Kafka


概述

定义

Kafka 是一个分布式的基于发布/订阅模式的消息队列(Message Queue),主要应用于大数据实时处理领域。

消息队列

传统消息队列的应用场景


使用消息队列的好处

  1. 解耦

    允许你独立的扩展或修改两边的处理过程,只要确保它们遵守同样的接口约束。

  2. 可恢复性

    系统的一部分组件失效时,不会影响到整个系统。消息队列降低了进程间的耦合度,所以即使一个处理消息的进程挂掉,加入队列中的消息仍然可以在系统恢复后被处理。

  3. 缓冲

    有助于控制和优化数据流经过系统的速度,解决生产消息和消费消息的处理速度不一致的情况。

  4. 灵活性 & 峰值处理能力

    在访问量剧增的情况下,应用仍然需要继续发挥作用,但是这样的突发流量并不常见。如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力,而不会因为突发的超负荷的请求而完全崩溃。

  5. 异步通信

    很多时候,用户不想也不需要立即处理消息。消息队列提供了异步处理机制,允许用户把一个消息放入队列,但并不立即处理它。想向队列中放入多少消息就放多少,然后在需要的时候再去处理它们。


消息队列的两种模式

  1. 点对点模式(一对一,消费者主动拉取数据,消息收到后消息清除)

    消息生产者生产消息发送到Queue中,然后消息消费者从Queue中取出并且消费消息。消息被消费以后,queue 中不再有存储,所以消息消费者不可能消费到已经被消费的消息。Queue 支持存在多个消费者,但是对一个消息而言,只会有一个消费者可以消费。

  2. 发布订阅模式(一对多,消费者消费数据之后不会清除消息)

    消息生产者(发布)将消息发布到 topic 中,同时有多个消息消费者(订阅)消费该消息。和点对点方式不同,发布到 topic 的消息会被所有订阅者消费。


Kafka 基础架构

  1. Producer 消息生产者,就是向 kafka broker 发消息的客户端;

  2. Consumer 消息消费者,向 kafka broker 取消息的客户端;

  3. Consumer Group CG):消费者组,由多个 consumer 组成。消费者组内每个消费者负责消费不同分区的数据,一个分区只能由一个组内消费者消费;消费者组之间互不影响。所有的消费者都属于某个消费者组,即消费者组是逻辑上的一个订阅者

  4. *Broker *:一台 kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker可以容纳多个 topic。

  5. Topic 可以理解为一个队列,生产者和消费者面向的都是一个 topic

  6. Partition:为了实现扩展性,一个非常大的 topic 可以分布到多个 broker(即服务器)上,一个 topic 可以分为多个 partition,每个 partition 是一个有序的队列;

  7. Replica:副本,为保证集群中的某个节点发生故障时,该节点上的 partition 数据不丢失,且 kafka 仍然能够继续工作,kafka 提供了副本机制,一个 topic 的每个分区都有若干个副本,一个 leader 和若干个 follower

  8. leader:每个分区多个副本的“主”,生产者发送数据的对象,以及消费者消费数据的对象都是 leader。

  9. follower:每个分区多个副本中的“从”,实时从 leader 中同步数据,保持和 leader 数据的同步。leader 发生故障时,某个 follower 会成为新的 follower


Kafka 快速入门

安装部署

集群规划

hadoop2 hadoop3 hadoop4
zk zk zk
kafka kafka kafka

jar 包下载

http://kafka.apache.org/downloads.html


集群部署

  1. 解压安装包

    tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/
  2. 修改解压后的文件名称

    mv kafka_2.11-0.11.0.0/ kafka
  3. 在/opt/module/kafka 目录下创建 logs 文件夹

  4. 修改配置文件

    vi server.properties

    输入以下内容:

    #broker 的全局唯一编号,不能重复
    broker.id=0
    #删除 topic 功能使能
    delete.topic.enable=true
    #处理网络请求的线程数量
    num.network.threads=3
    #用来处理磁盘 IO 的现成数量
    num.io.threads=8
    #发送套接字的缓冲区大小
    socket.send.buffer.bytes=102400
    #接收套接字的缓冲区大小
    socket.receive.buffer.bytes=102400
    #请求套接字的缓冲区大小
    socket.request.max.bytes=104857600
    #kafka 运行日志存放的路径
    log.dirs=/opt/module/kafka/logs
    #topic 在当前 broker 上的分区个数
    num.partitions=1
    #用来恢复和清理 data 下数据的线程数量
    num.recovery.threads.per.data.dir=1
    #segment 文件保留的最长时间,超时将被删除
    log.retention.hours=168
    #配置连接 Zookeeper 集群地址
    zookeeper.connect=hadoop2:2181,hadoop3:2181,hadoop4:2181

    或者修改一下内容

    # A comma seperated list of directories under which to store log files
    log.dirs=/opt/module/kafka/logs
    
    # Zookeeper connection string (see zookeeper docs for details).
    # This is a comma separated host:port pairs, each corresponding to a zk
    # server. e.g. "127.0.0.1:3000,127.0.0.1:3001,127.0.0.1:3002".
    # You can also append an optional chroot string to the urls to specify the
    # root directory for all kafka znodes.
    zookeeper.connect=hadoop2:2181,hadoop3:2181,hadoop4:2181

    注意:这里的log.dirs=/opt/module/kafka/logs最好在kafka目录下新建一个data文件夹,填写log.dirs=/opt/module/kafka/data

    这个名字有一些歧义!!!

  5. 配置环境变量

    vi /etc/profile
    #KAFKA_HOME
    export KAFKA_HOME=/opt/module/kafka
    export PATH=$PATH:$KAFKA_HOME/bin
    source /etc/profile
  6. 分发安装包

    xsync ./kafka/

    注意:分发之后记得配置其他机器的环境变量

  7. 分别在 hadoop3 和 hadoop4 上修改配置文件/opt/module/kafka/config/server.properties中的 broker.id=1、broker.id=2

    注:broker.id 不得重复

  8. 启动集群

    依次在 hadoop2、hadoop3、hadoop4 节点上启动 kafka

    bin/kafka-server-start.sh -daemon config/server.properties
    bin/kafka-server-start.sh -daemon config/server.properties
    bin/kafka-server-start.sh -daemon config/server.properties

    不加-daemon就会在控制台阻塞

  9. 关闭集群

    bin/kafka-server-stop.sh stop
    bin/kafka-server-stop.sh stop
    bin/kafka-server-stop.sh stop
  10. kafka 群起脚本

    #! /bin/bash
    case $1 in 
    "start"){
    for i in hadoop2 hadoop3 hadoop4
    do
    echo "========== $i ==========" 
    ssh $i '/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties'
    done
    };;
    
    "stop"){
    for i in hadoop2 hadoop3 hadoop4
    do
    echo "========== $i ==========" 
    ssh $i '/opt/module/kafka/bin/kafka-server-stop.sh  /opt/module/kafka/config/server.properties'
    done
    };;
    
    esac
  11. 启动命令

    ./kafka.sh start

    我这里报了个错

    /opt/module/kafka/bin/kafka-run-class.sh: 第 258 行:exec: java: 未找到

    具体解决方法

    解决方案

    建立一个软连接(第一个文件名为你自己的jdk路径d):

    ln -s /opt/module/jdk1.8.0_144/bin/java /usr/bin/java

    修改好后就可以继续启动了!


Kafka 命令行操作

  1. 查看当前服务器中的所有 topic

    ./bin/kafka-topics.sh --zookeeper hadoop2:2181 --list
  2. 创建 topic

    # --topic 名字 --create --partitions 分区数 --replication-factor 副本数 
    ./bin/kafka-topics.sh --zookeeper hadoop2:2181 --create --topic first  --partitions 2 --replication-factor 2 

    看一下分区和副本的分布

  1. 删除 topic

    bin/kafka-topics.sh --zookeeper hadoop2:2181 --delete --topic first

    需要 server.properties 中设置 delete.topic.enable=true 否则只是标记删除。

  2. 查看某个 Topic 的详情

    bin/kafka-topics.sh --zookeeper hadoop2:2181 --describe --topic first

  3. 修改分区数

    bin/kafka-topics.sh --zookeeper hadoop2:2181 --alter --topic first --partitions 6
  4. 发送消息

     bin/kafka-console-producer.sh --broker-list hadoop2:9092 --topic first

    –broker-list参数指定了所使用的broker

  5. 消费消息

    bin/kafka-console-consumer.sh --zookeeper hadoop2:2181 --topic first
    bin/kafka-console-consumer.sh --bootstrap-server hadoop2:9092 --topic first
    bin/kafka-console-consumer.sh --bootstrap-server hadoop2:9092 --from-beginning --topic first

    对于老的消费者,由–zookeeper参数设置;对于新的消费者,由–bootstrap-server参数设置

    • 如果使用了–zookeeper参数,那么consumer的信息将会存放在zk之中

      查看的方法是使用./zookeeper-client,然后 ls /consumers/[group_id]/offsets/[topic]/[broker_id-part_id],这个是查看某个group_id的某个topic的offset:point_right: 可以看一下zk中存储的情况

    • 如果使用了–bootstrap-server参数,那么consumer的信息将会存放在kafka之中

    –from-beginning:会把主题中以往所有的数据都读取出来。



Kafka 架构深入

Kafka 工作流程

Kafka 中消息是以 topic 进行分类的,生产者生产消息,消费者消费消息,都是面向 topic的。

topic 是逻辑上的概念,而 partition 是物理上的概念,每个 partition 对应于一个 log 文件,该 log 文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该log 文件末端,且每条数据都有自己的 offset。消费者组中的每个消费者,都会实时记录自己消费到了哪个 offset,以便出错恢复时,从上次的位置继续消费。

注意:这里的log其实就是data文件夹中的数据。官方称为log,有点歧义,没办法。下面将不再赘述。


offset基本理解

kafka是顺序读写,具备很好的吞吐量。实现原理是每次生产消息时,都是往对应partition的文件中追加写入,而消息的被读取状态是由consumer来维护的所以每个partition中offset一般都是连续递增的(如果开启了压缩,因为对旧数据的merge会导致不连续)被读取的消息并不会删除,所以每次都是追加写入顺序读写,具备很好的吞吐量。

这也是为什么说kafka的broker是无状态的,整个过程中伴随由zookeeper的协调参与,一般是不同broker存储了不partition或副本数据,当存在多个副本时,从那个broker读取数据时由zookeeper决定的,一般会由一台kafka作为leader(被读取),如果该kafka不可用时,zookeeper切换到别的broker,因为broker在zookeeper上维护一个 /broker/ids/{id}的临时节点,如果kafka不可用,该节点也会被删除,kafka集群会根据该节点的信息,切换被读取的kafka 实现过程是 consumer在消费消息后,向broker中有个专门维护每个consumer的offset的topic生产一条消息,记录自己当前已读的消息的offset+1的值作为新的offset的消息。当然在旧版本的实现是在zookeeper上有个节点存放这个offset,当时后面考虑性能问题,kafka改到了topic里,同时可以自由配置使用zookeeper还是使用topic。

下图为zookeeper存放的部分信息

总体信息


文件存储机制

由于生产者生产的消息会不断追加到 log 文件末尾,为防止 log 文件过大导致数据定位效率低下,Kafka 采取了分片索引机制,将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下,该文件夹的命名规则为:topic 名称+分区序号。例如,first 这个 topic 有三个分区,则其对应的文件夹为 first-0,first-1,first-2。

00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log

index 和 log 文件以当前 segment 的第一条消息的 offset 命名。下图为 index 文件和 log文件的结构示意图。

“.index”文件存储大量的索引信息,“.log”文件存储大量的数据,索引文件中的元数据指向对应数据文件中 message 的物理偏移地址以及数据的大小。

讲下查找流程

  1. 根据offset首先进行二分查找快速找到指定的offset所在的index和log文件
  2. 查找相应的index文件,因为index中每条数据的大小是相同的,所以通过我们的offset和index文件的第一个偏移量可以快速定位到该offset在index文件中的位置(可以理解为:(offset-首偏移量)*每行数据大小),进而通过这行数据可以查找指定的log文件,获取数据。

顺序读写

Kafka 的 producer 生产数据,要写入到 log 文件中,写的过程是一直追加到文件末端,为顺序写。官网有数据表明,同样的磁盘,顺序写能到 600M/s,而随机写只有 100K/s。这与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间。


zero copy(零拷贝)

kafka之所以使用了文件存储还可以有这么高的吞吐量得益于他利用了操作系统的零拷贝技术,主要是利用Channel的transferTo方法
普通IO模式下(read,write),实际经过四次的文件内容复制

  1. 将磁盘文件数据,copy到操作系统内核缓冲区;
  2. 将内核缓冲区的数据,copy到应用程序的buffer;
  3. 将应用程序buffer中的数据,copy到socket发送缓冲区(属于操作系统内核);
  4. 将socket buffer的数据,copy到网卡,由网卡进行网络传输。

而在零拷贝技术下,只有两步

  1. 将磁盘文件数据读取到操作系统内核缓冲区
  2. 将内核缓冲区数据copy到网卡,由网卡进行网络传输

:point_right: 对于零拷贝感兴趣的可以看下这篇博文,有详细介绍


Kafka 生产者

分区策略

  1. 分区的原因

    • 方便在集群中扩展,每个 Partition 可以通过调整以适应它所在的机器,而一个 topic又可以有多个 Partition 组成,因此整个集群就可以适应任意大小的数据了;
    • 可以提高并发,因为可以以 Partition 为单位读写了。
  2. 分区的原则

    我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。

    1. 指明 partition 的情况下,直接将指明的值直接作为 partiton 值;

    2. 没有指明 partition 值但有 key 的情况下,将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值;

    3. 既没有 partition 值又没有 key 值的情况下,第一次调用时随机生成一个整数(后面每次调用在这个整数上自增),将这个值与 topic 可用的 partition 总数取余得到 partition 值,也就是常说的 round-robin 算法。


数据可靠性保证

为保证 producer 发送的数据,能可靠的发送到指定的 topic,topic 的每个 partition 收到producer 发送的数据后,都需要向 producer 发送 ack(acknowledgement 确认收到),如果producer 收到 ack,就会进行下一轮的发送,否则重新发送数据。

  1. 副本数据同步策略

    方案 优点 缺点
    半数以上完成同步,就发送 ack 延迟高 选举新的 leader 时,容忍 n 台节点的故障,需要 2n+1 个副本
    全部完成同步,才发送 选举新的 leader 时,容忍 n 台节点的故障,需要 n+1 个副本 延迟高

    Kafka 选择了第二种方案,原因如下:

    • 同样为了容忍 n 台节点的故障,第一种方案需要 2n+1 个副本,而第二种方案只需要 n+1个副本,而 Kafka 的每个分区都有大量的数据,第一种方案会造成大量数据的冗余。

    • 虽然第二种方案的网络延迟会比较高,但网络延迟对 Kafka 的影响较小。

  2. ISR(in-sync replicas set)

    采用第二种方案之后,设想以下情景:leader 收到数据,所有 follower 都开始同步数据,但有一个 follower,因为某种故障,迟迟不能与 leader 进行同步,那 leader 就要一直等下去,直到它完成同步,才能发送 ack。这个问题怎么解决呢?

    Leader 维护了一个动态的 in-sync replicas set (ISR),意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后,leader 就会给 follower 发送 ack。如果 follower长时间 未 向 leader 同 步 数 据(注:还有一种说法是-与leader副本同步滞后过多的副本被剔除(消息数量),现在基本不用这种了) , 则 该 follower 将 被 踢 出 ISR ,组成OSR(Out-Sync Relipcas), 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障之后,就会从 ISR 中选举新的 leader。

    AR=ISR+OSR

  3. ack 应答机制

    对于某些不太重要的数据,对数据的可靠性要求不是很高,能够容忍数据的少量丢失,所以没必要等 ISR 中的 follower 全部接收成功。

    所以 Kafka 为用户提供了三种可靠性级别,用户根据对可靠性和延迟的要求进行权衡,选择以下的配置。

    acks 参数配置:

    acks

    • 0:producer 不等待 broker 的 ack,这一操作提供了一个最低的延迟,broker 一接收到没有写入磁盘就已经返回,当 broker 故障时有可能丢失数据

    • 1:producer 等待 broker 的 ack,partition 的 leader 落盘成功后返回 ack,如果在 follower同步成功之前 leader 故障,那么将会丢失数据

    • -1(all):producer 等待 broker 的 ack,partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后,broker 发送 ack 之前,leader 发生故障,那么会造成数据重复

  1. 故障处理细节

    LEO:指的是每个副本最大的offset

    HW:指的是消费者能见到的最大的 offset,ISR队列中最小的 LEO。(Watermark:水印,水位标志)

    • follower 故障

      follower 发生故障后会被临时踢出 ISR,待该 follower 恢复后,follower 会读取本地磁盘记录的上次的 HW,并将 log 文件高于 HW 的部分截取掉,从 HW 开始向 leader 进行同步。等该 follower LEO 大于等于该 Partition HW,即 follower 追上 leader 之后,就可以重新加入 ISR 了。

    • leader 故障

      leader 发生故障之后,会从 ISR 中选出一个新的 leader,之后,为保证多个副本之间的数据一致性,其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉,然后从新的 leader同步数据。

    注意:这只能保证副本之间的数据一致性,并不能保证数据不丢失或者不重复(ACK和幂等性)。


Exactly Once 语义

将服务器的 ACK 级别设置为-1,可以保证 Producer 到 Server 之间不会丢失数据,即 At Least Once 语义。相对的,将服务器 ACK 级别设置为 0,可以保证生产者每条消息只会被发送一次,即 At Most Once 语义。

At Least Once 可以保证数据不丢失,但是不能保证数据不重复;相对的,At Least Once可以保证数据不重复,但是不能保证数据不丢失但是,对于一些非常重要的信息,比如说交易数据,下游数据消费者要求数据既不重复也不丢失,即 Exactly Once 语义。在 0.11 版本以前的 Kafka,对此是无能为力的,只能保证数据不丢失,再在下游消费者对数据做全局去重。对于多个下游应用的情况,每个都需要单独做全局去重,这就对性能造成了很大影响。

0.11 版本的 Kafka,引入了一项重大特性:幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据,Server 端都只会持久化一条。幂等性结合 At Least Once 语义,就构成了 Kafka 的 Exactly Once 语义。即:

At Least Once + 幂等性 = Exactly Once

要启用幂等性,只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID,发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对<PID, Partition, SeqNumber>做缓存,当具有相同主键的消息提交时,Broker 只会持久化一条。

但是 PID 重启就会变化,同时不同的 Partition 也具有不同主键,所以幂等性无法保证跨分区跨会话的 Exactly Once。


Kafka消费者

消费方式

consumer 采用 pull(拉)模式从 broker 中读取数据。

push(推)模式很难适应消费速率不同的消费者,因为消息发送速率是由 broker 决定的。它的目标是尽可能以最快速度传递消息,但是这样很容易造成 consumer 来不及处理消息,典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适当的速率消费消息。

pull 模式不足之处是,如果 kafka 没有数据,消费者可能会陷入循环中,一直返回空数据。针对这一点,Kafka 的消费者在消费数据时会传入一个时长参数 timeout,如果当前没有数据可供消费,consumer 会等待一段时间之后再返回,这段时长即为 timeout。


分区分配策略

一个 consumer group 中有多个 consumer,一个 topic 有多个 partition,所以必然会涉及到 partition 的分配问题,即确定那个 partition 由哪个 consumer 来消费。

Kafka 有两种分配策略,一是 RoundRobin,一是 Range。

  1. RoundRobin

    roundrobin策略针对于全局所有的topic和消费者,分配步骤如下:

    1. 消费者按照字典排序,例如C0, C1, C2… …,并构造环形迭代器。
    2. topic名称按照字典排序,并得到每个topic的所有分区,从而得到所有分区集合。
    3. 遍历第2步所有分区集合,同时轮询消费者。
    4. 如果轮询到的消费者订阅的topic不包括当前遍历的分区所属topic,则跳过;否则分配给当前消费者,并继续第3步。

例子:

3个Topic:T0(3个分区0, 1, 2), T1(两个分区0, 1), T2(4个分区0, 1, 2, 3);
3个consumer: C0订阅了[T0, T1], C1订阅了[T1, T2], C2订阅了[T2, T0];

roundrobin结果分配结果如下:
T0-P0分配给C0,T0-P1分配给C2,T0-P2分配给C0,
T1-P0分配给C1,T1-P1分配给C0,
T2-P0分配给C1,T2-P1分配给C2,T2-P2分配给C1,T0-P3分配给C2;

推算过程:

  1. 分区T0-P0,消费者C0,C0订阅了这个分区所在Topic即T0,所以T0-P0分配给C0;
    轮询到下一个分区T0-P1和下一个消费者C1;
  2. 分区T0-P1,消费者C1,C1没有订阅T0,取下一个消费者C2,C2订阅了T0,所以T0-P1分配给C2;
    轮询到下一个分区T0-P2和下一个消费者C0;
  3. 分区T0-P2,消费者C0,C0订阅了T0,所以T0-P2分配给C0;
    轮询到下一个分区T1-P0和下一个消费者C1;
  4. 分区T1-P0,消费者C1,C1订阅T1,所以T1-P0分配给C1;
  5. 以此类推即可。
  1. Range(默认)

    range策略针对于每个topic,各个topic之间分配时没有任何关联,分配步骤如下:

    1. topic(一个)下的所有有效分区平铺,例如P0, P1, P2, P3… …
    2. 消费者按照字典排序,例如C0, C1, C2
    3. 分区数除以消费者数,得到n
    4. 分区数对消费者数取余,得到m
    5. 消费者集合中,前m个消费者能够分配到n+1个分区,而剩余的消费者只能分配到n个分区。

    例子:

    如果有5个分区(P0, P1, P2, P3, P4),且订阅这个topic的消费者组有2个消费者(C0, C1)。那么P0, P1, P2将被C0消费,P3, P4将被C1消费。
    如果有4个分区(P0, P1, P2, P3),且订阅这个topic的消费者组有2个消费者(C0, C1)。那么P0, P1将被C0消费,P3, P4将被C1消费。

    range策略会把无法整除的剩余分区,分配给前面几个消费者,而且每个topic都会如此。这样的话,topic越多,前面几个消费者可能承受的压力就越大。range的弊端还是非常明显的。


offset 的维护

由于 consumer 在消费过程中可能会出现断电宕机等故障,consumer 恢复后,需要从故障前的位置的继续消费,所以 consumer 需要实时记录自己消费到了哪个 offset,以便故障恢复后继续消费。

Kafka 0.9 版本之前,consumer 默认将 offset 保存在 Zookeeper 中,从 0.9 版本开始,consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中,该 topic 为__consumer_offsets

  1. 修改配置文件 consumer.properties

    exclude.internal.topics=false
  2. 读取 offset

    • 0.11.0.0 之前版本

      bin/kafka-console-consumer.sh --topic first --zookeeper hadoop2:2181 --formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning
    • 0.11.0.0 之后版本(含):

      bin/kafka-console-consumer.sh --topic first -zookeeper hadoop2:2181 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

消费者组案例

  1. 需求:测试同一个消费者组中的消费者,同一时刻只能有一个消费者消费。

  2. 案例实操

    • 在 hadoop3、hadoop4 上修改/opt/module/kafka/config/consumer.properties 配置文件中的 group.id 属性为任意组名。

      # 初始值:group.id=test-consumer-group
      group.id=first_cm_1_group
    • 在 hadoop3、hadoop4、hadoop2 上分别启动消费者

      bin/kafka-console-consumer.sh --zookeeper hadoop2:2181 --topic first --consumer.config  config/consumer.properties
      bin/kafka-console-consumer.sh --zookeeper hadoop2:2181 --topic first --consumer.config  config/consumer.properties
      bin/kafka-console-consumer.sh --zookeeper hadoop2:2181 --topic first

      hadoop3和hadoop4一组

      hadoop2一组

    • 再创建一个窗口,在 hadoop2 上启动生产者

      bin/kafka-console-producer.sh --broker-list hadoop2:9092 --topic first
    • 发送消息查看结果

    • 此时查看一下zk中的consumer

      test-consumer-group是我们的默认值

      console-consumer-15711是临时的


Zookeeper在Kafka中的作用

Kafka 集群中有一个 broker 会被选举为 Controller,负责管理集群 broker 的上下线,所有 topic 的分区副本分配和 leader 选举等工作。

Controller 的管理工作都是依赖于 Zookeeper 的。

以下为 partition 的 leader 选举过程:


事务

Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上,生产和消费可以跨分区和会话,要么全部成功,要么全部失败。

Producer事务

为了实现跨分区跨会话的事务,需要引入一个全局唯一的 Transaction ID,并将 Producer获得的PID 和Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 TransactionID 获得原来的 PID。

为了管理 Transaction,Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。TransactionCoordinator 还负责将事务所有写入 Kafka 的一个内部 Topic,这样即使整个服务重启,由于事务状态得到保存,进行中的事务状态可以得到恢复,从而继续进行。

Consumer事务

上述事务机制主要是从 Producer 方面考虑,对于 Consumer 而言,事务的保证就会相对较弱,尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息,而且不同的 Segment File 生命周期不同,同一事务的消息可能会出现重启后被删除的情况。



Kafka API

Producer API

消息发送流程

Kafka 的 Producer 发送消息采用的是异步发送的方式。在消息发送的过程中,涉及到了两个线程——main 线程和 Sender 线程,以及一个线程共享变量——RecordAccumulator。main 线程将消息发送给 RecordAccumulator,Sender 线程不断从 RecordAccumulator 中拉取=消息发送到 Kafka broker。

相关参数:

batch.size:只有数据积累到 batch.size 之后,sender 才会发送数据。

linger.ms:如果数据迟迟未达到 batch.size,sender 等待 linger.time 之后就会发送数据


异步发送 API

  1. 导入依赖

    <dependency>
        <groupId>org.apache.kafka</groupId>
        <artifactId>kafka-clients</artifactId>
        <version>0.11.0.0</version>
    </dependency>
  2. 编写代码

    需要用到的类:

    • KafkaProducer:需要创建一个生产者对象,用来发送数据

    • ProducerConfig:获取所需的一系列配置参数

    • ProducerRecord:每条数据都要封装成一个 ProducerRecord 对象

    package top.codekiller.kafka.producer;
    
    import org.apache.kafka.clients.producer.KafkaProducer;
    import org.apache.kafka.clients.producer.Producer;
    import org.apache.kafka.clients.producer.ProducerRecord;
    import java.util.Properties;
    
    /**
     * @author codekiller
     * @date 2020/10/28 17:17
     * @Description 生产者
     */
    public class MyProducer {
        public static void main(String[] args) {
            //1. 创建Kafka生产者的配置信息
            Properties props = new Properties();
    
            //2. 指定连接的kafka信息
            props.put("bootstrap.servers","hadoop2:9092");
    
            //3. ACK应答级别
            props.put("acks", "all");
    
            //4. 重试次数
            props.put("retries", 3);
    
            //5. 批次大小
            props.put("batch.size", 16384);
    
            //6. 等待时间
            props.put("linger.ms", 1);
    
            //7.RecordAccumulator 缓冲区大小
            props.put("buffer.memory", 33554432);
    
            props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
            props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    
            //8. 创建生产者
            Producer<String, String> producer = new KafkaProducer<>(props);
    
            //9. 发送数据
            for(int i=0;i < 100;i++) {
                producer.send(new ProducerRecord<String, String>("first", "-----codekiller--"+i+"-----"));
            }
    
            //10. 关闭资源
            producer.close();
    
        }
    }
    

    注意:这里需要注意的一点是,连接kafka的时候(即填写bootstrap.servers配置的时候),一定要用我们的域名访问,使用IP会连接不上!!!

    开启一个消费者进行测试


  • 上述代码也可以修改为(使用自带类中的常量代替我们手动编写配置名称,我在想如果某些配置的参数再来个枚举供我们选择是不是更香(xpc!!));

    package top.codekiller.kafka.producer;
    
    import org.apache.kafka.clients.producer.KafkaProducer;
    import org.apache.kafka.clients.producer.Producer;
    import org.apache.kafka.clients.producer.ProducerConfig;
    import org.apache.kafka.clients.producer.ProducerRecord;
    
    import java.util.Properties;
    
    /**
     * @author codekiller
     * @date 2020/10/28 17:17
     * @Description 生产者
     */
    public class MyProducer {
        public static void main(String[] args) {
            //1. 创建Kafka生产者的配置信息
            Properties props = new Properties();
    
            //2. 指定连接的kafka信息
            props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
    
            //3. ACK应答级别
            props.put(ProducerConfig.ACKS_CONFIG, "all");
    
            //4. 重试次数
            props.put(ProducerConfig.RETRIES_CONFIG, 3);
    
            //5. 批次大小
            props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
    
            //6. 等待时间
            props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
    
            //7.RecordAccumulator 缓冲区大小
            props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
    
    
      props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
      props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");

      //8. 创建生产者
      Producer<String, String> producer = new KafkaProducer<>(props);

      //9. 发送数据
      for(int i=0;i < 100;i++) {
          producer.send(new ProducerRecord<String, String>("first", "-----codekiller--"+i+"-----"));
      }

      //10. 关闭资源
      producer.close();

  }

}


部分常量:

![](https://img-blog.csdnimg.cn/20201029165134667.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NzY2ODgz,size_16,color_FFFFFF,t_70#pic_center)

<br/>





#### 带回调函数的生产者

```java
package top.codekiller.kafka.producer;

import org.apache.kafka.clients.producer.*;

import java.util.Properties;

/**
 * @author codekiller
 * @date 2020/10/29 16:24
 * @Description 带回调的生产者
 */
public class CallBackProducer {
  public static void main(String[] args) {
      //1. 创建配置信息
      Properties properties = new Properties();
      properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
      properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer");
      properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer");

      //2. 创建生产者
      KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);

      //3. 发送数据
      for(int i=0;i<10;i++){
          producer.send(
              new ProducerRecord<String, String>("first", "-----codekiller--" + i + "-----"), new Callback() {
                  @Override
                  public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                      if(e == null){
                          System.out.println(recordMetadata.partition()+"-----"+recordMetadata.offset());
                      }else{
                          e.printStackTrace();
                      }
                  }
              });
      }

      //4. 关闭资源
      producer.close();
  }
}

启动消费者:

bin/kafka-console-consumer.sh --bootstrap-server hadoop2:9092 --topic first

获取的数据:

控制台打印信息:

思考一件事情,为什么消费者获取的数据是从1开始的,并且只接受到了五条?

该消费者其实只消费在1分区中的数据,我的消息既没有指定分区,也没有设置key值,默认就是采用轮询的方式将消息存储到不同的分区中。我使用的topic只有2个分区,所以10条数据对半分,就是一个分区5条。

还有就是分区的计数是从0开始的,所以我们当前的消费者所获取消息的分区(1)是第二个分区,第一条数据也就是1(0这消息已经放到分区0中了)。


消息指定分区的生产者

在上述代码的基础上:

//1. 指定分区了,则按指定的分区;
//2. 指定key值了,则按key的hash值取余来确定分区
//3. 默认,则是进行轮询的方式
new ProducerRecord<String, String>("first", 1,"codekiller"+i,"-----codekiller--" + i + "-----"), new Callback() {


消息带key值的生产者

在上述代码的基础上进行修改:

//1. 指定分区了,则按指定的分区;
//2. 指定key值了,则按key的hash值取余来确定分区
//3. 默认,则是进行轮询的方式
new ProducerRecord<String, String>("first","codekiller"+ Math.random()*100,"-----codekiller--" + i + "-----"), new Callback() {


同步发送 API

同步发送的意思就是,一条消息发送之后,会阻塞当前线程,直至返回 ack。

由于 send 方法返回的是一个 Future 对象,根据 Futrue 对象的特点,我们也可以实现同

步发送的效果,只需在调用 Future 对象的 get 方发即可。

package top.codekiller.kafka.producer;

import org.apache.kafka.clients.producer.*;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
import java.util.concurrent.Future;

/**
 * @author codekiller
 * @date 2020/10/29 17:17
 * @Description 同步发送
 */
public class SyncProducer {
    public static void main(String[] args) {
        //1. 创建配置文件
        Properties properties = new Properties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer");
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer");

        //2. 创建生产者
        Producer<String, String> producer = new KafkaProducer<String, String>(properties);

        for(int i=0;i<10;i++){
            //            Future<RecordMetadata> future = producer.send(new ProducerRecord<String, String>("first", "-----codekiller--" + i + "-----"));
            //            RecordMetadata record = future.get();
            try {
                RecordMetadata record = producer.send(new ProducerRecord<String, String>("first", "-----codekiller--" + i + "-----")).get();
                System.out.println(record.partition()+"-----"+record.offset()+"-----"+record.timestamp());
            } catch (InterruptedException e) {
                e.printStackTrace();
            } catch (ExecutionException e) {
                e.printStackTrace();
            }
        }
    }
}

从控制台打印的结果中可以看出,每个消息发送成功后需要经过一段时间才能再次发送一条消息。发送完一条消息就会进入阻塞,直到收到响应才继续发送下一条消息。



Consumer API

Consumer 消费数据时的可靠性是很容易保证的,因为数据在 Kafka 中是持久化的,故不用担心数据丢失问题。

由于 consumer 在消费过程中可能会出现断电宕机等故障,consumer 恢复后,需要从故障前的位置的继续消费,所以 consumer 需要实时记录自己消费到了哪个 offset,以便故障恢复后继续消费。

所以 offset 的维护是 Consumer 消费数据是必须考虑的问题。


自动提交 offset

需要用到的类:

  • KafkaConsumer:需要创建一个消费者对象,用来消费数据

  • ConsumerConfig:获取所需的一系列配置参数

  • ConsuemrRecord:每条数据都要封装成一个 ConsumerRecord 对象为了使我们能够专注于自己的业务逻辑,Kafka 提供了自动提交 offset 的功能。

自动提交 offset 的相关参数:

  • enable.auto.commit:是否开启自动提交 offset 功能

  • auto.commit.interval.ms:自动提交 offset 的时间间隔

package top.codekiller.kafka.consumer;

import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.clients.consumer.internals.ConsumerProtocol;
import java.util.Arrays;
import java.util.Properties;

/**
 * @author codekiller
 * @date 2020/11/2 16:23
 * @Description 消费者
 */
public class MyConsumer {

    public static void main(String[] args) {
        //1. 创建消费者配置信息
        Properties properties=new Properties();

        //2. 给配置信息赋值
        //连接的集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
        //开启自动提交
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"true");
        //自动提交的延迟
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000");

        //key和value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");

        //消费者组
        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"first_cm_1_group");

        //3. 创建消费者
        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);

        //4. 订阅主题
        consumer.subscribe(Arrays.asList("first"));

        while(true) {
            //5. 获取数据
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);

            //6,解析并打印数据
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key() + "-----" + consumerRecord.value());
            }
        }

    }
}

运行一个producer代码,运行结果


换组并重头消费

  • 如果要从头消费,就必须换组

修改配置:

properties.put(ConsumerConfig.GROUP_ID_CONFIG,"test_modify_group");
properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");

运行:


offset问题

不设置自动提交:

上面是先启动了一个消费者A,生产者产生三条数据,消费者A接收到了,并且修改了自身的offset。再启动同一个消费者B,此时消费者B读取的还是之前的offset(并不是A修改的),继续消费这三条数据,造成了同一个消费者消费了两次相同数据。

因为offset只有在消费者启动的第一次进行读取,不手动提交或者消费者关闭是不会讲最新的offset存入zk或者__consumer_offsets中的,从而导致了之后的相同消费者启动的时候并不能获取最新的offset。


手动提交 offset

虽然自动提交 offset 十分简介便利,但由于其是基于时间提交的,开发人员难以把握offset 提交的时机,而且自动提交可能会引发数据丢失的问题(获取的数据没有处理完就崩掉了,但是此时offset已经提交进行了更新,之前的数据就获取不到了)。因此 Kafka 还提供了手动提交 offset 的 API。

手动提交 offset 的方法有两种:分别是 commitSync(同步提交)和 commitAsync(异步提交)。两者的相同点是,都会将本次 poll 的一批数据最高的偏移量提交;不同点是,commitSync 阻塞当前线程,一直到提交成功,并且会自动失败重试(由不可控因素导致,也会出现提交失败);而 commitAsync 则没有失败重试机制,故有可能提交失败。

同步提交 offset

由于同步提交 offset 有失败重试机制,故更加可靠,以下为同步提交 offset 的示例。

package top.codekiller.kafka.consumer;

import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;

import java.util.Arrays;
import java.util.Properties;

/**
 * @author codekiller
 * @date 2020/11/2 17:28
 * @Description 手动提交
 */
public class ConsumerOffset {
    public static void main(String[] args) {
        //1. 创建消费者配置信息
        Properties properties=new Properties();

        //2. 给配置信息赋值
        //连接的集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
        //关闭自动提交
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,false);
        //自动提交的延迟
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000");

        //key和value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");

        //消费者组
        //        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"first_cm_1_group");

        //消费者组(换组)
        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"test_modify_group");
        //        properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");

        //3. 创建消费者
        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);

        //4. 订阅主题
        consumer.subscribe(Arrays.asList("first"));

        while(true) {
            //5. 获取数据
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);

            //6,解析并打印数据
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key() + "-----" + consumerRecord.value());
            }

            //同步提交,当前线程会阻塞直到 offset 提交成功
            consumer.commitSync();

        }
    }
}


异步提交 offset

虽然同步提交 offset 更可靠一些,但是由于其会阻塞当前线程,直到提交成功。因此吞吐量会收到很大的影响。因此更多的情况下,会选用异步提交 offset 的方式。

以下为异步提交 offset 的示例:

package top.codekiller.kafka.consumer;

import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.Arrays;
import java.util.Map;
import java.util.Properties;

/**
 * @author codekiller
 * @date 2020/11/2 17:28
 * @Description 手动提交
 */
public class ConsumerOffset {
    public static void main(String[] args) {
        //1. 创建消费者配置信息
        Properties properties=new Properties();

        //2. 给配置信息赋值
        //连接的集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
        //关闭自动提交
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"false");
        //自动提交的延迟
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000");

        //key和value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer");

        //消费者组
        //        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"first_cm_1_group");

        //消费者组(换组)
        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"test_modify_group");
        //        properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");

        //3. 创建消费者
        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);

        //4. 订阅主题
        consumer.subscribe(Arrays.asList("first"));

        while(true) {
            //5. 获取数据
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);

            //6,解析并打印数据
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key() + "-----" + consumerRecord.value());
            }

            //同步提交,当前线程会阻塞直到 offset 提交成功
            //            consumer.commitSync();

            //异步提交
            consumer.commitAsync(new OffsetCommitCallback() {
                @Override
                public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) {
                    if (exception!=null){
                        System.out.println("Commit failed for" + offsets);
                    }
                }
            });
        }
    }
}

数据漏消费和重复消费分析

无论是同步提交还是异步提交 offset,都有可能会造成数据的漏消费或者重复消费。先提交 offset 后消费,有可能造成数据的漏消费;而先消费后提交 offset,有可能会造成数据的重复消费。


自定义存储 offset

Kafka 0.9 版本之前,offset 存储在 zookeeper,0.9 版本及之后,默认将 offset 存储在 Kafka的一个内置的 topic 中。除此之外,Kafka 还可以选择自定义存储 offset。

offset 的维护是相当繁琐的,因为需要考虑到消费者的 Rebalace。

当有新的消费者加入消费者组、已有的消费者推出消费者组或者所订阅的主题的分区发生变化,就会触发到分区的重新分配,重新分配的过程叫做 Rebalance。

消费者发生 Rebalance 之后,每个消费者消费的分区就会发生变化。因此消费者要首先获取到自己被重新分配到的分区,并且定位到每个分区最近提交的 offset 位置继续消费。

要实现自定义存储 offset,需要借助 ConsumerRebalanceListener,以下为示例代码,其中提交和获取 offset 的方法,需要根据所选的 offset 存储系统自行实现。

import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.*;

public class CustomConsumer {
    private static Map<TopicPartition, Long> currentOffset = new 
        HashMap<>();
    public static void main(String[] args) {
        //创建配置信息
        Properties props = new Properties();
        //Kafka 集群
        props.put("bootstrap.servers", "hadoop102:9092");
        //消费者组,只要 group.id 相同,就属于同一个消费者组
        props.put("group.id", "test");
        //关闭自动提交 offset
        props.put("enable.auto.commit", "false");
        //Key 和 Value 的反序列化类
        props.put("key.deserializer", 
                  "org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer", 
                  "org.apache.kafka.common.serialization.StringDeserializer");
        //创建一个消费者
        KafkaConsumer<String, String> consumer = new 
            KafkaConsumer<>(props);
        //消费者订阅主题
        consumer.subscribe(Arrays.asList("first"), new ConsumerRebalanceListener() {
            //该方法会在 Rebalance 之前调用
            @Override
            public void onPartitionsRevoked(Collection<TopicPartition> partitions) {
                commitOffset(currentOffset);
            }
            //该方法会在 Rebalance 之后调用
            @Override
            public void onPartitionsAssigned(Collection<TopicPartition> partitions) {
                currentOffset.clear();
                for (TopicPartition partition : partitions) {
                    //定位到最近提交的 offset 位置继续消费
                    consumer.seek(partition, getOffset(partition));

                }
            }
        });
        while (true) {
            ConsumerRecords<String, String> records = consumer.poll(100);//消费者拉取数据
            for (ConsumerRecord<String, String> record : records) {
                System.out.printf("offset = %d, key = %s, value  = %s%n", record.offset(), record.key(), record.value());
                currentOffset.put(new TopicPartition(record.topic(), record.partition()), record.offset());
            }
            commitOffset(currentOffset);//异步提交
        }
    }
    //获取某分区的最新 offset
    private static long getOffset(TopicPartition partition) {
        return 0;
    }
    //提交该消费者所有分区的 offset
    private static void commitOffset(Map<TopicPartition, Long> 
                                     currentOffset) {
    } }

自定义 Interceptor

拦截器原理

Producer 拦截器(interceptor)是在 Kafka 0.10 版本被引入的,主要用于实现 clients 端的定制化控制逻辑。

对于 producer 而言,interceptor 使得用户在消息发送前以及 producer 回调逻辑前有机会对消息做一些定制化需求,比如修改消息等。同时,producer 允许用户指定多个 interceptor按序作用于同一条消息从而形成一个拦截链(interceptor chain)。Intercetpor 的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor,其定义的方法包括:

  1. configure(configs)

    获取配置信息和初始化数据时调用。

  2. onSend(ProducerRecord):

    该方法封装进 KafkaProducer.send 方法中,即它运行在用户主线程中。Producer 确保在消息被序列化以及计算分区前调用该方法。用户可以在该方法中对消息做任何操作,但最好保证不要修改消息所属的 topic 和分区,否则会影响目标分区的计算。

  3. onAcknowledgement(RecordMetadata, Exception):

    该方法会在消息从 RecordAccumulator 成功发送到 Kafka Broker 之后,或者在发送过程中失败时调用。并且通常都是在 producer 回调逻辑触发之前。onAcknowledgement 运行在producer 的 IO 线程中,因此不要在该方法中放入很重的逻辑,否则会拖慢 producer 的消息发送效率。

  4. close:

    关闭 interceptor,主要用于执行一些资源清理工作如前所述,interceptor 可能被运行在多个线程中,因此在具体实现时用户需要自行确保线程安全。另外倘若指定了多个 interceptor,则 producer 将按照指定顺序调用它们,并仅仅是捕获每个 interceptor 可能抛出的异常记录到错误日志中而非在向上传递。这在使用过程中要特别留意。


拦截器案例

  1. 需求

    实现一个简单的双 interceptor 组成的拦截链。第一个 interceptor 会在消息发送前将时间戳信息加到消息 value 的最前部;第二个 interceptor 会在消息发送后更新成功发送消息数或失败发送消息数。

  2. 案例实操

    • 增加时间戳拦截器

      package top.codekiller.kafka.interceptor;
      
      import org.apache.kafka.clients.producer.ProducerInterceptor;
      import org.apache.kafka.clients.producer.ProducerRecord;
      import org.apache.kafka.clients.producer.RecordMetadata;
      import java.time.Instant;
      import java.util.Map;
      
      /**
       * @author codekiller
       * @date 2020/11/4 14:14
       * @Description 时间拦截器
       */
      public class TimeInterceptor implements ProducerInterceptor<String,String> {
      
          @Override
          public void configure(Map<String, ?> configs) {
      
          }
      
          @Override
          public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
              //1. 取出数据
              String value = record.value();
      
              //2. 创建一个对象并返回
              return new ProducerRecord<String,String>(record.topic(),record.partition(),record.key(),
                                                       Instant.now().toEpochMilli()+"-"+value);
          }
      
          @Override
          public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
      
          }
      
          @Override
          public void close() {
      
          }
      }
    • 计数拦截器

      package top.codekiller.kafka.interceptor;
      
      import org.apache.kafka.clients.producer.ProducerInterceptor;
      import org.apache.kafka.clients.producer.ProducerRecord;
      import org.apache.kafka.clients.producer.RecordMetadata;
      import java.util.Map;
      
      /**
       * @author codekiller
       * @date 2020/11/4 14:23
       * @Description 计数拦截器
       */
      public class CounterInterceptor implements ProducerInterceptor<String,String> {
      
          /**
           * 发送成功的个数
           */
          private int success;
      
          /**
           * 发送失败的个数
           */
          private int failed;
      
          @Override
          public void configure(Map<String, ?> configs) {
      
          }
      
          @Override
          public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
              return record;
          }
      
          @Override
          public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
              if(metadata != null){
                  ++success;
              }else{
                  ++failed;
              }
          }
      
          @Override
          public void close() {
              System.out.println("success:"+success);
              System.out.println("failed:"+failed);
          }
      }
  • producer主程序

    package top.codekiller.kafka.producer;
    
    import org.apache.kafka.clients.producer.KafkaProducer;
    import org.apache.kafka.clients.producer.Producer;
    import org.apache.kafka.clients.producer.ProducerConfig;
    import org.apache.kafka.clients.producer.ProducerRecord;
    import java.util.ArrayList;
    import java.util.List;
    import java.util.Properties;
    
    /**
     * @author codekiller
     * @date 2020/11/4 14:26
     * @Description 拦截器生产者
     */
    public class InterceptorProducer {
        public static void main(String[] args) {
            //1. 创建Kafka生产者的配置信息
            Properties properties = new Properties();
    
            //2. 指定连接的kafka信息
            properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop2:9092");
    
            //3. ACK应答级别
            properties.put(ProducerConfig.ACKS_CONFIG, "all");
    
            //4. 重试次数
            properties.put(ProducerConfig.RETRIES_CONFIG, 3);
    
            //5. 批次大小
            properties.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
    
            //6. 等待时间
            properties.put(ProducerConfig.LINGER_MS_CONFIG, 1);
    
            //7.RecordAccumulator 缓冲区大小
            properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
    
    
         properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
         properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");

         //8. 配置拦截器
         List<String> interceptors = new ArrayList<>();
         interceptors.add("top.codekiller.kafka.interceptor.TimeInterceptor");
         interceptors.add("top.codekiller.kafka.interceptor.CounterInterceptor");
         properties.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);

         //9. 创建生产者
         Producer<String, String> producer = new KafkaProducer<>(properties);

         //10. 发送数据
         for(int i=0;i < 10;i++) {
             producer.send(new ProducerRecord<String, String>("first", "test_interceptor"+i,"codekiller"+i+""));
         }

         System.out.println("***************");

         //11. 关闭资源
         producer.close();

         System.out.println("***************");
     }
 }
 ```

 结果

 ![](https://img-blog.csdnimg.cn/20201104150143544.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NzY2ODgz,size_16,color_FFFFFF,t_70#pic_center)

 > 注意一下打印顺序。

Kafka 监控

Kafka Eagle

  1. 修改 kafka 启动命令

    修改 kafka-server-start.sh 命令中

    if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then
        export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G"
    fi

    if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then
        export KAFKA_HEAP_OPTS="-server -Xms2G -Xmx2G -XX:PermSize=128m -XX:+UseG1GC -XX:MaxGCPauseMillis=200 -XX:ParallelGCThreads=8 -XX:ConcGCThreads=5 -XX:InitiatingHeapOccupancyPercent=70"
        export JMX_PORT="9999"
        #export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G"
    fi

    注意:修改之后在启动 Kafka 之前要分发之其他节点

  2. 上传压缩包 kafka-eagle-bin-1.3.7.tar.gz 到集群/opt/software 目录并解压

    tar -zxvf kafka-eagle-bin-1.3.7.tar.gz
  3. 将 kafka-eagle-web-1.3.7-bin.tar.gz 解压至/opt/module

    tar -zxvf kafka-eagle-web-1.3.7-bin.tar.gz -C /opt/module/
  4. .修改名称

    mv kafka-eagle-web-1.3.7/ kafka-eagle
  5. 添加环境变量

    export KE_HOME=/opt/module/kafka-eagle
    export PATH=$PATH:$KE_HOME/bin

    然后再source /etc/profile

  6. 给启动文件执行权限

    chmod 777 ./bin/ke.sh
  7. 修改配置文件

    ######################################
    # multi zookeeper&kafka cluster list
    ######################################
    kafka.eagle.zk.cluster.alias=cluster1
    cluster1.zk.list=hadoop2:2181,hadoop3:2181,hadoop4:2181
    ######################################
    # kafka offset storage
    ######################################
    cluster1.kafka.eagle.offset.storage=kafka
    
    ######################################
    # kafka jdbc driver address
    ######################################
    kafka.eagle.driver=com.mysql.jdbc.Driver
    kafka.eagle.url=jdbc:mysql://codekiller:3306/ke?useUnicode=true&characterEncoding=UTF-8&zeroDateTimeBehavior=convertToNull
    kafka.eagle.username=root
    kafka.eagle.password=root
  8. 启动

    ./bin/ke.sh start

    注意:在启动前请先启动kafka和zookeeper

    在网页输入:http://192.168.234.146:8048/ke


Flume 对接 Kafka

  1. 配置 flume(flume-kafka.conf)

    # define
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    # source
    a1.sources.r1.type = exec
    a1.sources.r1.command = tail -F -c +0 /opt/module/data/flume.log
    a1.sources.r1.shell = /bin/bash -c
    # sink
    a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
    a1.sinks.k1.kafka.bootstrap.servers = hadoop2:9092,hadoop3:9092,hadoop4:9092
    a1.sinks.k1.kafka.topic = first
    a1.sinks.k1.kafka.flumeBatchSize = 20
    a1.sinks.k1.kafka.producer.acks = 1
    a1.sinks.k1.kafka.producer.linger.ms = 1
    # channel
    a1.channels.c1.type = memory
    a1.channels.c1.capacity = 1000
    a1.channels.c1.transactionCapacity = 100
    # bind
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
  1. 启动 kafkaIDEA消费者

  2. 进入 flume 根目录下,启动 flume

    bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf
  3. /opt/module/data/flume.log 里追加数据,查看 kafka 消费者消费情况

    echo hello >> /opt/module/data/flume.log

注意:要想可以将数据进入多个topic,可以写了interceptor,设置不同的header(header的值就是topic的名字)。不需要进行selector分配。


Kafka 面试题

  1. Kafka 中的 ISR(InSyncRepli)、OSR(OutSyncRepli)、AR(AllRepli)代表什么?

  2. Kafka 中的 HW、LEO 等分别代表什么?

  3. Kafka 中是怎么体现消息顺序性的?

  4. Kafka 中的分区器、序列化器、拦截器是否了解?它们之间的处理顺序是什么?

  5. Kafka 生产者客户端的整体结构是什么样子的?使用了几个线程来处理?分别是什么?

  6. “消费组中的消费者个数如果超过 topic 的分区,那么就会有消费者消费不到数据”这句话是否正确?

  7. 消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset+1

  8. 有哪些情形会造成重复消费?

  9. 那些情景会造成消息漏消费?

  10. 当你使用 kafka-topics.sh 创建(删除)了一个 topic 之后,Kafka 背后会执行什么逻辑?

    • 会在 zookeeper 中的/brokers/topics 节点下创建一个新的 topic 节点,如:/brokers/topics/first
    • 触发 Controller 的监听程序
    • kafka Controller 负责 topic 的创建工作,并更新 metadata cache
  11. topic 的分区数可不可以增加?如果可以怎么增加?如果不可以,那又是为什么?

  12. topic 的分区数可不可以减少?如果可以怎么减少?如果不可以,那又是为什么?

  13. Kafka 有内部的 topic 吗?如果有是什么?有什么所用?

  14. Kafka 分区分配的概念?

  15. 简述 Kafka 的日志目录结构?

  16. 如果我指定了一个 offset,Kafka Controller 怎么查找到对应的消息?

  17. 聊一聊 Kafka Controller 的作用?

  18. Kafka 中有那些地方需要选举?这些地方的选举策略又有哪些?

  19. 失效副本是指什么?有那些应对措施?

  20. Kafka 的哪些设计让它有如此高的性能?


文章作者: 迷雾总会解
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 迷雾总会解 !
评论
  目录