python消费kafka数据批量插入到es的方法

1、es的批量插入

这是为了方便后期配置的更改，把配置信息放在logging.conf中

用elasticsearch来实现批量操作，先安装依赖包，sudo pip install Elasticsearch2

from elasticsearch import Elasticsearch
class ImportEsData:

logging.config.fileConfig("logging.conf")
 logger = logging.getLogger("msg")

def __init__(self,hosts,index,type):
   self.es = Elasticsearch(hosts=hosts.strip(',').split(','), timeout=5000)
   self.index = index
   self.type = type

def set_date(self,data):
   # 批量处理
   # es.index(index="test-index",doc_type="test-type",id=42,body={"any":"data","timestamp":datetime.now()})
   self.es.index(index=self.index,doc_type=self.index,body=data)

2、使用pykafka消费kafka

1.因为kafka是0.8，pykafka不支持zk，只能用get_simple_consumer来实现

2.为了实现多个应用同时消费而且不重消费，所以一个应用消费一个partition

3. 为是确保消费数据量在不满足10000这个批量值，能在一个时间范围内插入到es中，这里设置consumer_timeout_ms一个超时等待时间，退出等待消费阻塞。

4.退出等待消费阻塞后导致无法再消费数据，因此在获取self.consumer 的外层加入了while True 一个死循环

#!/usr/bin/python
# -*- coding: UTF-8 -*-
from pykafka import KafkaClient
import logging
import logging.config
from ConfigUtil import ConfigUtil
import datetime

class KafkaPython:
 logging.config.fileConfig("logging.conf")
 logger = logging.getLogger("msg")
 logger_data = logging.getLogger("data")

def __init__(self):
   self.server = ConfigUtil().get("kafka","kafka_server")
   self.topic = ConfigUtil().get("kafka","topic")
   self.group = ConfigUtil().get("kafka","group")
   self.partition_id = int(ConfigUtil().get("kafka","partition"))
   self.consumer_timeout_ms = int(ConfigUtil().get("kafka","consumer_timeout_ms"))
   self.consumer = None
   self.hosts = ConfigUtil().get("es","hosts")
   self.index_name = ConfigUtil().get("es","index_name")
   self.type_name = ConfigUtil().get("es","type_name")

def getConnect(self):
   client = KafkaClient(self.server)
   topic = client.topics[self.topic]
   p = topic.partitions
   ps={p.get(self.partition_id)}

self.consumer = topic.get_simple_consumer(
     consumer_group=self.group,
     auto_commit_enable=True,
     consumer_timeout_ms=self.consumer_timeout_ms,
     # num_consumer_fetchers=1,
     # consumer_id='test1',
     partitions=ps
     )
   self.starttime = datetime.datetime.now()

def beginConsumer(self):
   print("beginConsumer kafka-python")
   imprtEsData = ImportEsData(self.hosts,self.index_name,self.type_name)
   #创建ACTIONS
   count = 0
   ACTIONS = []

while True:
     endtime = datetime.datetime.now()
     print (endtime - self.starttime).seconds
     for message in self.consumer:
       if message is not None:
         try:
           count = count + 1
           # print(str(message.partition.id)+","+str(message.offset)+","+str(count))
           # self.logger.info(str(message.partition.id)+","+str(message.offset)+","+str(count))
           action = {
             "_index": self.index_name,
             "_type": self.type_name,
             "_source": message.value
           }
           ACTIONS.append(action)
           if len(ACTIONS) >= 10000:
             imprtEsData.set_date(ACTIONS)
             ACTIONS = []
             self.consumer.commit_offsets()
             endtime = datetime.datetime.now()
             print (endtime - self.starttime).seconds
             #break
         except (Exception) as e:
           # self.consumer.commit_offsets()
           print(e)
           self.logger.error(e)
           self.logger.error(str(message.partition.id)+","+str(message.offset)+","+message.value+"\n")
           # self.logger_data.error(message.value+"\n")
         # self.consumer.commit_offsets()

if len(ACTIONS) > 0:
       self.logger.info("等待时间超过，consumer_timeout_ms，把集合数据插入es")
       imprtEsData.set_date(ACTIONS)
       ACTIONS = []
       self.consumer.commit_offsets()

def disConnect(self):
   self.consumer.close()

from elasticsearch import Elasticsearch
from elasticsearch.helpers import bulk
class ImportEsData:

logging.config.fileConfig("logging.conf")
 logger = logging.getLogger("msg")

def __init__(self,hosts,index,type):
   self.es = Elasticsearch(hosts=hosts.strip(',').split(','), timeout=5000)
   self.index = index
   self.type = type

def set_date(self,data):
   # 批量处理
   success = bulk(self.es, data, index=self.index, raise_on_error=True)
   self.logger.info(success)

3、运行

if __name__ == '__main__':
 kp = KafkaPython()
 kp.getConnect()
 kp.beginConsumer()
 # kp.disConnect()

注：简单的写了一个从kafka中读取数据到一个list里，当数据达到一个阈值时，在批量插入到 es的插件

现在还在批量的压测中。。。

来源：https://blog.csdn.net/liagliang/article/details/78712475