Stream processing avec Apache Pulsar Bruno Bonnin @_bruno_b_ https://bonnin.dev 

Directeur Technique / Consultant @ Zenika Nantes 

No content

Pulsar, un système de messagerie distribué Né chez Yahoo ! pour compenser certaines limites des solutions de l’époque Pour des apps critiques comme Yahoo Mail, Yahoo Finance, Yahoo Sports, etc Open sourcé en 2016 Devenu Top Level Project de la fondation Apache en sept 2018 Premier déploiement Q2 2015 

Concepts & architecture 

Des producteurs, des consommateurs, des topics, ... Topic 1 Producteur Consommateur Topic 2 Topic 3 

Gestion des messages Producteurs Stockage des messages Bookie 1 Bookie 2 Bookie 3 Bookie 4 Consommateurs zkServer 1 zkServer 2 zkServer 3 Broker 1 Broker 2 Broker 3 lecture stockage meta-données coordination clusters stockage meta-données stockage des données Des brokers, des bookies, ... écriture Apache BookKeeper Apache Zookeeper 

Bookie 1 Une architecture scalable Broker 1 Broker 2 Bookie 2 Bookie 3 Bookie 4 Gestion des messages Stockage des messages Producteurs Consommateurs Broker 3 Bookie 5 Topic 1 

Apache BookKeeper Système de stockage scalable, tolérant aux pannes et à faible latence Conçu à l’origine comme une solution pour la haute disponibilité du NameNode de HDFS (WAL : Write-Ahead Logging) Avec Pulsar: stockage des données et des offsets (cursors) 

Broker Topic 1 segment 2 segment 1 segment x ... Bookie 1 segment 1 Une architecture hautement disponible segment 1 segment 1 segment x segment x segment 2 segment 2 Bookie 2 Bookie 3 Un topic est constitué d’un ensemble de segments (ledgers) contenant les messages. Les segments sont stockés et répartis sur les bookies. segment x segment 2 Bookie 4 

Broker Topic 1 segment 2 segment 1 segment x ... Bookie 1 segment 1 Une architecture hautement disponible segment 1 segment 1 segment x segment x segment 2 segment 2 Bookie 2 Bookie 3 Sur défection d’un bookie, automatiquement, récupération des segments manquants pour respecter le facteur de réplication segment x segment 2 Bookie 4 segment x segment 1 

Modes de consommation 

Topic Producteur Consommateur - A1 Exclusive subscription Subscription A Consommateur - A2 Les tentatives de connexions de A2 échoueront Topics et abonnements 

Topic Producteur Consommateur - B1 Fail-over subscription Subscription B Consommateur - B2 Messages consommés par B2, uniquement en cas d’échec de B1 Topics et abonnements 

Topic Producteur Consommateur - C1 Subscription C Consommateur - C2 Les messages sont envoyés aux deux consommateurs (round robin) -> aucune garantie d’ordre ! Topics et abonnements Shared subscription 

Topic Producteur Consommateur - B1 Consommateur - B2 Consommateur - A1 Consommateur - C1 Consommateur - C2 Exclusive Subscription Il peut y avoir plusieurs abonnements sur un topic Fail-over Subscription Shared Subscription Topics et abonnements 

Les messages 

Messages Contenu d’un message: - Tableau d’octets (peut être conforme à un schéma) - Clé (optionnel) - Ensemble de propriétés (optionnel) - Nom du producteur - Id de séquence (numéro d’ordre dans le topic, attribué par le producteur) - Timestamps 

Cycle de vie des messages Avec rétention message acquitté message acquitté Messages supprimés (hors rétention) Messages gardés car dans la période de rétention Non traités message acquitté message acquitté message non acquitté message non acquitté Messages supprimés Messages supprimés car au-delà du TTL Non traités et encore dans le TTL message non acquitté message non acquitté message non acquitté message non acquitté message acquitté message acquitté Avec TTL message acquitté message acquitté Messages supprimés Non traités (sauvegardés dans BookKeeper) message non acquitté message non acquitté message acquitté message acquitté Cas nominal 

Démo 

# Lancement de tous les composants # broker, bookie, zookeeper (pour des tests/dev) $ pulsar standalone $ pulsar-admin clusters list standalone $ pulsar-admin clusters get standalone { "serviceUrl":"http://hostname:8080", "brokerServiceUrl": "pulsar://hostname:6650" } 

# Producteur: 100 messages, 1msg/sec $ pulsar-client produce \ -m "Hello Devoxx Morocco" \ -n 100 -r 1 \ demo-topic # Consommateur: 1msg/sec sans arrêt $ pulsar-client consume \ -n 0 -r 1 \ -s "demo-subs-exclusive" \ -t Exclusive \ demo-topic 

Développons avec Pulsar 

+ API WebSocket 

// Création d’un client (idem producteur et conso) PulsarClient client = PulsarClient.builder() .serviceUrl("pulsar://myhostname:6650") .build(); .authentication(...) .connectionsPerBroker(5) .ioThreads(10) .keepAliveInterval(2, TimeUnit.MINUTES) .maxNumberOfRejectedRequestPerConnection(5) .operationTimeout(10, TimeUnit.SECONDS) ... 

Producer producer = client.newProducer() .topic("demo-topic") .producerName("demo-producer") .... .create(); // Envoi synchrone MessageId msgId = producer.send("Hi Devoxx!".getBytes()); // Envoi asynchrone producer.sendAsync("Hi Devoxx!".getBytes()) .thenAccept(msgId -> { System.out.printf("Msg %s successfully sent", msgId); }); 

Consumer consumer = client.newConsumer() .topic("demo-topic") .subscriptionName("demo-exclusive-sub") .subscriptionType(SubscriptionType.Exclusive) .subscribe(); // Lecture à partir du premier message non acquitté Message msg = consumer.receive(1000, TimeUnit.SECONDS); System.out.printf("Message: %s, from %s with id=%s\n", new String(msg.getData()), msg.getProducerName(), msg.getMessageId()); consumer.acknowledge(msg); // A ne pas oublier 

Schema Registry Par défaut, le type des messages est byte[] Pulsar fournit un système de contrôle des types de données: uniquement valable pour les clients Java !! Les schémas sont automatiquement uploadés sur les brokers à la création des producteurs (et bien sûr sauvegardés dans BookKeeper ) Gestion des versions 

// Côté producteur Producer producer = client.newProducer(JSONSchema.of(Order.class)) .topic("orders") .create(); Order order = new Order(product, quantity); producer.send(order); 

// Côté consommateur Consumer consumer = client.newConsumer(JSONSchema.of(Order.class)) .topic("orders") ... .subscribe(); Message msg = consumer.receive(1000, TimeUnit.SECONDS); Order order = msg.getValue(); 

Multi-tenancy 

Multi-tenancy Type de topic Nom de l’entité (tenant) Nom du namespace Nom du topic persistent://public/default/demo-topic 

Multi-tenancy Pulsar Cluster Sales Ops Tenants DC1 Online Namespaces Stores 20 To Topics Rétention: 10j Fraud Clients Orders Logs persistent://Sales/Stores/Clients 

# Multi-tenancy # - création entité $ pulsar-admin tenants create sales # - création namespace $ pulsar-admin namespaces create sales/online # - ajout de quotas $ pulsar-admin namespaces set-retention \ --size 20T --time 2d sales/online 

Pulsar Functions 

Pulsar Functions Topic de sortie F But: offrir un cadre d’exécution de traitements des données sans utiliser d’environnement complémentaire Topic d’entrée 1 Topic d’entrée 2 Topic des logs State 

def process(input): return "Hi %s!" % input 

// Exemple le plus simple, sans framework import java.util.function.Function; public class HiFunction implements Function { @Override public String apply(String inputMsg) { return String.format("Hi %s!", inputMsg); } } 

import org.apache.pulsar.functions.api.Context; import org.apache.pulsar.functions.api.Function; import org.slf4j.Logger; public class EnhancedHiFunction implements Function { @Override public String process(String input, Context context) throws Exception { Logger logger = context.getLogger(); String functionTenant = context.getTenant(); String functionNamespace = context.getNamespace(); String functionName = context.getFunctionName(); logger.info("Function {}/{}/{}: input={}", functionTenant, functionNamespace, functionName, input); return String.format("Hi %s!", input); } } 

Dans les brokers Pulsar Functions - Déploiement Broker 1 Function workers Broker 2 Function workers Broker 1 Dans des containers Function worker 1 Broker 2 Function worker 2 En local Function workers 

# Déploiement d’une fonction $ pulsar-admin functions create \ --jar my_pulsar_fct.jar \ --className MyPulsarFunction \ --fqfn demo/test/hello \ --inputs persistent://demo/test/input \ --output persistent://demo/test/output \ --log-topic persistent://demo/test/logs \ --cpu 8 \ --ram 8589934592 \ --disk 10737418240 

Pulsar Functions Exemples de cas d’utilisation des Functions: - Routage des messages - Filtrage if ("US".equals(order.country()) context.publish("sales/online/orders-us", order); else context.publish("sales/online/orders-not-us", order); public Order process(Order order) { if (order.total() > 10000) return order; return null; } 

Pulsar Functions Exemples de cas d’utilisation des Functions: - Modification des messages - Alertes public Order process(Order order) { order.setEmail(anonymize(order.getEmail())); return order; } public String process(Sensor sensor) { if (sensor.getTemp() > 50) // Envoi d’un mail ... return null; } 

Pulsar Functions Et quoi d’autres ? - stockage de métriques, de compteurs (stockés dans Apache BookKeeper, bien sûr) - utilisation de paramètres de config, - fenêtrage (sliding window, tumbling window) public Void process(Order order, Context context) { Double threshold = context.getUserConfigValue("threshold"); Float previous = context.getState(order.getId() + "-metric"); context.incrCounter(order.getId() + "-metric", 1); } 

Pulsar IO 

Pulsar IO Pulsar Topic Connecteur Source Connecteur Sink 

Pulsar IO CDC basé sur 

SQL 

Pulsar SQL Basé sur Lecture directe sur Apache BookKeeper 

$ pulsar sql-worker run 

$ pulsar sql presto> show catalogs; presto> show schemas in pulsar; presto> show tables in pulsar."demo/ecommerce"; Catalog --------- pulsar system Schema ----------------------- information_schema public/default public/functions demo/ecommerce Table --------------- orders-all orders-not-us orders-us TOPICS NAMESPACES 

presto> select id, orderdate, ipaddress, amount, email from pulsar."demo/ecommerce"."orders-all"; id | orderdate | ipaddress | amount | email -------------+---------------+-----------------+--------+---------------------------------- 307-02-9402 | 1561409774204 | 94.244.112.41 | 596.59 | [email protected] 470-87-6280 | 1561409774501 | 82.244.158.201 | 135.39 | [email protected] 842-89-5722 | 1561409774704 | 60.73.130.208 | 112.89 | [email protected] 795-45-3565 | 1561409775408 | 231.96.223.0 | 60.75 | [email protected] 876-36-9065 | 1561409775924 | 29.189.193.82 | 768.13 | [email protected] 840-97-8273 | 1561409776044 | 93.240.237.245 | 308.92 | [email protected] 043-41-7461 | 1561409776348 | 186.116.245.21 | 206.03 | [email protected] 069-72-8645 | 1561409776591 | 106.113.25.240 | 144.54 | [email protected] 

Geo-replication 

Réplication géographique Cluster A Topic 1 Producteur Cluster B Topic 1 Cluster C Topic 1 Consommateur Les topics doivent appartenir à un namespace global Réplication asynchrone ou synchrone (persistence local d’abord, puis envoi aux autres clusters) Possibilité pour un producteur de restreindre la réplication à des clusters donnés Producteur 

Démo https://github.com/bbonnin/talk-intro-apache-pulsar 

Autres frameworks Ma supérette en ligne !!! Broker Topic orders-all Producteur Java “Order Generator” Consommateur CLI “pulsar-client” Functions FilterOrder Topic orders-us Connectors (IO) Elasticsearch Sink SQL Stockage Bookie Flink 

Gestion des messages Brokers Stockage Bookies En résumé... Traitements Pulsar Functions Connecteurs Pulsar IO Analytics Pulsar SQL (Presto) Stockage tiers AWS Google Azure HDFS Clients Producteurs / Consommateurs Flink Spark 

No content

Conclusion Il existe beaucoup de fonctions intéressantes : - découplage broker et stockage - tier-storage, - geo-replication, - Pulsar IO - Pulsar Functions - Schema registry, - SQL, - … Environnement complet pour couvrir vos besoins en termes de stream processing Aujourd’hui chez Yahoo ! - > 2 millions de topics - > 100 milliards de messages / jour - > 150 brokers Plus d’infos: https://streaml.io/blog 

Auto-promo : https://github.com/bbonnin/pulsar-express 

MERCI ! Illustrations: https://undraw.co/illustrations