Advanced Spring Boot 4: Event-Driven Architecture (Kafka) · Leçon

Traitement par flux avec KStream et KTable

Traitement par flux avec KStream et KTable est une leçon Advanced Spring Boot 4: Event-Driven Architecture (Kafka) gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Advanced Spring Boot 4: Event-Driven Architecture (Kafka), et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Advanced Spring Boot 4: Event-Driven Architecture (Kafka) comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

KStream & KTable Unveiled

Welcome! In Kafka Streams, KStream and KTable are your primary tools for processing data. They represent different views of your data in motion.

Think of them as two sides of the same coin, each suited for distinct stream processing tasks. Understanding their differences is key to building powerful stream applications.

KStream: Immutable Events

A KStream represents an infinite, immutable sequence of events. Each record in a KStream is a self-contained fact, an independent event that happened at a specific point in time.

It's like a transaction log: once an event is added, it's never changed.
Operations on a KStream produce new KStreams, leaving the original untouched.
It's ideal for processing individual events like clicks, sensor readings, or log entries.

Filtering KStream Events

One common KStream operation is filtering. You can selectively keep records that match certain criteria, creating a new KStream with only the relevant events.

Here's a simple example filtering messages that contain 'hello'.

import org.apache.kafka.common.serialization.Serdes;
import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.kstream.KStream;

import java.util.Properties;

public class Main {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(StreamsConfig.APPLICATION_ID_CONFIG, "filter-app");
        props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        props.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());
        props.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());

        StreamsBuilder builder = new StreamsBuilder();
        KStream<String, String> sourceStream = builder.stream("input-topic");

        KStream<String, String> filteredStream = sourceStream.filter(
            (key, value) -> value.contains("hello")
        );

        filteredStream.to("output-topic");

        KafkaStreams streams = new KafkaStreams(builder.build(), props);
        // In a real app, you'd start and manage this lifecycle:
        // streams.start();
        // Runtime.getRuntime().addShutdownHook(new Thread(streams::close));
        System.out.println("KStream filter setup complete. Send 'hello world' to input-topic!");
    }
}

Transforming KStream Values

The mapValues operation transforms the value of each record in a KStream, producing a new KStream with the modified values. The key remains unchanged.

This is useful for cleaning data, changing formats, or enriching information without altering the message's key.

import org.apache.kafka.common.serialization.Serdes;
import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.kstream.KStream;

import java.util.Properties;

public class Main {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(StreamsConfig.APPLICATION_ID_CONFIG, "mapvalues-app");
        props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        props.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());
        props.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());

        StreamsBuilder builder = new StreamsBuilder();
        KStream<String, String> sourceStream = builder.stream("input-topic");

        KStream<String, String> uppercasedStream = sourceStream.mapValues(
            value -> value.toUpperCase()
        );

        uppercasedStream.to("output-topic");

        KafkaStreams streams = new KafkaStreams(builder.build(), props);
        System.out.println("KStream mapValues setup complete. Send 'test' to input-topic!");
    }
}

KTable: A Materialized View

A KTable represents a changelog stream, where each record is an update to a specific key. It's essentially a materialized view of a table, reflecting the latest state for each key.

It's like a database table: keys have associated values, and new records for a key overwrite previous ones.
KTable is stateful, maintaining the latest value for each key over time.
It's perfect for aggregating data, maintaining counts, or storing user profiles.

KTable's Stateful Nature

The core idea behind a KTable is that it keeps track of the latest value for each unique key. When a new record with an existing key arrives, the KTable updates its internal state.

This makes KTable ideal for scenarios where you care about the current state of an entity, rather than every single event that led to that state.

KStream to KTable: Counting

You can transform a KStream into a KTable, typically to perform aggregations. A common example is counting occurrences of keys using groupByKey().count().

Each time a message arrives, the count for its key is updated, and the KTable emits the new total.

import org.apache.kafka.common.serialization.Serdes;
import org.apache.kafka.streams.KafkaStreams;
import org.apache.kafka.streams.StreamsBuilder;
import org.apache.kafka.streams.StreamsConfig;
import org.apache.kafka.streams.kstream.KStream;
import org.apache.kafka.streams.kstream.KTable;
import org.apache.kafka.streams.kstream.Materialized;

import java.util.Properties;

public class Main {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(StreamsConfig.APPLICATION_ID_CONFIG, "kstream-to-ktable-app");
        props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        props.put(StreamsConfig.DEFAULT_KEY_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());
        props.put(StreamsConfig.DEFAULT_VALUE_SERDE_CLASS_BY_DEFAULT, Serdes.String().getClass());

        StreamsBuilder builder = new StreamsBuilder();
        KStream<String, String> sourceStream = builder.stream("input-topic");

        KTable<String, Long> wordCounts = sourceStream
            .groupByKey() // Group by the existing key
            .count(Materialized.as("counts-store")); // Count occurrences, store in state

        wordCounts.toStream().to("output-topic"); // Convert back to stream to send out

        KafkaStreams streams = new KafkaStreams(builder.build(), props);
        System.out.println("KStream to KTable count setup. Send 'word' with key 'A' to input-topic!");
    }
}

KTable for Aggregation

KTables are excellent for continuous aggregation. Beyond simple counts, you can use operations like aggregate to maintain sums, averages, or custom aggregates over time.

This allows your application to always have an up-to-date summary of data for specific keys.

When to Use Which?

The choice between KStream and KTable depends on your processing needs:

Use KStream when you need to process individual events, react to every occurrence, or build a pipeline of transformations that don't depend on historical state. Think real-time alerts or event logging.
Use KTable when you need to maintain a current state, aggregate data over time, or join with other data sources based on the latest value. Think user profiles, stock prices, or aggregated metrics.

KStream vs. KTable Check

You've learned about KStream and KTable. Let's test your understanding.

KStream & KTable Recap

Great job! You've explored the core differences and uses of KStream and KTable.

KStream handles individual, immutable events, perfect for event-by-event processing.
KTable maintains a materialized view, tracking the latest state for each key, ideal for aggregations and stateful processing.

These two primitives are the foundation for building powerful and flexible stream processing applications with Kafka Streams.

Questions Fréquemment Posées

La leçon « Traitement par flux avec KStream et KTable » est-elle gratuite ?

Oui — le texte complet de « Traitement par flux avec KStream et KTable » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Advanced Spring Boot 4: Event-Driven Architecture (Kafka), passe à CoddyKit PRO. Le cours Advanced Spring Boot 4: Event-Driven Architecture (Kafka) comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Traitement par flux avec KStream et KTable » ?

Apprenez à utiliser KStream pour les flux d’événements immuables et KTable pour les vues de données avec état et actualisables, en réalisant des opérations comme le filtrage et la mise en corresponda… Tu pratiques Advanced Spring Boot 4: Event-Driven Architecture (Kafka) avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer Advanced Spring Boot 4: Event-Driven Architecture (Kafka) ?

Aucune expérience préalable n'est requise. Advanced Spring Boot 4: Event-Driven Architecture (Kafka) sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.

Combien de temps prend la leçon « Traitement par flux avec KStream et KTable » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon Advanced Spring Boot 4: Event-Driven Architecture (Kafka) ?

Oui. Chaque leçon Advanced Spring Boot 4: Event-Driven Architecture (Kafka) inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

Introduction à Kafka Streams
Traitement par flux avec KStream et KTable
Créer une application de flux simple
Fenêtrage et agrégations avec état dans Kafka Streams

← Retour à Advanced Spring Boot 4: Event-Driven Architecture (Kafka)