Apache-Flink深度解析-DataStream-Connectors之Kafka

王知無發表於2019-03-18

Kafka 簡介

Apache Kafka是一個分散式釋出-訂閱訊息傳遞系統。它最初由LinkedIn公司開發，LinkedIn於2010年貢獻給了Apache基金會併成為頂級開源專案。Kafka用於構建實時資料管道和流式應用程式。它具有水平擴充套件性、容錯性、極快的速度，目前也得到了廣泛的應用。

Kafka不但是分散式訊息系統而且也支援流式計算，所以在介紹Kafka在Apache Flink中的應用之前，先以一個Kafka的簡單示例直觀瞭解什麼是Kafka。

安裝

本篇不是系統的，詳盡的介紹Kafka，而是想讓大家直觀認識Kafka，以便在Apahe Flink中進行很好的應用，所以我們以最簡單的方式安裝Kafka。

下載二進位制包

curl -L -O http://mirrors.shu.edu.cn/apache/kafka/2.1.0/kafka_2.11-2.1.0.tgz複製程式碼

解壓安裝
Kafka安裝只需要將下載的tgz解壓即可，如下：

jincheng:kafka jincheng.sunjc$ tar -zxf kafka_2.11-2.1.0.tgz 
jincheng:kafka jincheng.sunjc$ cd kafka_2.11-2.1.0
jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ ls
LICENSE        NOTICE        bin        config        libs        site-docs
複製程式碼

其中bin包含了所有Kafka的管理命令，如接下來我們要啟動的Kafka的Server。

啟動Kafka Server
Kafka是一個釋出訂閱系統，訊息訂閱首先要有個服務存在。我們啟動一個Kafka Server 例項。 Kafka需要使用ZooKeeper，要進行投產部署我們需要安裝ZooKeeper叢集，這不在本篇的介紹範圍內，所以我們利用Kafka提供的指令碼，安裝一個只有一個節點的ZooKeeper例項。如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/zookeeper-server-start.sh config/zookeeper.properties &

[2019-01-13 09:06:19,985] INFO Reading configuration from: config/zookeeper.properties (org.apache.zookeeper.server.quorum.QuorumPeerConfig)
....
....
[2019-01-13 09:06:20,061] INFO binding to port 0.0.0.0/0.0.0.0:2181 (org.apache.zookeeper.server.NIOServerCnxnFactory)複製程式碼

啟動之後，ZooKeeper會繫結2181埠（預設）。接下來我們啟動Kafka Server，如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-server-start.sh config/server.properties
[2019-01-13 09:09:16,937] INFO Registered kafka:type=kafka.Log4jController MBean (kafka.utils.Log4jControllerRegistration$)
[2019-01-13 09:09:17,267] INFO starting (kafka.server.KafkaServer)
[2019-01-13 09:09:17,267] INFO Connecting to zookeeper on localhost:2181 (kafka.server.KafkaServer)
[2019-01-13 09:09:17,284] INFO [ZooKeeperClient] Initializing a new session to localhost:2181. (kafka.zookeeper.ZooKeeperClient)
...
...
[2019-01-13 09:09:18,253] INFO [KafkaServer id=0] started (kafka.server.KafkaServer)複製程式碼

如果上面一切順利，Kafka的安裝就完成了。

建立Topic

Kafka是訊息訂閱系統，首先建立可以被訂閱的Topic，我們建立一個名為flink-tipic的Topic，在一個新的terminal中，執行如下命令：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic flink-tipic

Created topic "flink-tipic".複製程式碼

在Kafka Server的terminal中也會輸出如下成功建立資訊：

...
[2019-01-13 09:13:31,156] INFO Created log for partition flink-tipic-0 in /tmp/kafka-logs with properties {compression.type -> producer, message.format.version -> 2.1-IV2, file.delete.delay.ms -> 60000, max.message.bytes -> 1000012, min.compaction.lag.ms -> 0, message.timestamp.type -> CreateTime, message.downconversion.enable -> true, min.insync.replicas -> 1, segment.jitter.ms -> 0, preallocate -> false, min.cleanable.dirty.ratio -> 0.5, index.interval.bytes -> 4096, unclean.leader.election.enable -> false, retention.bytes -> -1, delete.retention.ms -> 86400000, cleanup.policy -> [delete], flush.ms -> 9223372036854775807, segment.ms -> 604800000, segment.bytes -> 1073741824, retention.ms -> 604800000, message.timestamp.difference.max.ms -> 9223372036854775807, segment.index.bytes -> 10485760, flush.messages -> 9223372036854775807}. (kafka.log.LogManager)
...複製程式碼

上面顯示了flink-topic的基本屬性配置，如訊息壓縮方式，訊息格式，備份數量等等。

除了看日誌，我們可以用命令顯示的查詢我們是否成功的建立了flink-topic，如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-topics.sh --list --zookeeper localhost:2181

flink-tipic複製程式碼

如果輸出flink-tipic，那麼說明我們的Topic成功建立了。

那麼Topic是儲存在哪裡？Kafka是怎樣進行訊息的釋出和訂閱的呢？為直觀，我們看如下Kafka架構示意圖簡單理解一下：

簡單介紹一下，Kafka利用ZooKeeper來儲存叢集資訊，也就是上面我們啟動的Kafka Server 例項，一個叢集中可以有多個Kafka Server 例項，Kafka Server叫做Broker，我們建立的Topic可以在一個或多個Broker中。Kafka利用Push模式傳送訊息，利用Pull方式拉取訊息。

傳送訊息

如何向已經存在的Topic中傳送訊息呢，當然我們可以API的方式編寫程式碼傳送訊息。同時，還可以利用命令方式來便捷的傳送訊息，如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-console-producer.sh --broker-list localhost:9092 --topic flink-topic
>Kafka test msg 
>Kafka connector複製程式碼

上面我們傳送了兩條訊息Kafka test msg 和 Kafka connector 到 flink-topic Topic中。

讀取訊息

如果讀取指定Topic的訊息呢？同樣可以API和命令兩種方式都可以完成，我們以命令方式讀取flink-topic的訊息，如下：

jincheng:kafka_2.11-2.1.0 jincheng.sunjc$ bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic flink-topic --from-beginning
Kafka test msg
Kafka connector複製程式碼

其中--from-beginning 描述了我們從Topic開始位置讀取訊息。

Flink Kafka Connector

前面我們以最簡單的方式安裝了Kafka環境，那麼我們以上面的環境介紹Flink Kafka Connector的使用。Flink Connector相關的基礎知識會在《Apache Flink 漫談系列(14) - Connectors》中介紹，這裡我們直接介紹與Kafka Connector相關的內容。

Apache Flink 中提供了多個版本的Kafka Connector，本篇以flink-1.7.0版本為例進行介紹。

mvn 依賴

要使用Kakfa Connector需要在我們的pom中增加對Kafka Connector的依賴，如下：

<dependency>
  <groupId>org.apache.flink</groupId>
  <artifactId>flink-connector-kafka_2.11</artifactId>
  <version>1.7.0</version>
</dependency>複製程式碼

Flink Kafka Consumer需要知道如何將Kafka中的二進位制資料轉換為Java / Scala物件。 DeserializationSchema允許使用者指定這樣的模式。為每個Kafka訊息呼叫 T deserialize（byte [] message）方法，從Kafka傳遞值。

Examples

我們示例讀取Kafka的資料，再將資料做簡單處理之後寫入到Kafka中。我們需要再建立一個用於寫入的Topic，如下：

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic flink-tipic-output複製程式碼

所以示例中我們Source利用flink-topic, Sink用slink-topic-output。

Simple ETL

我們假設Kafka中儲存的就是一個簡單的字串，所以我們需要一個用於對字串進行serialize和deserialize的實現，也就是我們要定義一個實現DeserializationSchema和SerializationSchema 的序列化和反序列化的類。因為我們示例中是字串，所以我們自定義一個KafkaMsgSchema實現類,然後在編寫Flink主程式。

KafkaMsgSchema - 完整程式碼

import org.apache.flink.api.common.serialization.DeserializationSchema;
import org.apache.flink.api.common.serialization.SerializationSchema;
import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.util.Preconditions;

import java.io.IOException;
import java.io.ObjectInputStream;
import java.io.ObjectOutputStream;
import java.nio.charset.Charset;

public class KafkaMsgSchema implements DeserializationSchema<String>, SerializationSchema<String> {
    private static final long serialVersionUID = 1L;
    private transient Charset charset;

    public KafkaMsgSchema() {
        // 預設UTF-8編碼
        this(Charset.forName("UTF-8"));
    }

    public KafkaMsgSchema(Charset charset) {
        this.charset = Preconditions.checkNotNull(charset);
    }

    public Charset getCharset() {
        return this.charset;
    }

    public String deserialize(byte[] message) {
        // 將Kafka的訊息反序列化為java物件
        return new String(message, charset);
    }

    public boolean isEndOfStream(String nextElement) {
        // 流永遠不結束
        return false;
    }

    public byte[] serialize(String element) {
       // 將java物件序列化為Kafka的訊息
        return element.getBytes(this.charset);
    }

    public TypeInformation<String> getProducedType() {
        // 定義產生的資料Typeinfo
        return BasicTypeInfo.STRING_TYPE_INFO;
    }

    private void writeObject(ObjectOutputStream out) throws IOException {
        out.defaultWriteObject();
        out.writeUTF(this.charset.name());
    }

    private void readObject(ObjectInputStream in) throws IOException, ClassNotFoundException {
        in.defaultReadObject();
        String charsetName = in.readUTF();
        this.charset = Charset.forName(charsetName);
    }
}
複製程式碼

主程式 - 完整程式碼

import org.apache.flink.api.common.functions.MapFunction;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.streaming.util.serialization.KeyedSerializationSchemaWrapper;

import java.util.Properties;

public class KafkaExample {
    public static void main(String[] args) throws Exception {
        // 使用者引數獲取
        final ParameterTool parameterTool = ParameterTool.fromArgs(args);
        // Stream 環境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // Source的topic
        String sourceTopic = "flink-topic";
        // Sink的topic
        String sinkTopic = "flink-topic-output";
        // broker 地址
        String broker = "localhost:9092";

        // 屬性引數 - 實際投產可以在命令列傳入
        Properties p = parameterTool.getProperties();
        p.putAll(parameterTool.getProperties());
        p.put("bootstrap.servers", broker);

        env.getConfig().setGlobalJobParameters(parameterTool);

        // 建立消費者
        FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>(
                sourceTopic,
                new KafkaMsgSchema(),
                p);
        // 設定讀取最早的資料
//        consumer.setStartFromEarliest();

        // 讀取Kafka訊息
        DataStream<String> input = env.addSource(consumer);


        // 資料處理
        DataStream<String> result = input.map(new MapFunction<String, String>() {
            public String map(String s) throws Exception {
                String msg = "Flink study ".concat(s);
                System.out.println(msg);
                return msg;
            }
        });

        // 建立生產者
        FlinkKafkaProducer producer = new FlinkKafkaProducer<String>(
                sinkTopic,
                new KeyedSerializationSchemaWrapper<String>(new KafkaMsgSchema()),
                p,
                FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);

        // 將資料寫入Kafka指定Topic中
        result.addSink(producer);

        // 執行job
        env.execute("Kafka Example");
    }
}
複製程式碼

執行主程式如下：

我測試操作的過程如下：

啟動flink-topic和flink-topic-output的消費拉取；
通過命令向flink-topic中新增測試訊息only for test;
通過命令列印驗證新增的測試訊息 only for test;
最簡單的FlinkJob source->map->sink 對測試訊息進行map處理："Flink study ".concat(s);
通過命令列印sink的資料；

#### 內建Schemas
Apache Flink 內部提供瞭如下3種內建的常用訊息格式的Schemas:

TypeInformationSerializationSchema (and TypeInformationKeyValueSerializationSchema) 它基於Flink的TypeInformation建立模式。如果資料由Flink寫入和讀取，這將非常有用。
JsonDeserializationSchema (and JSONKeyValueDeserializationSchema) 它將序列化的JSON轉換為ObjectNode物件，可以使用objectNode.get（“field”）作為（Int / String / ...）（）從中訪問欄位。 KeyValue objectNode包含“key”和“value”欄位，其中包含所有欄位以及可選的"metadata"欄位，該欄位公開此訊息的偏移量/分割槽/主題。
AvroDeserializationSchema 它使用靜態提供的模式讀取使用Avro格式序列化的資料。它可以從Avro生成的類（AvroDeserializationSchema.forSpecific（...））推斷出模式，或者它可以與GenericRecords一起使用手動提供的模式（使用AvroDeserializationSchema.forGeneric（...））

要使用內建的Schemas需要新增如下依賴：

 <dependency>
  <groupId>org.apache.flink</groupId>
  <artifactId>flink-avro</artifactId>
  <version>1.7.0</version>
</dependency>複製程式碼

讀取位置配置

我們在消費Kafka資料時候，可能需要指定消費的位置，Apache Flink 的FlinkKafkaConsumer提供很多便利的位置設定，如下：

consumer.setStartFromEarliest() - 從最早的記錄開始；
consumer.setStartFromLatest() - 從最新記錄開始；
consumer.setStartFromTimestamp(...); // 從指定的epoch時間戳（毫秒）開始；
consumer.setStartFromGroupOffsets(); // 預設行為，從上次消費的偏移量進行繼續消費。

上面的位置指定可以精確到每個分割槽，比如如下程式碼：

Map<KafkaTopicPartition, Long> specificStartOffsets = new HashMap<>();
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 0), 23L); // 第一個分割槽從23L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 1), 31L);// 第二個分割槽從31L開始
specificStartOffsets.put(new KafkaTopicPartition("myTopic", 2), 43L);// 第三個分割槽從43L開始

consumer.setStartFromSpecificOffsets(specificStartOffsets);複製程式碼

對於沒有指定的分割槽還是預設的setStartFromGroupOffsets方式。

Topic發現

Kafka支援Topic自動發現，也就是用正則的方式建立FlinkKafkaConsumer,比如：

// 建立消費者
FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<String>(            java.util.regex.Pattern.compile(sourceTopic.concat("-[0-9]")),
new KafkaMsgSchema(),
p);複製程式碼

在上面的示例中，當作業開始執行時，消費者將訂閱名稱與指定正規表示式匹配的所有Topic（以sourceTopic的值開頭並以單個數字結尾）。

定義Watermark(Window)

對Kafka Connector的應用不僅限於上面的簡單資料提取，我們更多時候是期望對Kafka資料進行Event-time的視窗操作，那麼就需要在Flink Kafka Source中定義Watermark。

要定義Event-time，首先是Kafka資料裡面攜帶時間屬性，假設我們資料是String#Long的格式，如only for test#1000。那麼我們將Long作為時間列。

KafkaWithTsMsgSchema - 完整程式碼
要想解析上面的Kafka的資料格式，我們需要開發一個自定義的Schema,比如叫KafkaWithTsMsgSchema，將String#Long解析為一個Java的Tuple2<String, Long>,完整程式碼如下：

import org.apache.flink.api.common.serialization.DeserializationSchema;
import org.apache.flink.api.common.serialization.SerializationSchema;
import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.typeutils.TupleTypeInfo;
import org.apache.flink.util.Preconditions;

import java.io.IOException;
import java.io.ObjectInputStream;
import java.io.ObjectOutputStream;
import java.nio.charset.Charset;

public class KafkaWithTsMsgSchema implements DeserializationSchema<Tuple2<String, Long>>, SerializationSchema<Tuple2<String, Long>> {
    private static final long serialVersionUID = 1L;
    private transient Charset charset;

    public KafkaWithTsMsgSchema() {
        this(Charset.forName("UTF-8"));
    }

    public KafkaWithTsMsgSchema(Charset charset) {
        this.charset = Preconditions.checkNotNull(charset);
    }

    public Charset getCharset() {
        return this.charset;
    }

    public Tuple2<String, Long> deserialize(byte[] message) {
        String msg = new String(message, charset);
        String[] dataAndTs = msg.split("#");
        if(dataAndTs.length == 2){
            return new Tuple2<String, Long>(dataAndTs[0], Long.parseLong(dataAndTs[1].trim()));
        }else{
            // 實際生產上需要丟擲runtime異常
            System.out.println("Fail due to invalid msg format.. ["+msg+"]");
            return new Tuple2<String, Long>(msg, 0L);
        }
    }

    @Override
    public boolean isEndOfStream(Tuple2<String, Long> stringLongTuple2) {
        return false;
    }

    public byte[] serialize(Tuple2<String, Long> element) {
        return "MAX - ".concat(element.f0).concat("#").concat(String.valueOf(element.f1)).getBytes(this.charset);
    }

    private void writeObject(ObjectOutputStream out) throws IOException {
        out.defaultWriteObject();
        out.writeUTF(this.charset.name());
    }

    private void readObject(ObjectInputStream in) throws IOException, ClassNotFoundException {
        in.defaultReadObject();
        String charsetName = in.readUTF();
        this.charset = Charset.forName(charsetName);
    }

    @Override
    public TypeInformation<Tuple2<String, Long>> getProducedType() {
        return new TupleTypeInfo<Tuple2<String, Long>>(BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.LONG_TYPE_INFO);
    }
}
複製程式碼

Watermark生成

提取時間戳和建立Watermark，需要實現一個自定義的時間提取和Watermark生成器。在Apache Flink 內部有2種方式如下:

AssignerWithPunctuatedWatermarks - 每條記錄都產生Watermark。
AssignerWithPeriodicWatermarks - 週期性的生成Watermark。
我們以AssignerWithPunctuatedWatermarks為例寫一個自定義的時間提取和Watermark生成器。程式碼如下：

import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.streaming.api.functions.AssignerWithPunctuatedWatermarks;
import org.apache.flink.streaming.api.watermark.Watermark;

import javax.annotation.Nullable;

public class KafkaAssignerWithPunctuatedWatermarks
        implements AssignerWithPunctuatedWatermarks<Tuple2<String, Long>> {
    @Nullable
    @Override
    public Watermark checkAndGetNextWatermark(Tuple2<String, Long> o, long l) {
        // 利用提取的時間戳建立Watermark
        return new Watermark(l);
    }

    @Override
    public long extractTimestamp(Tuple2<String, Long> o, long l) {
       // 提取時間戳
        return o.f1;
    }
}複製程式碼

主程式 - 完整程式
我們計算一個大小為1秒的Tumble視窗，計算視窗內最大的值。完整的程式如下：

import org.apache.flink.api.common.typeinfo.BasicTypeInfo;
import org.apache.flink.api.common.typeinfo.TypeInformation;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.api.java.typeutils.TupleTypeInfo;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer;
import org.apache.flink.streaming.util.serialization.KeyedSerializationSchemaWrapper;

import java.util.Properties;

public class KafkaWithEventTimeExample {
    public static void main(String[] args) throws Exception {
        // 使用者引數獲取
        final ParameterTool parameterTool = ParameterTool.fromArgs(args);
        // Stream 環境
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
        // 設定 Event-time
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);

        // Source的topic
        String sourceTopic = "flink-topic";
        // Sink的topic
        String sinkTopic = "flink-topic-output";
        // broker 地址
        String broker = "localhost:9092";

        // 屬性引數 - 實際投產可以在命令列傳入
        Properties p = parameterTool.getProperties();
        p.putAll(parameterTool.getProperties());
        p.put("bootstrap.servers", broker);

        env.getConfig().setGlobalJobParameters(parameterTool);
        // 建立消費者
        FlinkKafkaConsumer consumer = new FlinkKafkaConsumer<Tuple2<String, Long>>(
                sourceTopic,
                new KafkaWithTsMsgSchema(),
                p);

        // 讀取Kafka訊息
        TypeInformation<Tuple2<String, Long>> typeInformation = new TupleTypeInfo<Tuple2<String, Long>>(
                BasicTypeInfo.STRING_TYPE_INFO, BasicTypeInfo.LONG_TYPE_INFO);

        DataStream<Tuple2<String, Long>> input = env
                .addSource(consumer).returns(typeInformation)
                // 提取時間戳，並生產Watermark
                .assignTimestampsAndWatermarks(new KafkaAssignerWithPunctuatedWatermarks());

        // 資料處理
        DataStream<Tuple2<String, Long>> result = input
                .windowAll(TumblingEventTimeWindows.of(Time.seconds(1)))
                .max(0);

        // 建立生產者
        FlinkKafkaProducer producer = new FlinkKafkaProducer<Tuple2<String, Long>>(
                sinkTopic,
                new KeyedSerializationSchemaWrapper<Tuple2<String, Long>>(new KafkaWithTsMsgSchema()),
                p,
                FlinkKafkaProducer.Semantic.AT_LEAST_ONCE);

        // 將資料寫入Kafka指定Topic中
        result.addSink(producer);

        // 執行job
        env.execute("Kafka With Event-time Example");
    }
}複製程式碼

測試執行如下

簡單解釋一下，我們輸入數如下：

Msg	Watermark
E#1000000	1000000
A#3000000	3000000
B#5000000	5000000
C#5000100	5000100
E#5000120	5000120
A#7000000	7000000

我們看的5000000~7000000之間的資料，其中B#5000000, C#5000100和E#5000120是同一個視窗的內容。計算MAX值，按字串比較，最大的訊息就是輸出的E#5000120。

Kafka攜帶Timestamps

在Kafka-0.10+ 訊息可以攜帶timestamps，也就是說不用單獨的在msg中顯示新增一個資料列作為timestamps。只有在寫入和讀取都用Flink時候簡單一些。一般情況用上面的示例方式已經足夠了。

小結

本篇重點是向大家介紹Kafka如何在Flink中進行應用，開篇介紹了Kafka的簡單安裝和收發訊息的命令演示，然後以一個簡單的資料提取和一個Event-time的視窗示例讓大家直觀的感受如何在Apache Flink中使用Kafka。

你可能感興趣的文章：

後面會繼續更新更多實戰案例...

Apache-Flink深度解析-TableAPI
2019-03-21
ApacheAPI
Apache-Flink深度解析-概述
2019-03-11
Apache
Apache-Flink深度解析-SQL概覽
2019-03-19
ApacheSQL
Kafka深度解析（1）
2015-11-17
Kafka
詳細解析kafka之kafka分割槽和副本
2021-09-09
Kafka
Kafka Java API 之Producer原始碼解析
2015-11-20
KafkaJavaAPI原始碼
kafka 非同步雙活方案 mirror maker2 深度解析
2021-01-12
Kafka非同步
kafka原理解析
2019-05-08
Kafka
Kafka程式碼解析
2018-10-11
Kafka
spring原始碼深度解析— IOC 之自定義標籤解析
2019-07-05
Spring原始碼
Kafka 生產者解析
2022-05-18
Kafka
Kafka 消費者解析
2022-05-28
Kafka
spring原始碼深度解析— IOC 之 bean 建立
2019-07-08
Spring原始碼Bean
深度解析自然語言處理之篇章分析
2023-11-08
自然語言處理
CDH4/5配置檔案之深度解析
2016-05-31
spring原始碼深度解析— IOC 之預設標籤解析（上）
2019-07-03
Spring原始碼
spring原始碼深度解析— IOC 之預設標籤解析（下）
2019-07-04
Spring原始碼
Kafka設計解析（二）- Kafka High Availability
2018-02-04
KafkaAI
Kafka面試知識點深度剖析
2020-12-23
Kafka面試
深度解析HashMap
2021-12-22
HashMap
深度解析CNN
2016-10-14
CNN
深度解析Hashtable
2018-04-11
Session深度解析
2013-10-25
Session
Kafka設計解析（二）- Kafka High Availability （上）
2015-04-26
KafkaAI
spring原始碼深度解析— IOC 之屬性填充
2019-07-09
Spring原始碼
[Spring 深度解析]第5章 Spring之DAO
2020-12-23
Spring
Kafka聯結器深度解讀之錯誤處理和死信佇列
2019-04-10
Kafka佇列
Kafka學習（四）-------- Kafka核心之Producer
2019-08-06
Kafka
Kafka學習之（四）PHP操作Kafka
2018-01-17
KafkaPHP
Flutter原理深度解析
2019-09-06
Flutter
CAS原理深度解析
2019-03-15
深度解析跨域
2019-03-15
跨域
Spark深度解析（2）
2015-11-17
Spark
Kafka之ReplicaManager(1)
2015-12-15
Kafka
Spring Cloud Stream如何深度支援Apache Kafka？
2019-03-13
SpringCloudApacheKafka
Kafka學習（三）-------- Kafka核心之Cosumer
2019-07-25
Kafka
Kafka學習之（六）搭建kafka叢集
2018-02-15
Kafka
spring原始碼深度解析— IOC 之 bean 的初始化
2019-07-11
Spring原始碼Bean