正式开源：使用Kafka FDW 加载数据到 Apache Cloudberry™

Apache Cloudberry™ (Incubating) 由 Greenplum Database 核心开发者创建，是一款领先且成熟的开源大规模并行处理（Massively Parallel Processing，MPP）数据库。它基于开源版的 Pivotal Greenplum Database® 衍生而来，但采用了更新的 PostgreSQL 内核，并具备更先进的企业级功能。Cloudberry 可以作为数据仓库使用，也很适合大规模分析和 AI/ML 工作负载。
GitHub: https://github.com/apache/cloudberry

Hi 社区小伙伴们！酷克数据 HashData 宣布推出 Apache Cloudberry 生态组件Kafka FDW。Kafka FDW 基于社区已有的 Kafka Foreign Data Wrapper for PostgreSQL（https://github.com/adjust/kafka_fdw），并针对 Apache Cloudberry 做了适配支持和优化。作为 Apache Cloudberry™ 开源社区的一员，酷克数据始终在为推动 Cloudberry 的生态完善贡献力量。Kafka FDW 新组件将进一步增强 Cloudberry 在大数据流处理方面的能力，帮助大家更高效地应对实时数据处理的挑战，并轻松实现高性能的数据库扩展解决方案。

GitHub 地址：https://github.com/cloudberry-contrib/kafka_fdw
使用文档：https://cloudberry.apache.org/zh/docs/data-loading/load-data-...

从 Kafka 加载数据入 Cloudberry

Cloudberry 提供了多种数据加载方案，支持本地文件、Web 服务等数据源，通过将外部数据转换为外部表，然后从这些外部表中读取或写入数据以实现外部数据的加载。
Apache Kafka 已成为许多企业数据流架构的核心，而如何将 Kafka 中的实时数据导入数据库，成为了一个常见的挑战。Kafka Foreign Data Wrapper（简称 Kafka FDW）解决了这个问题，提供了 Cloudberry 与 Apache Kafka 连接的能力，使得数据库可以直接从 Kafka 中读取数据，并将其作为外部表处理。Cloudberry 用户可以更高效、灵活、可靠地处理 Kafka 中的实时数据，从而提高数据处理能力和业务效率。

主要特点

• 直接从 Kafka 中读取数据：Cloudberry 用户可以轻松将 Kafka 中的数据加载到数据库中，并使用 SQL 查询进行处理。
• 高效灵活的数据处理：Kafka FDW 允许用户通过指定分区和偏移量来精准查询 Kafka 中的数据。
• 数据导入与生产功能：除了读取数据，Kafka FDW 还支持向外部表插入数据，使得 Cloudberry 用户可以同时充当 Kafka 消息的生产者。

基本使用

• 创建插件。
  postgres=# create extension kafka_fdw;
• 创建外部服务器，指定 Kafka 的集群地址。你需要将 localhost:9092 替换为你的 Kafka 集群地址。
  CREATE SERVER kafka_server
  FOREIGN DATA WRAPPER kafka_fdw
  OPTIONS (mpp_execute 'all segments', brokers 'localhost:9092');
  注：需要在语句中指定 mpp_execute 'all segments' 参数
• 创建 user mapping。
  CREATE USER MAPPING FOR PUBLIC SERVER kafka_server;

• 创建外部表
  创建外部表时，必须指定两个元数据信息列 partition 和 offset，用于标识 Kafka 中的一个 Topic 的消息所属的分区和偏移。下面是一个示例：
  CREATE FOREIGN TABLE kafka_test (
  part int OPTIONS (partition 'true'),
  offs bigint OPTIONS (offset 'true'),
  some_int int,
  some_text text,
  some_date date,
  some_time timestamp
  )
  SERVER kafka_server OPTIONS
  (format 'csv', topic 'contrib_regress_csv', batch_size '1000', buffer_delay '1000');
  参数说明：

  • batch_size：从 Kafka 读取一次数据的量。
  • buffer_delay：从 Kafka 获取数据的超时时间。
    支持的数据格式
    目前支持 CSV 和 JSON 两种数据格式。
    查询
    可以在查询的时候指定消息的分区和偏移，指定 partition 或 offset：
    SELECT * FROM kafka_test WHERE part = 0 AND offs > 1000 LIMIT 60;
    也可以指定多个条件：
    SELECT * FROM kafka_test WHERE (part = 0 AND offs > 100) OR (part = 1 AND offs > 300) OR (part = 3 AND offs > 700);
    消息生产者
    目前 Kafka FDW 支持向外表中插入数据，即作为了 Kafka 的消息生产者。只需要使用 INSERT 语句即可。
    INSERT INTO kafka_test(part, some_int, some_text)
    VALUES
    (0, 5464565, 'some text goes into partition 0'),
    (1, 5464565, 'some text goes into partition 1'),
    (0, 5464565, 'some text goes into partition 0'),
    (3, 5464565, 'some text goes into partition 3'),
    (NULL, 5464565, 'some text goes into partition selected by kafka');
    插入的时候可以指定 partition 表示插入到哪个分区。
    数据导入功能
    如果想要通过 kafka FDW 实现类似数据导入的功能，你可以通过自定义函数来实现，例如 insert into select 语句，基本原理是将外表中的所有数据依次取出来插入到目标表中。
    下面是一个简单的示例，你可以根据实际情况对此函数进行修改：
    CREATE OR REPLACE FUNCTION import_kafka_data(
    src_table_name text,
    dest_table_name text,
    dest_table_columns text[]
    ) RETURNS void AS $$

DECLARE

current_row RECORD;
current_part integer;
current_offs bigint;
max_off bigint;
import_progress_table_name text;
max_off_result bigint;

BEGIN

import_progress_table_name := src_table_name || '_import_progress';

-- 创建进度记录表
EXECUTE FORMAT('CREATE TABLE IF NOT EXISTS %I (part integer PRIMARY KEY, offs bigint NOT NULL)', import_progress_table_name);

-- 表的 topic 的 partition 数量有可能发生变化，所以每次导入前都要重新初始化
EXECUTE FORMAT('INSERT INTO %I SELECT DISTINCT part, 0 FROM %I ON CONFLICT (part) DO NOTHING', import_progress_table_name, src_table_name);

-- 逐个分区导入数据
FOR current_row IN
    EXECUTE FORMAT('SELECT part, offs FROM %I', import_progress_table_name)
LOOP
    current_part := current_row.part;
    current_offs := current_row.offs;

    -- 获取当前分区的最大 offset
    EXECUTE FORMAT('SELECT MAX(offs) FROM %I WHERE part = %s', src_table_name, current_part) INTO max_off_result;
    max_off := max_off_result;

    -- 没有新数据跳过
    IF max_off+1 = current_offs THEN
        CONTINUE;
    END IF;

    -- 导入数据
    EXECUTE FORMAT('
        INSERT INTO %I (%s)
        SELECT %s
        FROM %I
        WHERE part = %s AND offs >= %s AND offs <= %s',
        dest_table_name,
        array_to_string(dest_table_columns, ', '),
        array_to_string(dest_table_columns, ', '),
        src_table_name,
        current_part,
        current_offs,
        max_off
    );        

    -- 更新导入进度
    EXECUTE FORMAT('UPDATE %I SET offs = %s WHERE part = %s', import_progress_table_name, max_off + 1, current_part);
END LOOP;

RETURN;

END;
$$ LANGUAGE plpgsql;
执行的时候只需要调用这个函数，传入外表名称、目标表名称、需要导入的字段即可，如下：
SELECT import_kafka_data('kafka_test', 'dest_table_fdw', ARRAY['some_int', 'some_text', 'some_date', 'some_time']);
定时导入
如果想要一个定时任务后台执行导入数据，可以使用 Cloudberry 中的 Task 功能（v1.4.0 及之后版本可用），定期执行导入函数。
CREATE TASK import_kafka_data schedule '1 seconds' AS $$SELECT import_kafka_data('kafka_test', 'dest_table_fdw', ARRAY['some_int', 'some_text', 'some_date', 'some_time']);$$;
在上面的例子中，每秒调度一次导入数据的函数，这样就可以基本实现不间断的使用 FDW，将源外表中的数据导入到目标表中。

期待大家积极分享使用体验与意见建议！