Kafka connect属性partition.duration.ms和flush size之间的关系？

Question

有人可以解释一下下面配置中的partition.duration.ms和flushsize的意义吗？设置这些属性背后的想法应该是什么？

"connector.class": "io.confluent.connect.s3.S3SinkConnector",
  "s3.region": "eu-central-1",
  "partition.duration.ms": "1000",
  "topics.dir": "root_bucket",
  "flush.size": "10",
  "topics": "TEST_SRV",
  "tasks.max": "1",
  "s3.part.size": "5242880",
  "timezone": "UTC",
  "locale": "US",
  "key.converter.schemas.enable": "true",
  "format.class": "io.confluent.connect.s3.format.json.JsonFormat",
  "partitioner.class": "io.confluent.connect.storage.partitioner.TimeBasedPartitioner",
  "schema.generator.class": "io.confluent.connect.storage.hive.schema.DefaultSchemaGenerator",
  "value.converter.schemas.enable": "false",
  "value.converter": "org.apache.kafka.connect.json.JsonConverter",
  "storage.class": "io.confluent.connect.s3.storage.S3Storage",
  "s3.bucket.name": "events-dev-s3",
  "key.converter": "org.apache.kafka.connect.storage.StringConverter",
  "path.format": "'year'-YYYY/'month'-MM/'day'-dd/'hour'-HH",
  "timestamp.extractor": "RecordField",
  "timestamp.field": "event_data.created_at"

Answer 1

分区持续时间确定基于时间的分区器创建新“path.format”的频率。在您的情况下，1 秒的分区持续时间没有意义，因为您已将分区程序设置为仅每小时进行分区。您的意思是在 中包含分钟和秒吗path.format？如果没有，您应该使用 HourlyPartitioner 类。

那么刷新大小是任何给定文件中存在多少 Kafka 记录的上限

这些值背后的想法取决于主题的吞吐量以及在从 S3 而不是直接从 Kafka 读取记录之前您愿意容忍多少延迟。

请注意，您需要为每次 S3 扫描付费，因此更高的刷新率和更少的总体文件将有助于节省资金