如何分析Apache Pulsar的分层存储

这篇文章将为大家详细讲解有关如何分析Apache Pulsar的分层存储，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

在一些流数据用例场景中，用户希望将数据长时间存储在流中。虽然 Apache Pulsar 对 topic backlog 的大小没有限制，但将所有数据存储在 Pulsar 中较长时间，存储成本比较大。

下面介绍了 Apache Pulsar 的分层存储特性（在 2.1 及之后的版本可用），分层存储支持在不影响终端用户的条件下，将较旧的数据移动到长期存储中。

在推荐服务中，开发者不希望限制 backlog 的大小。以音乐服务为例，终端用户每听一首歌，就向 topic 中添加一条消息。使用这一 topic 训练推荐算法，根据终端用户听过的音乐推荐用户可能喜欢的音乐。然后，将计算结果推荐给用户，再循环这个过程。

推荐算法并非一成不变。音乐服务的数据科学家一直在不断优化推荐算法，以更好地预测用户喜欢的音乐，从而提高用户对推荐服务的满意度和参与度。

但是，如果每次修改算法时，都只运行修改时间点之后的用户数据，不仅预测的准确度会受到影响，判断算法的修改效果也会需要一段较长的时间。为了解决这一问题，算法需要尽可能多地运行用户历史数据。

Pulsar 允许用户存储任意大小的 topic backlog。当集群将要耗尽空间时，用户只需添加新的存储节点，系统将会自动重新平衡数据。但是，这样的操作运行一段时间后，运维成本十分昂贵。

Pulsar 通过提供分层存储（Apache Pulsar 2.1 起新增的特性）减少了成本/大小的损失。分层存储为用户提供大小不受限制的 backlog，且无需添加存储节点；卸载较旧的 topic 数据到长期存储中，长期存储的成本比在 Pulsar 集群中存储的成本低一个数量级。对于终端用户来说，消费存储在 Pulsar 集群或分层存储中的 topic 数据没有明显差别。位于 Pulsar 集群和分层存储中的 topic 生产和消费消息的方式也完全相同。

Pulsar 通过分片架构实现了分层存储。Pulsar topic 的消息日志由一系列分片组成。序列中的最后一个分片是 Pulsar 当前写入的分片。当前序列之前的所有分片都已封装，也就是说，这些分片中的数据不可变。由于数据不可变，因此可以轻易地将数据复制到另一个存储系统，而不必担心一致性的问题。复制完成后，可以立即更新消息日志元数据中的数据指针，并且可以删除 Pulsar 在 Apache BookKeeper 中存储的数据副本。

Pulsar 目前支持通过 Amazon S3、GCS（Google Cloud Storage）、Filesystem 进行长期存储。要使用 S3 进行分层存储，管理员需要先在 S3 中创建一个存储桶（bucket）；然后，用存储桶和创建存储桶的区域配置 broker。

managedLedgerOffloadDriver=S3s3ManagedLedgerOffloadRegion=eu-west-3s3ManagedLedgerOffloadBucket=pulsar-topic-offload

用户不直接在 Pulsar 中配置身份验证。Pulsar 使用的 `DefaultAWSCredentialsProviderChain` 可以在多个位置查找验证信息。

配置验证信息最简单的方式是在 pulsar-env.sh 中设置环境变量。

关于配置身份验证方法的更多信息，参阅分层存储文档：
http://pulsar.apache.org/docs/en/concepts-tiered-storage/

配置好所有 broker 后，就可以开始使用分层存储了。可以配置分层存储的数据卸载为自动运行，也可以手动触发。

管理员可以为命名空间设置大小阈值策略。配置大小阈值策略后，如果命名空间中的任一 topic 在 Pulsar 集群上的数据大小超过了阈值，topic 就会卸载分片到长期存储中，直到 Pulsar 集群上的数据大小在阈值之内。

例如，当 Pulsar 集群上的数据大小超过 1 GB 时，指定命名空间中的 topic 卸载分片，可以使用以下命令：

pulsar-admin namespaces set-offload-threshold --size 1G my-tenant/my-namespace

当命名空间中的任一 topic 超过阈值时，topic 将会移动数据至长期存储，释放 Pulsar 集群上的存储空间。

除了配置自动卸载数据外，还可以通过 REST 接口或命令行界面在单个 topic 上手动触发卸载操作。要通过命令行界面触发，用户必须指定在 Pulsar 集群上为 topic 保留的最大数据量。如果 Pulsar 集群上的 topic 数据大小超过了设置的阈值，则将此 topic 上的分片移动到长期存储中，直到 Pulsar 集群上的数据大小在阈值之内。移动数据时，先移动较旧的分片。

pulsar-admin topics offload --size-threshold 10M my-tenant/my-namespace/topic1

关于如何分析Apache Pulsar的分层存储就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。