探讨kafka的分区数与多线程消费

kafka算是很麻烦的一件事儿，起因是最近需要采集大量的数据，原先是只用了典型的high-level Consumer的API，最经典的不过如下：

 

Properties props = new Properties();
       props.put("zookeeper.connect", "xxxx:2181");
       props.put("zookeeper.connectiontimeout.ms", "1000000");
       props.put("group.id", "test_group");
       props.put("zookeeper.session.timeout.ms", "40000");
       props.put("zookeeper.sync.time.ms", "200");
       props.put("auto.commit.interval.ms", "1000");

       ConsumerConfig consumerConfig = new ConsumerConfig(props);
       ConsumerConnector consumerConnector = Consumer.createJavaConsumerConnector(consumerConfig);


       Map topicCountMap = new HashMap();
       topicCountMap.put("test", new Integer(1));
       //key--topic
       Mapbyte[], byte[]>>> consumerMap =
               consumerConnector.createMessageStreams(topicCountMap);
       KafkaStream<byte[], byte[]> stream = consumerMap.get("test").get(0);
       ConsumerIterator<byte[], byte[]> it = stream.iterator();
       StringBuffer sb = new StringBuffer();
       while(it.hasNext()) {
           try {
               String msg = new String(it.next().message(), "utf-8").trim();
               System.out.println("receive:" + msg);
           } catch (UnsupportedEncodingException e) {
               e.printStackTrace();
           }
       }

 这是典型的kafka消费端消费数据的代码，但可以看出这是十分典型的单线程消费。在本地玩玩熟悉kafka还行，（就跟入门java学会写main方法打印hello world一样~~~~），问题是学的东西必须真正应用到实际中，你不可能只在单线程采集里原地打转吧。。so，多线程采集迫在眉急啊！！

 

 

本人研究卡夫卡多线程消费还是耗了一段时间的，希望把过程尽可能完整地记录下来，以便各位同行有需要可以参考。。

 

首先，最好理解kafka的基本原理和一些基本概念，阅读官网文档很有必要，这样才会有一个比较清晰的概念，而不是跟无头苍蝇一样乱撞——出了错去网上查是灰常痛苦滴！！

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

 

好了，大概说下卡夫卡的“分区·”的概念吧：

 这张图比较清晰地描述了“分区”的概念，对于某一个topic的消息来说，我们可以把这组消息发送给若干个分区，就相当于一组消息分发一样。

分区、Offset、消费线程、group.id的关系

1）一组（类）消息通常由某个topic来归类，我们可以把这组消息“分发”给若干个分区（partition），每个分区的消息各不相同；

2）每个分区都维护着他自己的偏移量（Offset），记录着该分区的消息此时被消费的位置；

3）一个消费线程可以对应若干个分区，但一个分区只能被具体某一个消费线程消费；

4）group.id用于标记某一个消费组，每一个消费组都会被记录他在某一个分区的Offset，即不同consumer group针对同一个分区，都有“各自”的偏移量。

 

说完概念，必须要注意的一点是，必须确认卡夫卡的server.properties里面的一个属性num.partitions必须被设置成大于1的值，否则消费端再怎么折腾，也用不了多线程哦。我这里的环境下，该属性值被设置成10了。

 

重构一下上述经典的消费端代码：

 

public class KafakConsumer implements Runnable {

    private ConsumerConfig consumerConfig;
    private static String topic="blog";
    Properties props;
    final int a_numThreads = 6;

    public KafakConsumer() {
        props = new Properties();
        props.put("zookeeper.connect", "xxx:2181,yyy:2181,zzz:2181");
//      props.put("zookeeper.connect", "localhost:2181");
//        props.put("zookeeper.connectiontimeout.ms", "30000");
        props.put("group.id", "blog");
        props.put("zookeeper.session.timeout.ms", "400");
        props.put("zookeeper.sync.time.ms", "200");
        props.put("auto.commit.interval.ms", "1000");
        props.put("auto.offset.reset", "smallest");
        consumerConfig = new ConsumerConfig(props);
    }


    @Override
    public void run() {

        Map topicCountMap = new HashMap();
        topicCountMap.put(topic, new Integer(a_numThreads));
        ConsumerConfig consumerConfig = new ConsumerConfig(props);
        ConsumerConnector consumer = kafka.consumer.Consumer.createJavaConsumerConnector(consumerConfig);
        Mapbyte[], byte[]>>> consumerMap = consumer.createMessageStreams(topicCountMap);
        Listbyte[], byte[]>> streams = consumerMap.get(topic);
        ExecutorService executor = Executors.newFixedThreadPool(a_numThreads);
        for (final KafkaStream stream : streams) {
            executor.submit(new KafkaConsumerThread(stream));
        }

    }


    public static void main(String[] args) {
        System.out.println(topic);
        Thread t = new Thread(new KafakConsumer());
        t.start();
    }
}

 从这段重构的代码可以看出，KafkaStream stream = consumerMap.get("test").get(0); 这行代码已被废弃，得到List>之后不再是得到他的头元素get(0)就ok了，而且topicCountMap.put(topic, new Integer(a_numThreads));的第二个参数也不再是1.

 

 其中，具体消费线程KafkaConsumerThread代码为：

public class KafkaConsumerThread implements Runnable {

    private KafkaStream<byte[], byte[]> stream;

    public KafkaConsumerThread(KafkaStream<byte[], byte[]> stream) {
        this.stream = stream;
    }

    @Override
    public void run() {
        ConsumerIterator<byte[], byte[]> it = stream.iterator();
        while (it.hasNext()) {
            MessageAndMetadata<byte[], byte[]> mam = it.next();
            System.out.println(Thread.currentThread().getName() + ": partition[" + mam.partition() + "],"
            + "offset[" + mam.offset() + "], " + new String(mam.message()));

        }
    }

}

 

 

编写生产端（Producer）的代码：

 

public class KafkaProducer implements Runnable {

    private Producer producer = null;

    private ProducerConfig config = null;


    public KafkaProducer() {
        Properties props = new Properties();
        props.put("zookeeper.connect", "*****:2181,****:2181,****:2181");

//      props.put("zookeeper.connect", "localhost:2181");

        // 指定序列化处理类，默认为kafka.serializer.DefaultEncoder,即byte[]
        props.put("serializer.class", "kafka.serializer.StringEncoder");

        // 同步还是异步，默认2表同步，1表异步。异步可以提高发送吞吐量，但是也可能导致丢失未发送过去的消息
        props.put("producer.type", "sync");

        // 是否压缩，默认0表示不压缩，1表示用gzip压缩，2表示用snappy压缩。压缩后消息中会有头来指明消息压缩类型，故在消费者端消息解压是透明的无需指定。
        props.put("compression.codec", "1");

        // 指定kafka节点列表，用于获取metadata(元数据)，不必全部指定
        props.put("broker.list", "****:6667,***:6667,****:6667");

        config = new ProducerConfig(props);
    }

    @Override
    public void run() {
        producer = new Producer(config);
//      for(int i=0; i<10; i++) {
//          String sLine = "I'm number " + i;
//          KeyedMessage msg = new KeyedMessage("group1", sLine);
//          producer.send(msg);
//      }
        for(int i = 1; i <= 6; i++){ //往6个分区发数据
              List> messageList = new ArrayList>();
              for(int j = 0; j < 6; j++){ //每个分区6条讯息
                  messageList.add(new KeyedMessage
                  //String topic, String partition, String message
                    ("blog", "partition[" + i + "]", "message[The " + i + " message]"));
              }
              producer.send(messageList);
            }

    }

    public static void main(String[] args) {
        Thread t = new Thread(new KafkaProducer());
        t.start();
    }
}

 上述生产端代码相对传统的发送端代码也做了改进，首先是用了批量发送（源码）：

 

 

public void send(List> messages)
  {
    underlying().send(JavaConversions..MODULE$.asScalaBuffer(messages).toSeq());
  }

 而不是：

 

 

public void send(KeyedMessage message)
  {
    underlying().send(Predef..MODULE$.wrapRefArray((Object[])new KeyedMessage[] { message }));
  }

 第二，KeyedMessage用的构造函数：

 

 

public KeyedMessage(String topic, K key, V message) { this(topic, key, key, message); }

第二个参数表示分区的key。 

 

而非：

 

public KeyedMessage(String topic, V message) {
    this(topic, null, null, message);
  }

 

 

分别run一下生产和消费的代码，可以看到消费端打印结果：

pool-2-thread-5: partition[5],offset[0], message[The 5 message]

pool-2-thread-1: partition[2],offset[0], message[The 2 message]

pool-2-thread-2: partition[1],offset[0], message[The 1 message]

pool-2-thread-5: partition[4],offset[0], message[The 4 message]

pool-2-thread-1: partition[3],offset[0], message[The 3 message]

pool-2-thread-4: partition[6],offset[0], message[The 6 message]

 

可以看到，6个分区的数据全部被消费了，但是不妨看下消费线程：pool-2-thread-1线程同时消费了partition[2]和partition[3]的数据；pool-2-thread-2消费了partiton[1]的数据；pool-2-thread-4消费了partiton[6]的数据；而pool-2-thread-5则消费了partitoin[4]和partition[5]的数据。

 

从上述消费情况来看，验证了消费线程和分区的对应情况——即：一个分区只能被一个线程消费，但一个消费线程可以消费多个分区的数据！虽然我指定了线程池的线程数为6，但并不是所有的线程都去消费了，这当然跟线程池的调度有关系了。并不是一个消费线程对应地去消费一个分区的数据。

 

我们不妨仔细看下消费端启动日志部分，这对我们理解kafka的启动生成和消费的原理有益：

【限于篇幅，启动日志略，只分析关键部分】

 

消费端的启动日志表明：

1）Consumer happy_Connor-PC-1445916157267-b9cce79d rebalancing the following partitions: ArrayBuffer(0, 1, 2, 3, 4, 5, 6, 7, 8, 9) for topic blog with consumers: List(happy_Connor-PC-1445916157267-b9cce79d-0, happy_Connor-PC-1445916157267-b9cce79d-1, happy_Connor-PC-1445916157267-b9cce79d-2, happy_Connor-PC-1445916157267-b9cce79d-3, happy_Connor-PC-1445916157267-b9cce79d-4, happy_Connor-PC-1445916157267-b9cce79d-5)

happy_Connor-PC-1445916157267-b9cce79d表示一个消费组，该topic可以使用10个分区：the following partitions: ArrayBuffer(0, 1, 2, 3, 4, 5, 6, 7, 8, 9) for topic blog。然后定义了6个消费线程，List(happy_Connor-PC-1445916157267-b9cce79d-0, happy_Connor-PC-1445916157267-b9cce79d-1, happy_Connor-PC-1445916157267-b9cce79d-2, happy_Connor-PC-1445916157267-b9cce79d-3, happy_Connor-PC-1445916157267-b9cce79d-4, happy_Connor-PC-1445916157267-b9cce79d-5)。消费线程的个数由topicCountMap.put(String topic, Integer count)的第二个参数决定。但真正去消费的线程还是由线程池的调度机制来决定；

2）线程由zookeeper来声明它拥有1个或多个分区；

3）真正有数据存在的分区是由生产发送端来决定，即使你的kafka设置了10个分区，消费端在消费的时候，消费线程虽然会根据zookeeper的某种机制来声明它所消费的分区，但实际消费过程中，还是会消费真正存在数据的分区。（本例中，你只往6个分区push了数据，所以即使你声明了10个分区，你也只能消费6个分区的数据）。

 

如果把topicCountMap的第二个参数Integer值改成1，发送端改成往7个分区发数据再测试，可得到消费端的打印结果：

pool-2-thread-1: partition[6],offset[0], message[The 6 message]
pool-2-thread-1: partition[3],offset[0], message[The 3 message]
pool-2-thread-1: partition[2],offset[0], message[The 2 message]
pool-2-thread-1: partition[5],offset[0], message[The 5 message]
pool-2-thread-1: partition[4],offset[0], message[The 4 message]
pool-2-thread-1: partition[7],offset[0], message[The 7 message]
pool-2-thread-1: partition[1],offset[0], message[The 1 message]

 可以看出，如果你topicCountMap的值改成1，而 List>的size由Integer值决定，此时为1，可以看出，线程池中只能使用一个线程来发送，还是单线程的效果。若要用多线程消费，Integer的值必须大于1.

 

下面再来模拟一些状况：

状况一：往大于实际分区数的分区发数据，比如发送端的第一层循环设为11：

可看到消费端此时虽能正常的完全消费这10个分区的数据，但生产端会报异常：

No partition metadata for topic blog4 due to kafka.common.LeaderNotAvailableException}] for topic [blog4]: class kafka.common.LeaderNotAvailableException 

这说明，你往partition11发送失败，因为卡夫卡已经设置了10个分区，你再往不存在的分区数发当然会报错了。

 

状况二：发送端用传统的发送方法，即KeyedMessage的构造函数只有topic和Message

 

//针对topic创建一个分区并发送数据
        List> messageList = new ArrayList>();
        for(int i = 1; i <= 10; i++){
            messageList.add(new KeyedMessage("blog6",  "我是发送的内容message"+i));
        }
        producer.send(messageList);

 

消费端打印结果：

pool-2-thread-1: partition[7],offset[0], 我是发送的内容message1

pool-2-thread-1: partition[7],offset[1], 我是发送的内容message2

pool-2-thread-1: partition[7],offset[2], 我是发送的内容message3

pool-2-thread-1: partition[7],offset[3], 我是发送的内容message4

pool-2-thread-1: partition[7],offset[4], 我是发送的内容message5

pool-2-thread-1: partition[7],offset[5], 我是发送的内容message6

pool-2-thread-1: partition[7],offset[6], 我是发送的内容message7

pool-2-thread-1: partition[7],offset[7], 我是发送的内容message8

pool-2-thread-1: partition[7],offset[8], 我是发送的内容message9

pool-2-thread-1: partition[7],offset[9], 我是发送的内容message10

 

这表明，只用了1个消费线程消费1个分区的数据。这说明，如果发送端发送数据没有指定分区，即用的是

public KeyedMessage(String topic,V message) { this(topic, key, key, message); }
sendMessage(KeyedMessage(String topic,V message))

的话，同样达不到多线程消费的效果！

 

状况三：将线程池的大小设置成比topicCountMap的value值小？

topicCountMap.put(topic, new Integer(7));
//......................
ExecutorService executor = Executors.newFixedThreadPool(5);

 发送端往9个分区发送数据，run一下，会发现消费端打印结果：

pool-2-thread-3: partition[7],offset[0], message[The 7 message]

pool-2-thread-5: partition[1],offset[0], message[The 1 message]

pool-2-thread-4: partition[4],offset[0], message[The 4 message]

pool-2-thread-2: partition[3],offset[0], message[The 3 message]

pool-2-thread-4: partition[5],offset[0], message[The 5 message]

pool-2-thread-1: partition[8],offset[0], message[The 8 message]

pool-2-thread-2: partition[2],offset[0], message[The 2 message]

你会发现：虽然我生产发送端往9个分区发送了数据，但实际上只消费掉了7个分区的数据。（如果你再跑一边，可能又是6个分区的数据）——这说明，有的分区的数据没有被消费，原因只可能是线程不够。so，当线程池中的大小小于分区数时，会出现有的分区没有被采集的情况。建议设置：实际发送分区数（一般就等于设置的分区数）= topicCountMap的value = 线程池大小  否则极易出现reblance的异常！！！

 

好了，折腾这么久。我们可以看出，卡夫卡如果想要多线程消费提高效率的话，就可以从分区数上下手，分区数就是用来做并行消费的而且生产端的发送代码也很有讲究。（这只是针对某一个topic而言，当然实际情况中，你可以一个topic一个线程，同样达到多线程效果，当然这是后话了）