A B C D E F G H I J K L M N O P Q R S T V W Y Z А Б В Г Е И К Л М О П С Т Ц

Kafka Connect

Kafka Connect

 

Kafka Connect это встроенный в Apache Kafka фреймворк интеграции, который переливает данные между кластером и внешними системами через готовые плагины-коннекторы. Source Connector забирает записи из внешней системы и кладёт их в топик, Sink Connector читает топик и отдаёт записи наружу. Разработчику при этом не нужен ни собственный Kafka Producer, ни Consumer: интеграция описывается конфигурационным файлом в формате JSON. Ретраи, офсеты, параллелизм и восстановление после сбоя уже реализованы внутри фреймворка.

Connect входит в дистрибутив Apache Kafka с версии 0.9 и остаётся штатным компонентом в актуальном релизе 4.3.0 от 22 мая 2026 года. Разберём, из чего он собран, где хранит состояние и где заканчивается зона его ответственности. Все числа и статусы ниже сняты с реального прогона на образе apache/kafka:4.3.0.

 

Что такое Kafka Connect и какие задачи он закрывает

По классу решений это интеграционный фреймворк с плагинной архитектурой. Сама платформа отвечает за жизненный цикл, распределение нагрузки, хранение состояния и отказоустойчивость, а логику чтения или записи приносит подключаемый коннектор. Kafka Connect работает как отдельный процесс рядом с кластером, а не внутри брокера, и общается с ним обычным клиентским протоколом.

Типовая задача такая. Есть операционная база и аналитический контур, между ними нужен поток данных, который переживает перезапуск и не теряет позицию чтения. Написать такой мост руками можно, но каждый новый источник означает новый сервис со своим деплоем, мониторингом и багами. Connect превращает эту работу в конфигурацию.

  • Подключение баз данных. JDBC-коннектор тянет строки по возрастающей колонке, а CDC-платформа Debezium читает журнал изменений и отдаёт события вставки, обновления и удаления.
  • Выгрузка в хранилища и поисковые движки. Elasticsearch, OpenSearch, ClickHouse, S3 и объектные хранилища Data Lake закрываются готовыми sink-плагинами.
  • Файловые системы и обмен с legacy-системами. Чтение каталогов, выгрузка в HDFS, приём файлов по расписанию.
  • Репликация между кластерами. MirrorMaker 2 построен поверх Connect и использует ту же механику worker и task.

Общий знаменатель у всех сценариев один: данные надо переложить из точки A в точку B, сохранив порядок и позицию чтения, и почти не трансформировать по дороге.

 

Архитектура Kafka Connect, worker, connector и task

В основе три сущности, и путать их не стоит, потому что каждая живёт на своём уровне.

  • Worker. JVM-процесс, который исполняет плагины. Это единица развёртывания и масштабирования: добавили worker, получили больше ресурсов под задачи.
  • Connector. Логическая единица конфигурации, экземпляр плагина. Сам он данные не двигает, а решает, как разбить работу на части, и порождает описания задач.
  • Task. Единица параллелизма. Именно task читает из источника или пишет в приёмник, и именно task распределяются по доступным worker.

Иерархия простая: worker исполняет task, task порождены connector. Этой цепочки достаточно, чтобы предсказать поведение кластера под нагрузкой.

Kafka Connect, распределение task по worker и хранение состояния в служебных топиках Kafka

 

 

 

Standalone и distributed режимы

Standalone это один процесс, конфигурация в файлах на диске, позиция чтения в локальном файле офсетов. Режим удобен для разработки, демонстраций и сбора логов с конкретной машины. Отказоустойчивости здесь нет: упал процесс, встал поток.

Distributed это боевой вариант. Несколько worker запускаются с одинаковым group.id и объединяются в группу тем же протоколом координации, что и обычные группы потребителей. Они сами договариваются, кто какие task исполняет, а при добавлении, остановке или падении узла запускают ребалансировку и перераспределяют нагрузку по оставшимся. Конфигурация подаётся не файлом, а через REST API, который по умолчанию слушает порт 8083.

 

Служебные топики конфигураций, офсетов и статусов

Distributed-кластер не хранит состояние на диске worker. Вместо этого он держит его в самой Kafka, в трёх служебных топиках с политикой уплотнения. Вот что показал прогон демо-стенда, где топики создавались настройками по умолчанию.

  • Топик конфигураций. На стенде это connect-configs, ровно одна партиция и cleanup.policy=compact. Здесь лежат конфигурации коннекторов и сгенерированные конфиги task, а однопартиционность обязательна, поскольку порядок изменений тут критичен.
  • Топик офсетов. На стенде connect-offsets, 25 партиций. Хранит позиции чтения source-коннекторов, причём в понятном виде: запись по ключу [orders-file-source,{filename=/data/orders.txt}] со значением {position:64}.
  • Топик статусов. На стенде connect-status, 5 партиций. Отсюда REST API отдаёт текущее состояние коннекторов и task.

Практическое следствие такое: worker в distributed-режиме почти не хранит состояния, и потерять узел не страшно. Потерять служебные топики, наоборот, означает потерять весь конвейер, поэтому фактор репликации у них в бою ставят не ниже трёх.

 

Apache Kafka для инженеров данных

Код курса
DEVKI
Ближайшая дата курса
7 декабря, 2026
Продолжительность
24 ак.часов
Стоимость обучения
76 800

 

Как данные проходят через конвейер Connect

Внутри фреймворка запись проходит несколько слоёв, и каждый настраивается отдельно. Схема ниже показывает полный маршрут в обе стороны.

Kafka Connect, путь записи от внешнего источника через топик Kafka во внешний приёмник

 

Ключевая деталь в том, что коннектор работает с данными как со структурой, а не с байтами. Превращение структуры в байты и обратно вынесено в отдельный слой, поэтому один и тот же плагин умеет отдавать и JSON, и Avro, и просто строку.

 

Converter и Single Message Transform

Конвертер (converter) отвечает за сериализацию. Он симметричен по обе стороны конвейера: source-коннектор отдаёт объект, конвертер превращает его в байты для топика, sink-коннектор получает объект обратно. Штатные варианты это JsonConverter, StringConverter и ByteArrayConverter, а Avro и Protobuf приезжают из экосистемы Schema Registry. В релизе 4.2.0 у JsonConverter появился параметр schema.content по KIP-1054, который позволяет задать схему снаружи и не таскать её в каждом сообщении.

Single Message Transform (SMT) это лёгкая обработка отдельной записи на лету: переименовать поле, замаскировать колонку, выбросить лишнее, подставить топик по значению поля. Трансформации собираются в цепочку и выполняются по порядку. На стенде цепочка из двух штатных трансформаций превратила плоскую строку в структуру с дополнительным полем, то есть Struct{line=order-1001;paid;1990,src=kafka-connect-demo}. Работает SMT строго по одной записи за раз, без состояния и без окон. Как только логика требует джойна двух потоков или агрегации за интервал, SMT перестаёт годиться и задача уходит в Kafka Streams или Flink.

 

Чем Source Connector отличается от Sink Connector

Оба типа плагинов используют одну инфраструктуру, но ведут себя по-разному в мелочах, которые всплывают уже на эксплуатации.

Характеристика Source Connector Sink Connector
Направление Внешняя система в Kafka Kafka во внешнюю систему
Аналог в клиентском API Producer Consumer
Где хранится позиция Служебный топик офсетов Connect Штатные офсеты группы потребителей
Чем ограничен параллелизм Логикой плагина, например числом таблиц или файлов Числом партиций топиков-источников
Типовой пример JDBC source, Debezium, FileStreamSource Elasticsearch sink, S3 sink, JDBC sink

Отсюда следует прикладной вывод: у sink-коннектора нет смысла задирать tasks.max выше суммарного числа партиций, лишние task останутся без работы. На стенде это видно буквально. Коннектор с tasks.max=5 на топике из трёх партиций поднял пять task, все пять отчитались состоянием RUNNING, а партиции в группе потребителей разобрали только три из них.

 

Apache Kafka: администрирование кластера

Код курса
KAFKA
Ближайшая дата курса
14 декабря, 2026
Продолжительность
24 ак.часов
Стоимость обучения
76 800

 

Ограничения и подводные камни

Connect часто пытаются использовать как полноценный ETL-инструмент, и это главная ошибка при внедрении. По факту он закрывает E и L, а T остаётся снаружи. Ниже то, обо что спотыкаются на практике.

  • Нет сложных преобразований. Джойны, агрегации, оконные функции и обогащение из другого потока фреймворком не поддерживаются вообще.
  • Статус RUNNING не означает работу. Пример с пятью task на трёх партициях выше как раз про это. Мониторить надо не только состояние коннектора, но и распределение партиций по task, иначе простаивающая половина конвейера выглядит здоровой.
  • Число task решает плагин, а не администратор. Параметр tasks.max это верхняя граница, а не требование. На стенде FileStreamSource с tasks.max=3 создал ровно один task, потому что делить один файл на части он не умеет.
  • Ребалансировка стоит времени. Перезапуск worker в distributed-кластере запускает перераспределение task, и на этот момент поток останавливается. Инкрементальная кооперативная ребалансировка сгладила проблему, но не убрала её.
  • Семантика доставки зависит от плагина. Exactly-once для source-коннекторов появилась в Kafka 3.3 по KIP-618, включается параметром exactly.once.source.support на каждом worker и требует поддержки со стороны конкретного коннектора. Для sink-стороны гарантия определяется идемпотентностью приёмника.
  • Переопределение клиентских настроек. Конфигурация коннектора умеет менять параметры клиента, включая учётные данные. В релизе 4.2.0 по KIP-1188 добавлена политика Allowlist, где администратор явно перечисляет разрешённые к переопределению ключи.

Ни один из пунктов не отменяет пользу фреймворка, но все они говорят об одном: Connect выбирают под задачу перекладывания данных, а не под задачу их обработки.

 

Когда брать Kafka Connect, а когда писать свой код

Первый довод за Connect это типовая интеграция, под которую есть живой плагин. Второй довод это количество: когда интеграций много, единый способ их эксплуатировать экономит больше, чем идеально написанный сервис под одну из них. Третий довод это состав команды. Конфиг читается и правится быстрее чужого кода, поэтому конвейер могут вести инженеры данных, а не разработчики.

Свой Producer или Consumer оправдан в обратных ситуациях. Нестандартный протокол источника, бизнес-логика внутри маршрута, требование к задержке, которое не переживает ребалансировку, или преобразования сложнее SMT. Устройство коннекторов изнутри разобрано в статье Под капотом Kafka Connect: источники, приемники и коннекторы. Работу с самой платформой, включая Apache Kafka целиком, разбирают руками на курсе Apache Kafka для инженеров данных.

 

Практика, запуск коннекторов через REST API

По традиции весь код используемый в статье выкладываем на наш GitHub репозиторий
Kafka Connect from airflow import DAG from airflow.operators.bash import BashOperator from datetime import datetime with DAG( dag_id="spark_submit_demo", start_date=datetime(2025, 1, 1), schedule="@daily", catchup=False ) as dag: run = BashOperator( task_id="run_job", bash_command="spark-submit app.py" ) GitHub code example Kafka Connect

Демо-стенд поднимает брокер в режиме KRaft и worker Connect из одного образа. Конфигурация worker задаёт адрес кластера, идентификатор группы, конвертеры и имена служебных топиков.

# конфигурация worker, прогнано на apache/kafka:4.3.0
bootstrap.servers=kafka:9092
# общий идентификатор группы worker, по нему они находят друг друга
group.id=connect-demo
key.converter=org.apache.kafka.connect.json.JsonConverter
value.converter=org.apache.kafka.connect.json.JsonConverter
# схема не едет внутри каждого сообщения
key.converter.schemas.enable=false
value.converter.schemas.enable=false
# три служебных топика, здесь живёт всё состояние кластера Connect
config.storage.topic=connect-configs
config.storage.replication.factor=1
offset.storage.topic=connect-offsets
offset.storage.partitions=25
status.storage.topic=connect-status
status.storage.partitions=5
listeners=HTTP://:8083
# путь до плагинов, в поставке Kafka это jar с коннекторами FileStream
plugin.path=/opt/kafka/libs/connect-file-4.3.0.jar

Сам коннектор создаётся POST-запросом на REST-эндпоинт worker. Конфигурация это JSON, где обязательны имя, класс плагина и верхняя граница числа task. Файл конфигурации из репозитория называется file_source.json.

# конфигурация source-коннектора, прогнано на apache/kafka:4.3.0
{
  "name": "orders-file-source",
  "config": {
    // класс плагина, он должен лежать в plugin.path на worker
    "connector.class": "org.apache.kafka.connect.file.FileStreamSourceConnector",
    // верхняя граница параллелизма, реальное число task решает коннектор
    "tasks.max": "3",
    "file": "/data/orders.txt",
    "topic": "demo_orders",
    "value.converter": "org.apache.kafka.connect.storage.StringConverter",
    "key.converter": "org.apache.kafka.connect.storage.StringConverter"
  }
}

Дальше конфигурация уходит на worker, а состояние проверяется тем же API. Порт 8083 это значение по умолчанию, оно задаётся параметром listeners.

# команды прогона, Apache Kafka 4.3.0, Docker Desktop 29.4.2
# создание коннектора из файла конфигурации
curl -s -X POST -H "Content-Type: application/json" \
  --data @connectors/file_source.json \
  http://localhost:8083/connectors

# состояние коннектора и всех его task
curl -s http://localhost:8083/connectors/orders-file-source/status

# перезапуск упавшей задачи с номером 0
curl -s -X POST http://localhost:8083/connectors/orders-file-source/tasks/0/restart

Ответ на POST приходит сразу, а поле tasks в нём пустое: конфигурация принята, но задачи ещё не розданы. Через несколько секунд статус наполняется. Ответ на запрос статуса содержит состояние самого коннектора и каждой task отдельно. Именно на это поле вешают мониторинг: коннектор числится работающим, пока часть его task висит в состоянии FAILED.

# реальный вывод прогона, apache/kafka:4.3.0, tasks.max в конфиге равен 3
{"name":"orders-file-source",
 "connector":{"state":"RUNNING","worker_id":"172.20.0.3:8083","version":"4.3.0"},
 "tasks":[{"id":0,"state":"RUNNING","worker_id":"172.20.0.3:8083","version":"4.3.0"}],
 "type":"source"}

Финальная проверка на стенде выглядела так. Worker перезапустили, и оба коннектора снова оказались в списке, хотя заново их никто не создавал. В файл источника дописали строку, в приёмнике стало шесть записей на шесть строк источника, без единого дубля. Конфигурация приехала из топика конфигураций, позиция чтения из топика офсетов.

 

Заключение

Kafka Connect закрывает узкую, но очень частую задачу: перекладывание данных между Kafka и внешними системами без написания кода под каждую пару. Плата за удобство это ограниченность преобразований и зависимость от качества стороннего плагина. В эксплуатации помогают три привычки. Держать в голове разделение на worker, connector и task. Помнить, что состояние конвейера живёт в служебных топиках Kafka. Проверять не только статус коннектора, но и реальное распределение партиций по task. С ними фреймворк ведёт себя предсказуемо.

 

Референсные ссылки