从零开始学Flink：数据源

在实时数据处理场景中，数据源（Source）是整个数据处理流程的起点。Flink作为流批一体的计算框架，提供了丰富的Source接口支持，其中通过Kafka获取实时数据是最常见的场景之一。本文将以Flink DataStream API为核心，带你从0到1实现“从Kafka消费数据并输出到日志”的完整流程，掌握Flink Source的核心用法。
一、为什么选择Kafka作为Flink的数据源？

Kafka作为分布式流处理平台，具备高吞吐量、低延迟、持久化存储等特性，是实时数据管道的首选。Flink与Kafka的集成方案经过多年优化，支持：

• 高吞吐量：单集群可处理数十万条/秒的消息，满足大规模实时数据处理需求；
  
• 持久化存储：数据按时间顺序写入磁盘并保留一定周期，支持离线重放和故障恢复；
  
• 精确一次（Exactly-Once）消费语义：通过Kafka偏移量（Offset）管理和Flink检查点（Checkpoint）机制保证数据一致性；
  
• 动态分区发现：自动感知Kafka主题的分区变化（如新增分区），无需重启任务;
  
• 灵活的消费模式：支持从指定偏移量、时间戳或最新位置开始消费。
  

二、环境准备与依赖配置

1. 版本说明

本文基于以下版本实现（需保持版本兼容）：

• Flink：1.20.1（最新稳定版）
  
• Kafka：3.4.0（Flink Kafka Connector兼容Kafka 2.8+）
  
• JDK：17+
  
• gradle 8.3+
  

2. gradle依赖

在gradle添加Flink核心依赖及Kafka Connector依赖,build.gradle配置可以是如下：

1. plugins {
2.     id 'java' // Java项目插件
3.     id 'application' // 支持main方法运行
4.     }
6.     // 设置主类（可选，用于application插件）
7.     application {
8.     mainClass.set('com.cn.daimajiangxin.flink.source.KafkaSourceDemo') // 替换为你的主类全限定名
9.     }
11.     // 依赖仓库（Maven中央仓库）
12.     repositories {
13.     mavenCentral()
14.     }
16.     // 依赖配置
17.     dependencies {
18.     // Flink核心依赖（生产环境通常标记为provided，由Flink运行时提供）
19.     implementation 'org.apache.flink:flink-java:1.20.1'
20.     implementation 'org.apache.flink:flink-streaming-java_2.12:1.20.1'
22.     // Flink Kafka Connector（新版API，兼容Kafka 2.8+）
23.     implementation 'org.apache.flink:flink-connector-kafka_2.12:1.20.1'
25.     // SLF4J日志门面 + Log4j实现（避免日志警告）
26.     implementation 'org.apache.logging.log4j:log4j-api:2.17.1'
27.     implementation 'org.apache.logging.log4j:log4j-core:2.17.1'
28.     implementation 'org.apache.logging.log4j:log4j-slf4j-impl:2.17.1'
29.     }
31.     // 编译配置（可选，根据需要调整）
32.     tasks.withType(JavaCompile) {
33.     options.encoding = 'UTF-8' // 指定编码
34.     sourceCompatibility = JavaVersion.VERSION_17 // 兼容Java 8
35.     targetCompatibility = JavaVersion.VERSION_17
36.     }

复制代码

三、核心概念：Flink Kafka Source的工作原理

在深入代码前，需理解Flink Kafka Source的核心组件：

• KafkaSource：Flink提供的Kafka数据源连接器，负责与Kafka Broker建立连接、拉取消息；
  
• 反序列化器（Deserializer）：将Kafka消息的字节数组（byte[]）转换为Flink可处理的数据类型（如String、POJO、Row等）；
  
• 偏移量管理：记录已消费的Kafka消息位置（Offset），确保故障恢复时能从断点继续消费；
  
• 检查点（Checkpoint）：Flink的容错机制，定期将状态（包括偏移量）持久化到存储系统（如HDFS），保证Exactly-Once语义。
  

四、核心代码实现：从Kafka读取数据并输出到日志

1. 流程概述

整个流程分为5步：

• 配置Kafka连接参数（如Broker地址、主题、消费者组）；
  
• 创建Flink流执行环境（StreamExecutionEnvironment）；
  
• 定义Kafka Source（使用新版KafkaSource）；
  
• 将Source添加到执行环境，并处理数据（如打印到日志）；
  
• 触发任务执行。
  

2.代码详解

以下是完整的示例代码，包含详细注释：

1. package com.cn.daimajiangxin.flink.source;
3. import org.apache.flink.api.common.eventtime.WatermarkStrategy;
4. import org.apache.flink.api.common.typeinfo.TypeInformation;
5. import org.apache.flink.connector.kafka.source.KafkaSource;
6. import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer;
7. import org.apache.flink.connector.kafka.source.reader.deserializer.KafkaRecordDeserializationSchema;
8. import org.apache.flink.streaming.api.datastream.DataStream;
9. import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
10. import org.apache.flink.util.Collector;
11. import org.apache.kafka.clients.consumer.ConsumerRecord;
12. import org.slf4j.Logger;
13. import org.slf4j.LoggerFactory;
15. import java.io.IOException;
16. import java.nio.charset.StandardCharsets;
18. public class KafkaSourceDemo {
19.         private static final Logger LOG = LoggerFactory.getLogger(KafkaSourceDemo.class);
21. public static void main(String[] args) throws Exception {
22.             // 1. 创建Flink流执行环境
23.             StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
25. // 可选：启用检查点（生产环境必选，保证Exactly-Once语义）
26.             env.enableCheckpointing(5000); // 每5秒做一次检查点
27.             // 启用检查点
28.             env.enableCheckpointing(5000); // 每5秒做一次检查点
30. // 设置检查点超时时间
31.             env.getCheckpointConfig().setCheckpointTimeout(60000);
33. // 2. 配置Kafka参数
34.             String kafkaBootstrapServers = "172.30.244.152:9092"; // Kafka Broker地址
35.             String topic = "test_topic"; // 目标主题
36.             String consumerGroup = "flink-consumer-group"; // 消费者组ID
38. LOG.info("Connecting to Kafka at " + kafkaBootstrapServers);
39.             LOG.info("Consuming topic: " + topic);
40.             LOG.info("Consumer group: " + consumerGroup);
42. // 3. 定义Kafka Source（新版API）
43.             KafkaSource`<String>` kafkaSourceDemo = KafkaSource.`<String>`builder()
44.                     .setBootstrapServers(kafkaBootstrapServers) // Kafka Broker地址
45.                     .setTopics(topic) // 订阅的主题
46.                     .setGroupId(consumerGroup) // 消费者组
47.                     .setProperty("enable.auto.commit", "true")
48.                     .setProperty("auto.commit.interval.ms", "1000")
49.                     .setProperty("session.timeout.ms", "30000")
50.                     .setProperty("retry.backoff.ms", "1000")
51.                     .setProperty("reconnect.backoff.max.ms", "10000")
52.                     .setDeserializer(new KafkaRecordDeserializationSchema `<String>`() {
53.                         @Override
54.                         public void deserialize(ConsumerRecord<byte[], byte[]> record, Collector `<String>` out) throws IOException {
55.                             // 从ConsumerRecord中提取值（字节数组），并转为字符串
56.                             String value = new String(record.value(), StandardCharsets.UTF_8);
57.                             LOG.info("Received message: " + value);
58.                             out.collect(value); // 将反序列化后的数据收集到Flink流中
59.                         }
61. @Override
62.                         public TypeInformation`<String>` getProducedType() {
63.                             return TypeInformation.of(String.class);
64.                         }
65.                     })
66.                     // 从最早偏移量开始消费（这样即使没有新消息也会读取历史数据）
67.                     .setStartingOffsets(OffsetsInitializer.earliest())
68.                     .build();
70. // 4. 将Kafka Source添加到Flink流环境，并处理数据
71.             DataStream`<String>` kafkaStream = env.fromSource(
72.                     kafkaSourceDemo,
73.                     WatermarkStrategy.noWatermarks(), // 无水印（适用于无序数据场景）
74.                     "Kafka Source" // Source名称（用于监控）
75.             );
77. LOG.info("Kafka source created successfully");
79. // 5. 处理数据：将每条数据打印到日志（实际生产中可替换为写入数据库、消息队列等）
80.             kafkaStream.print("KafkaData");
81.             LOG.info("Flink Kafka Source Demo started.");
82.             // 6. 触发任务执行
83.             env.execute("Flink Kafka Source Demo");
85. }
86.     }

复制代码

3. 关键配置说明

• KafkaSource.Builder：新版Kafka Source的核心构建器，支持灵活配置；
  
• setDeserializer：指定反序列化方式,deserialize 接收Kafka的ConsumerRecord（包含键、值、偏移量等信息），提取值（record.value()）并反序列化为字符,getProducedType声明输出数据的类型（此处为String）；
  
• setStartingOffsets：控制消费起始位置（latest()从最新数据开始，earliest()从最早数据开始，生产环境常用OffsetsInitializer.committedOffsets()从上次提交的偏移量继续）；
  
• WatermarkStrategy：用于事件时间（Event Time）处理，示例中无时间窗口需求，故使用noWatermarks()；
  
• PrintSinkFunction：Flink内置的日志打印Sink（true表示打印完整上下文，包含Subtask信息）。
  

五、运行与测试

在WSL2的Ubuntu 环境中安装Kafka。
1. 安装Kafka服务

• 下载Kafka二进制包
  访问Apache Kafka官网，选择最新稳定版（如3.9.0），使用wget下载：
  1. wget https://mirrors.aliyun.com/apache/kafka/3.9.0/kafka_2.12-3.9.0.tgz

  复制代码
• 解压并配置环境变量
  1. # 解压到/opt/kafka（全局可访问）
  2. sudo mkdir -p /opt/kafka
  3. tar -zxvf kafka_2.12-3.9.0.tgz -C /opt/kafka --strip-components=1
  5. # 永久生效（编辑~/.bashrc）
  6. echo 'export KAFKA_HOME=/opt/kafka' >> /etc/profile
  7. echo 'export PATH=$KAFKA_HOME/bin:$PATH' >> /etc/profile
  8. source /etc/profile

  复制代码

2. 配置Kafka

Kafka的核心配置文件位于$KAFKA_HOME/config目录，需修改以下两个文件：
配置Kafka Broker（server.properties）
修改以下关键参数以适配WSL2环境：

1. # ==================== 核心角色与ID配置 ====================
2.     # 启用KRaft模式（默认已启用）
3.     # 单节点同时担任Broker和控制器
4.     process.roles=broker,controller
5.     # 节点唯一ID（单节点必须设为0）
6.     node.id=0
7.     # 控制器ID（与node.id一致，单节点唯一）
8.     controller.id=0
10.     # ==================== 监听端口配置 ====================
11.     # 全局监听端口（客户端读写请求）和控制器监听端口
12.     # 多个监听器使用逗号分隔，每个监听器都需要指定安全协议
13.     listeners=PLAINTEXT://0.0.0.0:9092,CONTROLLER://0.0.0.0:9093
15.     # 对外暴露的地址（Windows主机通过localhost访问）
16.     # 多个公布的监听器使用逗号分隔
17.     advertised.listeners=PLAINTEXT://localhost:9092,CONTROLLER://localhost:9093
19.     # 指定CONTROLLER监听器的安全协议
20.     listener.security.protocol.map=CONTROLLER:PLAINTEXT,PLAINTEXT:PLAINTEXT
22.     # 定义控制器监听器的名称（KRaft模式必需）
23.     controller.listener.names=CONTROLLER
25.     # ==================== ZooKeeper兼容配置（可选） ====================
26.     # 若需兼容旧客户端，可保留ZooKeeper配置（但KRaft模式无需ZooKeeper）
27.     # zookeeper.connect=localhost:2181
29.     # ==================== 日志与分区配置 ====================
30.     # 数据存储目录配置（Kafka的核心配置参数）
31.     # Kafka将主题数据、索引文件等存储在该目录下
32.     log.dirs=/opt/kafka/data
33.     num.partitions=1
34.     # 副本数（单节点设为1）
35.     default.replication.factor=1
36.     # 最小同步副本数（单节点设为1）
37.     min.insync.replicas=1
38.     # ==================== 日志存储高级配置 ====================
39.     # 日志保留时间（默认7天，生产环境根据存储容量和需求调整）
40.     # log.retention.hours=168
41.     # 或按大小限制保留（单位：字节）
42.     # log.retention.bytes=107374182400  # 100GB
44.     # 单个分区日志段大小（默认1GB，可根据实际需求调整）
45.     # log.segment.bytes=1073741824
47.     # 日志段检查和清理的时间间隔（默认300000ms=5分钟）
48.     # log.retention.check.interval.ms=300000
50.     # 控制是否自动创建主题（生产环境建议禁用，改为手动创建）
51.     # auto.create.topics.enable=false
53.     # ==================== 控制器引导配置 ====================
54.     # 控制器引导服务器（单节点指向自己，格式：host:port）
55.     # 与控制器监听端口一致
56.     controller.quorum.bootstrap.servers=localhost:9093
58.     # 控制器投票者配置（单节点设为0@localhost:9093）
59.     controller.quorum.voters=0@localhost:9093

复制代码

3.启动Kafka服务

3.1初始化KRaft存储目录（首次启动必需）

在KRaft模式下，需要先初始化元数据存储：

1. # 生成集群ID并保存到变量
2. CLUSTER_ID=$($KAFKA_HOME/bin/kafka-storage.sh random-uuid)
3. echo "生成的集群ID: $CLUSTER_ID"
5. # 使用生成的集群ID格式化存储目录$KAFKA_HOME/bin/kafka-storage.sh format -t $CLUSTER_ID -c $KAFKA_HOME/config/server.properties

复制代码

注意： 如果手动运行命令，请确保先执行生成集群ID的命令，然后使用实际生成的ID替换"$CLUSTER_ID"。
3.2启动Kafka Broker

1. # 启动Broker（日志输出到$KAFKA_HOME/logs/server.log）     $KAFKA_HOME/bin/kafka-server-start.sh -daemon $KAFKA_HOME/config/server.properties

复制代码

3.3验证服务状态

1. 检查Kafka Broker进程：
2.     ps -ef | grep kafka  # 应看到Kafka进程

复制代码

3.4创建测试主题

确保Kafka服务已启动，并创建测试主题 test_topic：

1. $KAFKA_HOME/bin/kafka-topics.sh --create --bootstrap-server localhost:9092 --replication-factor 1 --partitions 1 --topic test_topic

复制代码

3.5发送测试数据

使用Kafka内置的生产者工具发送测试消息到 test_topic：

1. # 启动Kafka生产者控制台
2.     $KAFKA_HOME/bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test_topic
4.     # 输入几条测试消息（每行一条）
5.     > hello flink
6.     > flink kafka integration
7.     > real-time data processing

复制代码

3.6运行Flink程序

在IDE中直接运行 KafkaSourceDemo类的 main方法，或通过Gradle构建并运行：

1. # 构建项目
2.     ./gradlew clean build
4.     # 运行Flink作业
5.     ./gradlew run

复制代码

3.7验证结果

成功运行后，你应该能在控制台看到类似如下输出：

六、进阶配置与优化

1. 消费语义保证

在生产环境中，为了确保数据一致性，需要配置Flink的检查点机制和Kafka偏移量提交策略：

1. // 1. 启用检查点
2.     env.enableCheckpointing(5000); // 每5秒做一次检查点
4.     // 2. 获取检查点配置对象（Flink 1.20.1及以上版本推荐方式）
5.     CheckpointConfig checkpointConfig = env.getCheckpointConfig();
7.     // 3. 配置检查点模式为EXACTLY_ONCE（精确一次语义）
8.     checkpointConfig.setMode(CheckpointingMode.EXACTLY_ONCE);
10.     // 4. 设置检查点超时时间
11.     checkpointConfig.setCheckpointTimeout(Duration.ofSeconds(60));
13.     // 4. 配置从上次提交的偏移量继续消费（生产环境推荐）
14.     .setStartingOffsets(OffsetsInitializer.committedOffsets(OffsetResetStrategy.EARLIEST))

复制代码

2. 并行度与资源配置

合理设置并行度可充分利用集群资源并提高吞吐量：

1. // 设置Flink作业的全局并行度
2.     env.setParallelism(3); // 与Kafka主题分区数匹配
4.     // 或单独设置Source的并行度
5.     KafkaSource`<String>` kafkaSource = KafkaSource.`<String>`builder()
6.         // ... 其他配置 ...
7.         .build();
9.     DataStream`<String>` stream = env.fromSource(
10.         kafkaSource,
11.         WatermarkStrategy.noWatermarks(),
12.         "Kafka Source")
13.         .setParallelism(3); // Source并行度

复制代码

3. 高级反序列化

除了基础的字符串反序列化，还可以使用更灵活的反序列化方式：
3.1 使用预定义反序列化器

1. // 使用Flink提供的String反序列化器     .setDeserializer(KafkaRecordDeserializationSchema.valueOnly(StringDeserializer.class))

复制代码

3.2 自定义POJO反序列化

如果Kafka消息是JSON格式，可以使用Jackson等库将其反序列化为POJO对象：

1. public class User {
2.         private String id;
3.         private String name;
4.         private int age;
5.         // getters, setters, constructors...
6.     }
8.     // 自定义POJO反序列化器
9.     .setDeserializer(new KafkaRecordDeserializationSchema`<User>`() {
10.         private final ObjectMapper mapper = new ObjectMapper();
12.     @Override
13.         public void deserialize(ConsumerRecord<byte[], byte[]> record, Collector`<User>` out) throws IOException {
14.             User user = mapper.readValue(record.value(), User.class);
15.             out.collect(user);
16.         }
18.     @Override
19.         public TypeInformation`<User>` getProducedType() {
20.             return TypeInformation.of(User.class);
21.         }
22.     })

复制代码

七、常见问题与解决方案

1. 连接超时问题

问题现象：程序启动后报 org.apache.kafka.common.errors.TimeoutException
解决方案：

• 检查Kafka服务是否正常运行：ps -ef | grep kafka
  
• 确认 bootstrap.servers配置正确，特别是在WSL2环境中确保端口映射正确
  
• 检查防火墙设置，确保9092端口开放
  

2. 数据消费不完整

问题现象：部分Kafka消息未被Flink消费
解决方案：

• 检查Kafka主题的分区数与Flink Source并行度是否匹配
  
• 确认 setStartingOffsets配置正确，生产环境建议使用 OffsetsInitializer.committedOffsets()
  
• 检查检查点机制是否正常启用，确保偏移量正确提交
  

3. 性能优化

对于高吞吐量场景，可以通过以下方式优化性能：

• 增加Kafka主题分区数（与Flink并行度匹配）
  
• 调大 fetch.max.bytes和 max.partition.fetch.bytes参数，增加单次拉取的数据量
  
• 启用增量检查点，减少检查点开销
  
• 使用 setUnboundedUsePreviousEventTimeWatermark()优化水印生成
  

八、总结与扩展

本文详细介绍了如何使用Flink从Kafka读取数据，包括环境准备、代码实现、运行测试以及进阶配置。通过本文的学习，你应该能够掌握Flink数据源的核心用法，为构建企业级实时数据处理应用打下坚实基础。
在实际应用中，Flink还支持多种其他数据源，如：

• 文件系统（HDFS、本地文件）
  
• 数据库（MySQL、PostgreSQL、MongoDB等）
  
• 消息队列（RabbitMQ、Pulsar等）
  
• 自定义数据源（通过实现 SourceFunction接口）
  

后续文章将继续深入探讨Flink的数据转换、窗口计算、状态管理等核心概念，敬请关注！
源文来自：http://blog.daimajiangxin.com.cn
源码地址：https://gitee.com/daimajiangxin/flink-learning

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！