Kafka Streams - 更新KTable上的聚合

Question

我有一个KTable ，其数据看起来像这样（key => value），其中key是客户ID，值是包含一些客户数据的小JSON对象：

1 => { "name" : "John", "age_group":  "25-30"}
2 => { "name" : "Alice", "age_group": "18-24"}
3 => { "name" : "Susie", "age_group": "18-24" }
4 => { "name" : "Jerry", "age_group": "18-24" }

我想对这个KTable进行一些聚合，并且基本上保留每个age_group的记录数。 所需的KTable数据如下所示：

"18-24" => 3
"25-30" => 1

让我们说Alice ，她在上面的18-24组，有一个生日，让她进入新的年龄组。 支持第一个KTable的状态存储现在应该如下所示：

1 => { "name" : "John", "age_group":  "25-30"}
2 => { "name" : "Alice", "age_group": "25-30"} # Happy Cake Day
3 => { "name" : "Susie", "age_group": "18-24" }
4 => { "name" : "Jerry", "age_group": "18-24" }

我希望得到的聚合KTable结果能够反映出这一点。 例如

"18-24" => 2
"25-30" => 2

我可能过度概括了这里描述的问题：

在Kafka Streams中没有最终聚合......根据您的使用情况，手动重复数据删除将是解决问题的一种方法“

但到目前为止我只能算出一个跑步总数，例如爱丽丝的生日会被解释为：

"18-24" => 3 # Old Alice record still gets counted here
"25-30" => 2 # New Alice record gets counted here as well

---

编辑：这是我注意到的一些额外行为似乎意外。

我正在使用的拓扑看起来像：

dataKTable = builder.table("compacted-topic-1", "users-json")
    .groupBy((key, value) -> KeyValue.pair(getAgeRange(value), key))
    .count("age-range-counts")

---

1）空状态

现在，从最初的空状态开始，一切看起来像这样：

compacted-topic-1
(empty)


dataKTable
(empty)


// groupBy()
Repartition topic: $APP_ID-age-range-counts-repartition
(empty)

// count()
age-range-counts state store
(empty)

---

2）发送几条消息

现在，让我们向compacted compacted-topic-1发送一条消息，该消息在上面作为KTable流传输。 这是发生的事情：

compacted-topic-1
3 => { "name" : "Susie", "age_group": "18-24" }
4 => { "name" : "Jerry", "age_group": "18-24" }

dataKTable
3 => { "name" : "Susie", "age_group": "18-24" }
4 => { "name" : "Jerry", "age_group": "18-24" }


// groupBy()
// why does this generate 4 events???
Repartition topic: $APP_ID-age-range-counts-repartition
18-24 => 3
18-24 => 3
18-24 => 4
18-24 => 4

// count()
age-range-counts state store
18-24 => 0

---

所以我想知道：

• 我正在尝试使用Kafka Streams 0.10.1或0.10.2做什么？ 我尝试过使用groupBy并count DSL，但也许我需要使用像reduce这样的东西？
• 另外，我在理解导致add reducer和subtract减速器被调用的情况时遇到了一些麻烦，因此任何这些点的任何澄清将不胜感激。

Answer 1

如果你有原始的KTable包含id -> Json数据（让我们称之为dataKTable ）你应该能够得到你想要的东西

KTable countKTablePerRange
    = dataKTable.groupBy(/* map your age-range to be the key*/)
                .count("someStoreName");

这适用于所有版本的Kafka Streams API。

更新

关于重新分区主题中的4个值：这是正确的。 对“base KTable ”的每次更新KTable记录“旧值”并记录“新值”。 这是正确更新下游KTable所必需的。 必须从一个计数中删除旧值，并且必须将新值添加到另一个计数中。 由于您的（计数） KTable可能是分布式的（即，在多个并行运行的应用程序实例上共享），因此两个记录（旧的和新的）可能最终会出现在不同的实例中，因为它们可能具有不同的密钥，因此它们必须作为两个独立的记录发送。 （记录格式应该比你在问题中显示的更复杂。）

这也解释了为什么你需要一个减法器和一个加法器。 减法器从agg结果中删除旧记录，而加法器将新记录添加到agg结果中。

仍然不确定为什么你没有在结果中看到正确的计数。 你运行了多少个实例？ 也许尝试通过在StreamsConfig设置cache.max.bytes.buffering=0来禁用KTable缓存。