Connexions Kafka - AWS Glue
Configurer KafkaLire à partir de KafkaEcrire à KafkaParamètres de connexion de Kafka

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Connexions Kafka

Vous pouvez utiliser une connexion Kafka pour lire et écrire dans des flux de données Kafka à l'aide des informations stockées dans une table du catalogue de données, ou en fournissant des informations pour accéder directement au flux de données. La connexion prend en charge un cluster Kafka ou un cluster Amazon Managed Streaming for Apache Kafka. Vous pouvez lire les informations de Kafka dans un Spark DataFrame, puis les convertir en AWS Glue DynamicFrame. Vous pouvez écrire DynamicFrames à Kafka dans un JSON format. Si vous accédez directement au flux de données, utilisez ces options pour fournir des informations sur la façon d'accéder au flux de données.

Si vous utilisez getCatalogSource ou create_data_frame_from_catalog pour consommer des enregistrements provenant d'une source de streaming Kafka, getCatalogSink ou write_dynamic_frame_from_catalog pour écrire des enregistrements sur Kafka, et que la tâche contient les informations de base de données et de nom de table du catalogue de données, et que vous pouvez les utiliser pour obtenir certains paramètres de base pour la lecture à partir de la source de streaming Kafka. Si vous utilisezgetSource,, getCatalogSinkgetSourceWithFormat, createDataFrameFromOptions ougetSinkWithFormat, ou create_data_frame_from_optionswrite_dynamic_frame_from_catalog, vous devez spécifier ces paramètres de base à l'aide des options de connexion décrites ici.

Vous pouvez spécifier les options de connexion pour Kafka à l'aide des arguments suivants pour les méthodes spécifiées dans la GlueContext classe.

  • Scala

    • connectionOptions : utiliser avec getSource, createDataFrameFromOptions, getSink

    • additionalOptions : utiliser avec getCatalogSource, getCatalogSink

    • options : utiliser avec getSourceWithFormat, getSinkWithFormat

  • Python

    • connection_options : utiliser avec create_data_frame_from_options, write_dynamic_frame_from_options

    • additional_options : utiliser avec create_data_frame_from_catalog, write_dynamic_frame_from_catalog

    • options : utiliser avec getSource, getSink

Pour les remarques et les restrictions relatives aux ETL jobs de streaming, consultezRestrictions et notes sur ETL en streaming.

Rubriques

    Configurer Kafka

    Il n'y a aucune AWS condition préalable pour se connecter aux flux Kafka disponibles sur Internet.

    Vous pouvez créer une connexion AWS Glue Kafka pour gérer vos identifiants de connexion. Pour de plus amples informations, veuillez consulter Création d'une connexion AWS Glue pour un flux de données Apache Kafka. Dans la configuration AWS de votre tâche Glue, fournissez connectionName en tant que connexion réseau supplémentaire, puis, dans votre appel de méthode, fournissez connectionName au connectionName paramètre.

    Dans certains cas, vous devrez configurer des prérequis supplémentaires :

    • Si vous utilisez Amazon Managed Streaming pour Apache Kafka avec IAM authentification, vous aurez besoin d'une configuration appropriéeIAM.

    • Si vous utilisez Amazon Managed Streaming pour Apache Kafka for Apache au sein d'un AmazonVPC, vous aurez besoin d'une configuration Amazon VPC appropriée. Vous devez créer une connexion AWS Glue fournissant les informations de VPC connexion Amazon. Vous aurez besoin de la configuration de votre tâche pour inclure la connexion AWS Glue en tant que connexion réseau supplémentaire.

    Pour plus d'informations sur les prérequis du ETL poste de streaming, consultezTâches ETL en streaming dans AWS Glue.

    Exemple : lecture à partir de flux Kafka

    Utilisez conjointement avec forEachBatch.

    Exemple pour la source de streaming Kafka :

    kafka_options =
    { "connectionName": "ConfluentKafka", 
      "topicName": "kafka-auth-topic", 
      "startingOffsets": "earliest", 
      "inferSchema": "true", 
      "classification": "json" 
    }
data_frame_datasource0 = glueContext.create_data_frame.from_options(connection_type="kafka", connection_options=kafka_options)

    Exemple : écrire dans des flux Kafka

    Exemples pour écrire à Kafka :

    Exemple avec la getSink méthode :

    data_frame_datasource0 = 
glueContext.getSink(
	connectionType="kafka",
	connectionOptions={
		JsonOptions("""{
			"connectionName": "ConfluentKafka", 
			"classification": "json", 
			"topic": "kafka-auth-topic", 
			"typeOfData": "kafka"}
		""")}, 
	transformationContext="dataframe_ApacheKafka_node1711729173428")
	.getDataFrame()

    Exemple avec la write_dynamic_frame.from_options méthode :

    kafka_options =
    { "connectionName": "ConfluentKafka", 
      "topicName": "kafka-auth-topic", 
      "classification": "json" 
    }
data_frame_datasource0 = glueContext.write_dynamic_frame.from_options(connection_type="kafka", connection_options=kafka_options)

    Référence des options de connexion de Kafka

    Lorsque vous lisez, utilisez les options de connexion suivantes avec "connectionType": "kafka" :

    • "bootstrap.servers"(Obligatoire) Une liste de serveurs bootstrapURLs, par exemple, commeb-1.vpc-test-2.o4q88o.c6.kafka.us-east-1.amazonaws.com:9094. Cette option doit être spécifiée dans l'APIappel ou définie dans les métadonnées de la table dans le catalogue de données.

    • "security.protocol"(Obligatoire) Le protocole utilisé pour communiquer avec les agents. Les valeurs possibles sont "SSL" ou "PLAINTEXT".

    • "topicName" : (requis) liste de rubriques séparées par des virgules auxquelles s'abonner. Vous devez spécifier un seul et unique élément parmi "topicName", "assign" ou "subscribePattern".

    • "assign": (Obligatoire) JSON Chaîne spécifiant le produit spécifique TopicPartitions à consommer. Vous devez spécifier un seul et unique élément parmi "topicName", "assign" ou "subscribePattern".

      Exemple : '{"topicA":[0,1],"topicB":[2,4]}'

    • "subscribePattern" : (obligatoire) chaîne d'expression rationnelle Java qui identifie la liste de rubriques à laquelle vous souhaitez vous abonner. Vous devez spécifier un seul et unique élément parmi "topicName", "assign" ou "subscribePattern".

      Exemple : 'topic.*'

    • "classification" : (obligatoire) le format de fichier utilisé par les données de l'enregistrement. Obligatoire, sauf s'il est fourni par le catalogue de données.

    • "delimiter"(Facultatif) Le séparateur de valeurs utilisé lorsque classification estCSV. La valeur par défaut est « , ».

    • "startingOffsets" : (facultatif) position de départ dans la rubrique Kafka à partir de laquelle lire les données. Les valeurs possibles sont "earliest" ou "latest". La valeur par défaut est "latest".

    • "startingTimestamp": (Facultatif, disponible uniquement pour AWS la version 4.0 ou ultérieure de Glue) Horodatage de l'enregistrement dans la rubrique Kafka à partir duquel les données doivent être lues. La valeur possible est une chaîne d'horodatage au UTC format du modèle yyyy-mm-ddTHH:MM:SSZ (où Z représente un décalage de UTC fuseau horaire avec un +/-). Par exemple : « 2023-04-04T 08:00:00-04:00 «).

      Remarque : seule l'une des propriétés « startingOffsets » ou « startingTimestamp » peut être présente dans la liste des options de connexion du script de streaming AWS Glue. L'inclusion de ces deux propriétés entraînera l'échec de la tâche.

    • "endingOffsets" : (facultatif) point de fin lorsqu'une requête par lots est terminée. Les valeurs possibles sont soit une chaîne, "latest" soit une JSON chaîne spécifiant un décalage de fin pour chacune d'entre ellesTopicPartition.

      Pour la JSON chaîne, le format est{"topicA":{"0":23,"1":-1},"topicB":{"0":-1}}. La valeur -1 en tant que décalage représente "latest".

    • "pollTimeoutMs" : (facultatif) délai d'attente en millisecondes pour interroger les données de Kafka dans les exécuteurs de tâches Spark. La valeur par défaut est 512.

    • "numRetries" : (facultatif) nombre de nouvelles tentatives avant de ne pas récupérer les décalages Kafka. La valeur par défaut est 3.

    • "retryIntervalMs" : (facultatif) temps d'attente en millisecondes avant d'essayer de récupérer les décalages Kafka. La valeur par défaut est 10.

    • "maxOffsetsPerTrigger" : (facultatif) limite de taux sur le nombre maximal de décalages qui sont traités par intervalle de déclenchement. Le nombre total spécifié de décalages est réparti proportionnellement entre les topicPartitions des différents volumes. La valeur par défaut est null, ce qui signifie que le consommateur lit tous les décalages jusqu'au dernier décalage connu.

    • "minPartitions" : (facultatif) nombre minimum de partitions à lire à partir de Kafka. La valeur par défaut est nulle, ce qui signifie que le nombre de partitions Spark est égal au nombre de partitions Kafka.

    • "includeHeaders": (facultatif) indique s'il faut inclure les en-têtes Kafka. Lorsque l'option est définie sur « true » (vrai), la sortie de données contiendra une colonne supplémentaire nommée « glue_streaming_kafka_headers » avec le type Array[Struct(key: String, value: String)]. La valeur définie par défaut est « false ». Cette option est disponible dans AWS Glue version 3.0 ou ultérieure.

    • "schema": (Obligatoire si inferSchema défini sur false) Schéma à utiliser pour traiter la charge utile. Si la classification est avro, le schéma fourni doit être au format de schéma Avro. Si la classification n'est pas avro le cas, le schéma fourni doit être au format du DDL schéma.

      Voici quelques exemples de schémas.

      Example in DDL schema format
      'column1' INT, 'column2' STRING , 'column3' FLOAT
      Example in Avro schema format
      {
"type":"array",
"items":
{
"type":"record",
"name":"test",
"fields":
[
  {
    "name":"_id",
    "type":"string"
  },
  {
    "name":"index",
    "type":
    [
      "int",
      "string",
      "float"
    ]
  }
]
}
}

    • "inferSchema" : (facultatif) la valeur par défaut est « false ». S'il est défini sur « true », le schéma sera détecté lors de l'exécution à partir de la charge utile dans foreachbatch.

    • "avroSchema" : (obsolète) paramètre utilisé pour spécifier un schéma de données Avro lorsque le format Avro est utilisé. Ce paramètre est désormais obsolète. Utilisez le paramètre schema.

    • "addRecordTimestamp" : (facultatif) lorsque cette option est définie sur « true », la sortie de données contient une colonne supplémentaire nommée « __src_timestamp » qui indique l'heure à laquelle l'enregistrement correspondant est reçu par la rubrique. La valeur par défaut est « false ». Cette option est prise en charge dans AWS Glue version 4.0 ou ultérieure.

    • "emitConsumerLagMetrics": (Facultatif) Lorsque l'option est définie sur « vrai », pour chaque lot, elle émet les métriques correspondant à la durée comprise entre le plus ancien enregistrement reçu par le sujet et le moment où il arrive CloudWatch. AWS Glue Le nom de la métrique est « glue.driver.streaming ». maxConsumerLagInMs». La valeur par défaut est « false ». Cette option est prise en charge dans AWS Glue version 4.0 ou ultérieure.

    Lorsque vous écrivez, utilisez les options de connexion suivantes avec "connectionType": "kafka" :

    • "connectionName"(Obligatoire) Nom de la connexion AWS Glue utilisée pour se connecter au cluster Kafka (similaire à la source Kafka).

    • "topic"(Obligatoire) Si une colonne de sujet existe, sa valeur est utilisée comme sujet lors de l'écriture de la ligne donnée dans Kafka, sauf si l'option de configuration du sujet est définie. C'est-à-dire que l'option topic de configuration remplace la colonne du sujet.

    • "partition"(Facultatif) Si un numéro de partition valide est spécifié, il partition sera utilisé lors de l'envoi de l'enregistrement.

      Si aucune partition n'est spécifiée mais key que a est présent, une partition sera choisie en utilisant le hachage de la clé.

      Si ni l'un key ni l'autre n'partitionest présent, une partition sera choisie en partitionnant de manière permanente ces modifications lorsqu'au moins des octets batch.size seront produits sur la partition.

    • "key"(Facultatif) Utilisé pour le partitionnement s'il partition est nul.

    • "classification"(Facultatif) Format de fichier utilisé par les données de l'enregistrement. Nous soutenons uniquementJSON, CSV et Avro.

      Avec le format Avro, nous pouvons fournir une personnalisation avec laquelle avroSchema sérialiser, mais notez que celle-ci doit également être fournie sur la source pour la désérialisation. Sinon, par défaut, il utilise Apache AvroSchema pour la sérialisation.

    En outre, vous pouvez ajuster le récepteur Kafka selon les besoins en mettant à jour les paramètres de configuration du producteur Kafka. Notez qu'il n'existe aucune liste d'autorisation pour les options de connexion, toutes les paires clé-valeur sont conservées telles quelles sur le récepteur.

    Cependant, il existe une petite liste d'options refusées qui ne prendront pas effet. Pour plus d'informations, consultez la section Configurations spécifiques à Kafka.