在流式数据处理过程中，E-MapReduce经常需要在Kafka与其他系统间进行数据同步或者在Kafka集群间进行数据迁移。本节向您介绍如何在E-MapReduce上通过Kafka Connect快速的实现Kafka集群间的数据同步或者数据迁移。
前提条件
背景信息
Kafka Connect是一种可扩展的、可靠的，用于在Kafka和其他系统之间快速的进行流式数据传输的工具。例如，Kafka Connect可以获取数据库的binlog数据，将数据库数据同步至Kafka集群，从而达到迁移数据库数据的目的。由于Kafka集群可对接流式处理系统，所以还可以间接实现数据库对接下游流式处理系统的目的。同时，Kafka Connect还提供了REST API接口，方便您创建和管理Kafka Connect。
kafka Connect分为standalone和distributed两种运行模式。在standalone模式下，所有的worker都在一个进程中运行。相比于standalone模式，distributed模式更具扩展性和容错性，是最常用的方式，也是生产环境推荐使用的模式。
本文介绍如何在E-MapReduce上使用Kafka Connect的REST API接口在Kafka集群间进行数据迁移，kafka Connect使用distributed模式。
步骤一 创建Kafka集群
在EMR上创建源Kafka集群和目的Kafka集群。Kafka Connect安装在Task节点上，所以目的Kafka集群必须创建Task节点。集群创建好后，Task节点上Kafka Connect服务会默认启动，端口号为8083。
推荐您将源Kafka集群和目的kafka集群创建在同一个安全组下。如果源Kafka集群和目的kafka集群不在同一个安全组下，则两者的网络默认是不互通的，您需要对两者的安全组分别进行相关配置，以使两者的网络互通。
- 登录阿里云 E-MapReduce 控制台。
- 创建源Kafka集群和目的Kafka集群，详情请参见创建集群。
说明 创建目的Kafka集群时，必须开启Task实例，即创建Task节点。
步骤二 准备待迁移数据Topic
在源Kafka集群上创建一个名称为connect的Topic。
- 以SSH方式登录到源Kafka集群的header节点（本例为emr-header-1）。
- 以root用户运行如下命令创建一个名称为connect的Topic。
kafka-topics.sh --create --zookeeper emr-header-1:2181 --replication-factor 2 --partitions 10 --topic connect
说明 完成上述操作后，请保留该登录窗口，后续仍将使用。
步骤三 创建Kafka Connect的connector
在目的Kafka集群的Task节点上，使用curl命令通过JSON数据创建一个Kafka Connect的connector。
- 以SSH方式登录到目的Kafka集群的Task节点（本节为emr-worker-3）。
- 可选： 自定义Kafka Connect配置。
进入目的Kafka集群Kafka服务的配置页面，在connect-distributed.properties中自定义offset.storage.topic、config.storage.topic和status.storage.topic三个配置项，详情请参见组件参数配置。
Kafka Connect会将offsets、configs和任务状态保存在Topic中，Topic名对应offset.storage.topic、config.storage.topic和status.storage.topic三个配置项。Kafka Connect会自动使用默认的partition和replication factor创建这三个Topic，其中partition和repication factor配置项保存在/etc/ecm/kafka-conf/connect-distributed.properties文件中。
- 以root用户运行如下命令创建一个Kafka Connect。
curl -X POST -H "Content-Type: application/json" --data '{"name": "connect-test", "config": { "connector.class": "EMRReplicatorSourceConnector", "key.converter": "org.apache.kafka.connect.converters.ByteArrayConverter", "value.converter": "org.apache.kafka.connect.converters.ByteArrayConverter", "src.kafka.bootstrap.servers": "${src-kafka-ip}:9092", "src.zookeeper.connect": "${src-kafka-curator-ip}:2181", "dest.zookeeper.connect": "${dest-kafka-curator-ip}:2181", "topic.whitelist": "${source-topic}", "topic.rename.format": "${dest-topic}", "src.kafka.max.poll.records": "300" } }' http://emr-worker-3:8083/connectors在JSON数据中，name字段代表创建的Kafka Connect的名称，本例为connect-test；config字段需要根据实际情况进行配置，关键变量的说明如下：
说明 完成上述操作后，请保留该登录窗口，后续仍将使用。
步骤四 查看Kafka Connect和Task节点状态
查看Kafka Connect和Task节点信息，确保两者的状态正常。
- 返回到目的Kafka集群的Task节点（本节为emr-worker-3）的登录窗口。
- 以root用户运行如下命令查看所有的Kafka Connect。
curl emr-worker-3:8083/connectors
- 以root用户运行如下命令查看本例创建的Kafka Connect（本例为connect-test）的状态。
curl emr-worker-3:8083/connectors/connect-test/status
确保Kafka Connect（本例为connect-test）的状态为RUNNING。
- 以root用户运行如下命令查看Task节点信息。
curl emr-worker-3:8083/connectors/connect-test/tasks
确保Task节点的返回信息中无错误信息。
步骤五 生成待迁移数据
通过命令向源集群中的connect Topic发送待迁移的数据。
- 返回到源Kafka集群的header节点（本例为emr-header-1）的登录窗口。
- 以root用户运行如下命令向connect Topic发送数据。
kafka-producer-perf-test.sh --topic connect --num-records 100000 --throughput 5000 --record-size 1000 --producer-props bootstrap.servers=emr-header-1:9092
步骤六 查看数据迁移结果
生成待迁移数据后，Kafka Connect会自动将这些数据迁移到目的集群的相应文件（本例为connect.replica）中。
- 返回到目的Kafka集群的Task节点（本节为emr-worker-3）的登录窗口。
- 以root用户运行如下命令查看数据迁移是否成功。
kafka-consumer-perf-test.sh --topic connect.replica --broker-list emr-header-1:9092 --messages 100000
从上述返回结果可以看出，在源Kafka集群发送的100000条数据已经迁移到了目的kafka集群。
小结
本文介绍并演示了使用Kafka Connect在Kafka集群间进行数据迁移的方法。如果需要了解Kafka Connect更详细的使用方法，请参见Kafka官网资料和REST API。
阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区，定期推送精彩案例，技术专家直播，问答区数个Spark技术同学每日在线答疑，只为营造纯粹的Spark氛围，欢迎钉钉扫码加入！
对开源大数据和感兴趣的同学可以加小编微信（下图二维码，备注“进群”）进入技术交流微信群。
