．4　GlobalKTable　130
5．3．5　可查詢的狀態(tài)　133
5．4　小結　133
第6章　處理器API　135
6．1　更高階抽象與更多控制的權衡　135
6．2　使用源、處理器和接收器創(chuàng)建一個拓撲　136
6．2．1　添加一個源節(jié)點　136
6．2．2　添加一個處理器節(jié)點　137
6．2．3　增加一個接收器節(jié)點　140
6．3　通過股票分析處理器深入研究處理器API　141
6．3．1　股票表現(xiàn)處理器應用程序　142
6．3．2　process()方法　145
6．3．3　punctuator執(zhí)行　147
6．4　組合處理器　148
6．5　集成處理器API和Kafka Streams API　158
6．6　小結　159
第三部分　管理Kafka Streams
第7章　監(jiān)控和性能　163
7．1　Kafka基本監(jiān)控　163
7．1．1　測評消費者和生產(chǎn)者性能　164
7．1．2　檢查消費滯后　165
7．1．3　攔截生產(chǎn)者和消費者　166
7．2　應用程序指標　169
7．2．1　指標配置　171
7．2．2　如何連接到收集到的指標　172
7．2．3　使用JMX　172
7．2．4　查看指標　176
7．3　更多Kafka Streams調(diào)試技術　177
7．3．1　查看應用程序的表現(xiàn)形式　177
7．3．2　獲取應用程序各種狀態(tài)的通知　178
7．3．3　使用狀態(tài)監(jiān)聽器　179
7．3．4　狀態(tài)恢復監(jiān)聽器　181
7．3．5　未捕獲的異常處理器　184
7．4　小結　184
第8章　測試Kafka Streams應用程序　185
8．1　測試拓撲　186
8．1．1　構建測試用例　188
8．1．2　測試拓撲中的狀態(tài)存儲　190
8．1．3　測試處理器和轉換器　191
8．2　集成測試　193
8．3　小結　199
第四部分　Kafka Streams進階
第9章　Kafka Streams的高級應用　203
9．1　將Kafka與其他數(shù)據(jù)源集成　204
9．1．1　使用Kafka Connect集成數(shù)據(jù)　205
9．1．2　配置Kafka Connect　205
9．1．3　轉換數(shù)據(jù)　207
9．2　替代數(shù)據(jù)庫　211
9．2．1　交互式查詢的工作原理　213
9．2．2　分配狀態(tài)存儲　213
9．2．3　創(chuàng)建和查找分布式狀態(tài)存儲　215
9．2．4　編寫交互式查詢　216
9．2．5　查詢服務器內(nèi)部　218
9．3　KSQL　221
9．3．1　KSQL流和表　222
9．3．2　KSQL架構　222
9．3．3　安裝和運行KSQL　224
9．3．4　創(chuàng)建一個KSQL流　224
9．3．5　編寫KSQL查詢　226
9．3．6　創(chuàng)建一張KSQL表　227
9．3．7　配置KSQL　227
9．4　小結　228
附錄A　額外的配置信息　229
附錄B　精確一次處理語義　234