kafka Streams学习

kafka Streams学习

---

牢记Kafka Streams是一个Java类库，不是一个流处理框架，这点和Strom等流处理框架有明显的不同

什么是流？

无边界（源源不断）数据集的抽象表示。

为什么要用流式处理：

面向数据流的响应式编程（RP Reactive Programming）已经越来越普及，响应式编程对于无边界数据处理更有优势。 

流的特性：

• 事件流是有序的。
  
  • 流数据是自带时序的，无需人工排序。
• 事件流是不可变的数据记录。
  
  • 现对于数据库行记录看到的只是最终的结果，流记录了每次变更，是不可变的。
• 事件流是可以重播的。
  
  • 如果系统异常或者原有业务处理逻辑优化，可以重复使用流数据，验证、优化业务。

kafka 流的优势：

• 除了Kafka外，无任何外部依赖
• 它只是一个类库，它可以非常方便地嵌入任意Java应用中，也可以任意方式打包和部署
• 支持单事件处理、基于时间窗口连接和聚合处理。
• 充分利用Kafka分区机制实现水平扩展和顺序性保证
• 支持正好一次处理语义。
• 提供记录级的处理能力，从而实现毫秒级的低延迟
• 通过可容错的state store实现高效的状态操作（如windowed join和aggregation）
• 支持基于事件时间的窗口操作，并且可处理晚到的数据（late arrival of records）
• 同时提供底层的处理原语Processor（类似于Storm的spout和bolt），以及高层抽象的DSL（类似于Spark的map/group/reduce）
• 重放数据能力，便于代码优化，系统恢复。

流式处理场景：

如果追求低延时，高效率，推荐使用请求应答方式的应用。
如果追求的只是消息的消费，那么Kafka Connect【1】可能是一个更好的选择。
流式处理特别适用于数据量较大实时性要求较高的计算类应用，例如实时报表，机器学习，推荐算法等。

示例：

    KStreamBuilder builder = new KStreamBuilder();
    KStream stream = builder.stream(Serdes.String(), Serdes.String(), topics);
    stream.filter(new Predicate() { (1)
        @Override
        public boolean test(String key, String value) {
            return true;
        }
    }).map(new KeyValueMapper() { (2)
        @Override
        public Object apply(Object key, Object value) {
            String userJson = service.getByOtherId((String) value, "", "", "", "", 1, 0);【2】
            JSONObject jo = JSON.parseObject(userJson);

            if (GlobalRespCodes.SUCCESS.equals(jo.get("respCode"))) {

            } else {
                LOGGER.error("getByOtherId error:");
            }

            return new KeyValue(value, JSON.toJSONString(jo));
        }
    }).to("output"); (3)

    Map configMap =
            KafkaConfigBuilder.buildKafkaConfig(configuration, information, "PullUserFromService");
    StreamsConfig config = new StreamsConfig(configMap);
    streams = new KafkaStreams(builder, config);    

流拓 & Task

问题：

1. 默认情况下流业务异常，是否会重复消费消息。
    不会，自动提交模式下，会持续处理，最后提交偏移量。
2. 流内调用其它系统超时是否会影响流的处理【2】。
    会重新分配消费，系统判断Consumer异常，发起rebalance。超时的Consumer提交消费消息报CommitFailedException，
    应为该partition已经重新分配给其它Consumer提交失败。 
3. 流处理并发性。
    流处理是多线程运行，默认情况下只启动一个线程，启动线程个数可以配置（num.stream.threads）。
4.  broker如何判定consumer已经停止工作。
    心跳和poll()都不再工作，broker会在session到期后删掉相应的consumer。
5.  Topic,Partition,Task,WorkerThread关系。
    假定Stream的输入Topic有两个(1个Partition数为4，另一个Partition数为3)，则总的Task数等于Partition数最多的那个
    Topic的Partition数（max(4,3)=4）。这是因为Kafka Stream使用了Consumer的Rebalance机制，每个Partition对应一
    个Task。系统默认只启动一个WorkerThread，我们可以修改num.stream.threads启动多个线程，线程对应consumer处理对应
    的Task。
    for (TopicPartition partition : records.partitions()) {
        StreamTask task = activeTasksByPartition.get(partition);//初始化Task
        numAddedRecords += task.addRecords(partition, records.records(partition));
    }
6. 流中每个分区的offSet是什么时候提交的。
    poll()获取分区数转为streams对应的task,当task都执行完，一起提交offSet。

关键参数：

auto.offset.reset ，没有偏移量或者偏移量无效的情况下处理方式(latest,earliest)。
heartbeat.interval.ms，向协调器发送心跳的频率，证明该线程还活着(默认：3000ms)。
max.poll.interval.ms ，poll()间隔最长时间，该时间范围内未poll请求，认为该线程已经挂断，重新rebalance。(0.10.2.*开始     
  默认值 300000 改为 Integer.MAX_VALUE.）
session.tomeout.ms ，消费者可以多久不发送心跳,判断整个进程是否还活着（默认：10000ms）。
num.stream.threads 流工作线程个数。

常用命令（0.10.2.*）

显示消费者群组
    kafka-consumer-groups  --bootstrap-server 127.0.0.1:9092 --list
查看指定消费者群组详细信息 
    kafka-consumer-groups  --bootstrap-server 127.0.0.1:9092 --group TSyncer.PullUserService --describe

备注：

【1】 Kafka Connect 主要服务于外部数据存储系统之间（例如：MongoDB同步数据到MySQL）可靠，可伸缩的连接器。
【2】 kafka的作者明确不推荐这种流处理方式。对于设计高性能流处理系统，在内部去调用第三方接口可能严重影响流处理吞吐量，
     最好是提前将数据同步到本地缓存中，推荐系统内调用。