kafka
1.1定义
Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。
离线数仓中也用到。
1.2 消息队列（Message Queue）
1.2.1 传统消息队列的应用场景
注册流程的案例分析:==》发短信比较慢
(1) 同步处理，只有一个线程，发送短信后响应注册；对于并发量大的不适用；
（2）异步处理： 把请求写到队列里面，异步线程发送短信
具体作用： 异步，消峰，解耦
1.2.2 消息队列的两种模式==》注意两点的区别：
a.持久化的区别；b.一对一还是一对多
（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）==>kafka默认保存7天
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。
1.3 Kafka基础架构==》区分横向扩展与纵向扩展
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。》这个注意下
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。》每个broker都有唯一的ID
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；==》是一个队列,存放的一种日志类型，默认的topic有50个分区
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leader。
===》topic数目可以大于节点数，副本数<节点数
第2章 Kafka快速入门
2.1 安装部署
2.1.1 集群规划
hadoop102 hadoop103 hadoop104
zk zk zk
kafka kafka kafka
2.1.2 jar包下载
http://kafka.apache.org/2downloads.html
2.1.3 集群部署
1）解压安装包
[kafka@hadoop102 software]$ tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/
2）修改解压后的文件名称
[kafka@hadoop102 module]$ mv kafka_2.11-0.11.0.0/ kafka
3）在/opt/module/kafka目录下创建logs文件夹
[kafka@hadoop102 kafka]$ mkdir logs
4）修改配置文件
[kafka@hadoop102 kafka]$ cd config/
[kafka@hadoop102 config]$ 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=hadoop102:2181,hadoop103:2181,hadoop104:2181
5）配置环境变量
[kafka@hadoop102 module]$ sudo vi /etc/profile
#KAFKA_HOME
export KAFKA_HOME=/opt/module/kafka
export PATH= P A T H : PATH: PATH:KAFKA_HOME/bin
[kafka@hadoop102 module]$ source /etc/profile
6）分发安装包
[kafka@hadoop102 module]$ 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hadoop103和hadoop104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==》 下面这个很重要
8）启动集群
依次在hadoop102、hadoop103、hadoop104节点上启动kafka
[kafka@hadoop102 kafka]$ bin/kafka-server-start.sh -daemon config/server.properties
[kafka@hadoop103 kafka]$ bin/kafka-server-start.sh -daemon config/server.properties
[kafka@hadoop104 kafka]$ bin/kafka-server-start.sh -daemon config/server.properties
9）关闭集群
[kafka@hadoop102 kafka]$ bin/kafka-server-stop.sh
[kafka@hadoop103 kafka]$ bin/kafka-server-stop.sh
[kafka@hadoop104 kafka]$ bin/kafka-server-stop.sh
10）kafka群起脚本==》加载etc/prifile
for i in cat /opt/module/hadoop-2.7.2/etc/hadoop/slaves
do
echo “========== $i ==========”
ssh $i ‘source /etc/profile&&/opt/module/kafka_2.11-0.11.0.2/bin/kafka-server-start.sh -daemon /opt/module/kafka_2.11-0.11.0.2/config/server.properties’
echo $?
Done
2.2 Kafka命令行操作==》zookeeper先启动
1）查看当前服务器中的所有topic
[kafka@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --list
2）创建topic==》实际上时controal创建，但是又与zookeeper关联
zookeeper集群中写一个地址就可以hadoop102: 2181端口号（想想zookeeper的写过程）
如果创建不成功要去zookeeper 中删除节点
[kafka@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181
–create --replication-factor 2 --partitions 3 --topic first
选项说明：
–topic 定义topic名
–replication-factor 定义副本数
–partitions 定义分区数
bin/kafka-console-consumer.sh --bootstrap-server hadoop105:9092 --from-beginning --topic topic_event
Partition：0（分区号）
Leader：0（leader分布在102这个broker上）
Replicas： 0，2（副本分布在102，104这两个节点上）
3）删除–topic还有一个–describe
[kafka@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181
–delete --topic first
需要server.properties中设置delete.topic.enable=true否则只是标记删除。
4）发送消息==》producer向leader发送请求， zookeeper ：2181通讯端口， kafak：9092
==》元数据信息在每一个broker中都有，所以选任意一个就可以获取
[kafka@hadoop102 kafka]$ bin/kafka-console-producer.sh
–broker-list hadoop102:9092（，逗号分隔hadoop103:9092） --topic first
hello world
kafka kafka
5）消费消息==》102：9092可以写多个或者单个
[kafka@hadoop103 kafka]$ bin/kafka-console-consumer.sh
–bootstrap-server hadoop102:9092 --from-beginning --topic first
[kafka@hadoop103 kafka]$ bin/kafka-console-consumer.sh
–bootstrap-server hadoop102:9092 --from-beginning --topic first
–from-beginning：会把主题中以往所有的数据都读取出来。读出来是无序的
6）查看某个Topic的详情
[kafka@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181
–describe --topic first
7）修改分区数
[kafka@hadoop102 kafka]$bin/kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6
修改分区
第3章 Kafka架构深入
z3.1 Kafka工作流程及文件存储机制
》offset相关信息存放在kafka内置的topic中，有消费信息是写入
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。>下次读取时能准确的获取位置信息
》实际上真是存在的就log和index文件
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采取了分片和索引机制，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。》日志文件以追加方式写入
》怎么找到offset=3,分布解析？
“.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。
3.2 Kafka生产者
3.2.2 分区策略
1）分区的原因
（1）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；
（2）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。》构造器方法
===》topic : 参数1–topic
===》value : 具体的数据
（1）指明 partition 的情况下，直接将指明的值作为 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；》x/5(partition值)， 取余0-4
（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。
3.2.3 数据可靠性保证>数据不可丢失
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 延迟低（》全部都拿到，数量要少，延迟低） 选举新的leader时，容忍n台节点的故障，需要2n+1个副本》反过来读
全部完成同步，才发送ack 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：
1.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。
2.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。》延迟是可优化的（加大带宽），在局域网内进行leader与follow进行数据的传输，影响不大
2）ISR》动态集合,是replice的子集
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 replica 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producer发送ack。如果follower长时间未向leader同步数据，则该follower将被踢出ISR，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。>默认选集合的第一个
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一接收到还没有写入磁盘就已经返回，当broker故障时有可能丢失数据；=》 at most once 语义（可能丢失）
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；==》默认情况下ack =1， at most once 语义
-1（all）：producer等待broker的ack，partition的leader和ISR中的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。==》比较重要的数据 at least once ：可能会重复
4）故障处理细节
（1）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的LEO大于等于该Partition的HW，即follower追上leader之后，就可以重新加入ISR了。
（2）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关联保存数据的丢失或重复
3.2.4 Exactly Once语义=>再理解一下
对于某些比较重要的消息，我们需要保证exactly once语义，即保证每条消息被发送且仅被发送一次。
在0.11版本之后，Kafka Producer引入了幂等（不管发送了多少次，效果都相当于只发了一次）性机制（idempotent），配合acks = -1时的at least once语义，实现了producer到broker的exactly once语义。==》只落一次盘
idempotent + at least once = exactly once
使用时，只需将在生产者中设置enable.idempotence属性设置为true，kafka自动将acks属性设为-1，并将retries属性设为Integer.MAX_VALUE。
==》幂等的原理：类似去重，每一个消息都有一个id，达到去重的效果
3.3 Kafka消费者
3.3.1 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。
3.3.3 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==》轮巡<=1就是均匀的,>1就是不均匀
2）range===》（按主题来分，默认的，原因是效率高点）
》一个消费者组，可以订阅多个topic
3.3.4 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。
3.4 Kafka 高效读写数据
1）顺序写磁盘》顺序读写可以有效加大读写速度，kafka测试硬盘顺序读写甚至大于内存随机读写
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。
2）零复制技术==》这是吞吐量大的原因
硬件层—内核层—用户层
3.5 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。==》Controller先到先得的选举原则
以下为partition的leader选举过程：
Ids： 节点的排列（kafka监听）
Isr： 副本队列
第4章 Kafka API
4.1 Producer API
4.1.1 消息发送流程==>record作为中间件，消息队列, 心跳机制?
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。》发送数据到分区的三个原则-----recordbach
每个对应后面的一个分区
Accumulator写入的时候时一条一条的发送，而Accumulator发送时一批一批的发
相关参数：顺序 拦截》序列化==》分区
batch.size：只有数据积累到batch.size之后，sender才会发送数据。==》默认16kb
==》record中的一条一条进入后，累计到batch.size后传输数据
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。
===》如果达不到batch.size，时间达到这个值也会传输
4.1.1 异步发送API
1）导入依赖
org.apache.kafka
kafka-clients
0.11.0.0
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
1.不带回调函数的API
package com.kafka.kafka;
import org.apache.kafka.clients.producer.*;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException, InterruptedException {
//配置信息
Properties props = new Properties();
props.put(“bootstrap.servers”, “hadoop102:9092”);//kafka集群，broker-list
/应答级别
props.put(“acks”, “all”);
//重试次数
props.put(“retries”, 1);//重试次数
//批量大小
props.put(“batch.size”, 16384);//批次大小
//提交延时
props.put(“linger.ms”, 1);//等待时间
//缓存
props.put(“buffer.memory”, 33554432);//RecordAccumulator缓冲区大小
//KV序列号
props.put(“key.serializer”, “org.apache.kafka.common.serialization.StringSerializer”);
props.put(“value.serializer”, “org.apache.kafka.common.serialization.StringSerializer”);
//创建生产者对象
Producer
for (int i = 0; i < 100; i++) {
producer.send(new ProducerRecord
}
//关闭资源
producer.close();
}
}
2.带回调函数的API
回调函数会在producer收到ack时调用，为异步调用，该方法有两个参数，分别是RecordMetadata和Exception，如果Exception为null，说明消息发送成功，如果Exception不为null，说明消息发送失败。
注意：消息发送失败会自动重试，不需要我们在回调函数中手动重试。
package com.kafka.kafka;
import org.apache.kafka.clients.producer.*;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException, InterruptedException {
Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");//kafka集群，broker-list
props.put("acks", "all");
props.put("retries", 1);//重试次数
props.put("batch.size", 16384);//批次大小
props.put("linger.ms", 1);//等待时间
props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
Producer producer = new KafkaProducer<>(props);
for (int i = 0; i < 100; i++) {
producer.send(new ProducerRecord("first", Integer.toString(i), Integer.toString(i)), new Callback() {
//回调函数，该方法会在Producer收到ack时调用，为异步调用
@Override
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception == null) {
System.out.println("success->" + metadata.offset());
} else {
exception.printStackTrace();
}
}
});
}
producer.close();
}
}
==》带回调函数 send（record， new callback()）
4.1.2 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 com.kafka.kafka;
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;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException, InterruptedException {
Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");//kafka集群，broker-list
props.put("acks", "all");
props.put("retries", 1);//重试次数
props.put("batch.size", 16384);//批次大小
props.put("linger.ms", 1);//等待时间
props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
Producer producer = new KafkaProducer<>(props);
for (int i = 0; i < 100; i++) {
producer.send(new ProducerRecord("first", Integer.toString(i), Integer.toString(i))).get();==》通过get（）阻塞当前前程
}
producer.close();
}
}
4.2 Consumer API==》解序列号
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。
4.2.1 自动提交offset==》自动提交会造成数据的重复消费，而不会漏消费（原因: 数据是先消费后提交）
==>自动提交，对于更高级别的控制是无法实现的
1）导入依赖
org.apache.kafka
kafka-clients
0.11.0.0
2）编写代码
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
以下为自动提交offset的代码：
package com.kafka.kafka;
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;
public class CustomConsumer {
public static void main(String[] args) {
Properties props = new Properties();
//kafka集群
props.put(“bootstrap.servers”, “hadoop102:9092”);
//消费者id
props.put(“group.id”, “test”);
//设置自动提交offset
props.put(“enable.auto.commit”, “true”);
//提交延时 —interval间隔
props.put(“auto.commit.interval.ms”, “1000”);
//kv的反序列化
props.put(“key.deserializer”, “org.apache.kafka.common.serialization.StringDeserializer”);
props.put(“value.deserializer”, “org.apache.kafka.common.serialization.StringDeserializer”);
//创建消费者信息
KafkaConsumer
//指定Topic
consumer.subscribe(Arrays.asList(“first”));
while (true) {
//获取数据
ConsumerRecords
for (ConsumerRecord
System.out.printf(“offset = %d, key = %s, value = %s%n”, record.offset(), record.key(), record.value());
}
}
}
==》这里需要注意的是 ，加入没有设置offset参数前运行了程序，那么在配置参数无法获取数字，需要修改组的名字
// 0508—》bigdata-0508
4.2.2 手动提交offset==》可以更加精确的控制
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。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。
1）同步提交offset==》有失败重置
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 com.kafka.kafka.consumer;
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 liubo
*/
public class CustomComsumer {public static void main(String[] args) {
Properties props = new Properties(); props.put("bootstrap.servers", "hadoop102:9092");//Kafka集群 props.put("group.id", "test");//消费者组，只要group.id相同，就属于同一个消费者组 props.put("enable.auto.commit", "false");//关闭自动提交offset props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); KafkaConsumer}
}
2）异步提交offset==》没有失败重置，但是正常情况还是会使用这个
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。
==》因为每一次新的提交都相当offset新的重置，所以对offset没有大的影响，所以这个失败重置对可靠性是没有大的影响的
==》假如这里有失败重置，旧的offset会把新的offset覆盖，会有重复消费发送
以下为异步提交offset的示例：
package com.kafka.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 liubo
*/
public class CustomConsumer {public static void main(String[] args) {
Properties props = new Properties(); props.put("bootstrap.servers", "hadoop102:9092");//Kafka集群 props.put("group.id", "test");//消费者组，只要group.id相同，就属于同一个消费者组 props.put("enable.auto.commit", "false");//关闭自动提交offset props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); KafkaConsumer}
}
3） 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，(这时候如果消费者挂了，当消费者恢复后，会从原来的offset读取)有可能会造成数据的重复消费。
==》0，1，2消费后，consumer_offset到2+1
==》与代码提交的先后顺序有关，所以同步/异步都有可能造成重复消费/或者漏消费
===》自动提交，是在poll方法中提交的，poll时间到后才会提交，是先消费后提交
==》以上都会出现数据重复消费或漏消费，因为消费和提交不同步，可以采用offset自定义
4.2.3 自定义存储offset
Kafka 0.9版本之前，offset存储在zookeeper，0.9版本之后，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Rebalance。（分区重新分配rang /randrollb）
当有新的消费者加入消费者组、已有的消费者退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。
package com.kafka.kafka.consumer;
import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.*;
/**
-
@author liubo
*/
public class CustomConsumer {private static Map
public static void main(String[] args) {
Properties props = new Properties();
props.put(“bootstrap.servers”, “hadoop102:9092”);//Kafka集群
props.put(“group.id”, “test”);//消费者组，只要group.id相同，就属于同一个消费者组
props.put(“enable.auto.commit”, “false”);//关闭自动提交offset
props.put(“key.deserializer”, “org.apache.kafka.common.serialization.StringDeserializer”);
props.put(“value.deserializer”, “org.apache.kafka.common.serialization.StringDeserializer”);KafkaConsumerpartitions) { commitOffset(currentOffset); } //该方法会在Rebalance之后调用 @Override public void onPartitionsAssigned(Collection partitions) { currentOffset.clear(); for (TopicPartition partition : partitions) { consumer.seek(partition, getOffset(partition));//定位到最近提交的offset位置继续消费 } } }); while (true) { ConsumerRecords }
//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}
}
4.3 自定义Interceptor
4.3.1 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)：==》回调函数
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。
4.3.2 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
（1）增加时间戳拦截器
package com.kafka.kafka.interceptor;
import java.util.Map;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
public class TimeInterceptor implements ProducerInterceptor
@Override
public void configure(Map configs) {
}
//增加时间戳
@Override
public ProducerRecord
// 创建一个新的record，把时间戳写入消息体的最前部
return new ProducerRecord(record.topic(), record.partition(), record.timestamp(), record.key(),
System.currentTimeMillis() + “,” + record.value().toString());
}
@Override
public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
}
@Override
public void close() {
}
}
（2）统计发送消息成功和发送失败消息数，并在producer关闭时打印这两个计数器
package com.kafka.kafka.interceptor;
import java.util.Map;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
public class CounterInterceptor implements ProducerInterceptor
private int errorCounter = 0;
private int successCounter = 0;
@Override
public void configure(Map configs) {
}
@Override
public ProducerRecord onSend(ProducerRecord record) {
return record;
}
//计数
@Override
public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
// 统计成功和失败的次数
if (exception == null) {
successCounter++;
} else {
errorCounter++;
}
}
//最后close时， 在这里打印
@Override
public void close() {
// 保存结果
System.out.println("Successful sent: " + successCounter);
System.out.println("Failed sent: " + errorCounter);
}
}
（3）producer主程序
package com.kafka.kafka.interceptor;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
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;
public class InterceptorProducer {
public static void main(String[] args) throws Exception {
// 1 设置配置信息
Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");
props.put("acks", "all");
props.put("retries", 0);
props.put("batch.size", 16384);
props.put("linger.ms", 1);
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");
// 2 构建拦截链
List interceptors = new ArrayList<>();
interceptors.add("com.kafka.kafka.interceptor.TimeInterceptor"); interceptors.add("com.kafka.kafka.interceptor.CounterInterceptor");
props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);
String topic = "first";
Producer producer = new KafkaProducer<>(props);
// 3 发送消息
for (int i = 0; i < 10; i++) {
ProducerRecord record = new ProducerRecord<>(topic, "message" + i);
producer.send(record);
}
// 4 一定要关闭producer，这样才会调用interceptor的close方法
producer.close();
}
}
3）测试
（1）在kafka上启动消费者，然后运行客户端java程序。
[kafka@hadoop102 kafka]$ bin/kafka-console-consumer.sh
–bootstrap-server hadoop102:9092 --from-beginning --topic first
1501904047034,message0
1501904047225,message1
1501904047230,message2
1501904047234,message3
1501904047236,message4
1501904047240,message5
1501904047243,message6
1501904047246,message7
1501904047249,message8
1501904047252,message9
第5章 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/datas/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 = hadoop102:9092,hadoop103:9092,hadoop104:9092
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==》自己配置参数
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
2） 启动kafkaIDEA消费者
3） 进入flume根目录下，启动flume
$ bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf
4） 向 /opt/module/datas/flume.log里追加数据，查看kafka消费者消费情况
$ echo hello >> /opt/module/datas/flume.log
第6章 Kafka监控
6.1 Kafka Monitor
1.上传jar包KafkaOffsetMonitor-assembly-0.4.6.jar到集群
2.在/opt/module/下创建kafka-offset-console文件夹
3.将上传的jar包放入刚创建的目录下
4.在/opt/module/kafka-offset-console目录下创建启动脚本start.sh，内容如下：
#!/bin/bash
java -cp KafkaOffsetMonitor-assembly-0.4.6-SNAPSHOT.jar
com.quantifind.kafka.offsetapp.OffsetGetterWeb
–offsetStorage kafka
–kafkaBrokers hadoop102:9092,hadoop103:9092,hadoop104:9092
–kafkaSecurityProtocol PLAINTEXT
–zk hadoop102:2181,hadoop103:2181,hadoop104:2181
–port 8086
–refresh 10.seconds
–retain 2.days
–dbName offsetapp_kafka &
5.在/opt/module/kafka-offset-console目录下创建mobile-logs文件夹
mkdir /opt/module/kafka-offset-console/mobile-logs
6.启动KafkaMonitor
./start.sh
7. 登录页面hadoop102:8086端口查看详情
==》查看消费者组信息：
6.2 Kafka Manager
1.上传压缩包kafka-manager-1.3.3.15.zip到集群
2.解压到/opt/module
3.修改配置文件conf/application.conf
kafka-manager.zkhosts=“kafka-manager-zookeeper:2181”
修改为：
kafka-manager.zkhosts=“hadoop102:2181,hadoop103:2181,hadoop104:2181”
- 登录hadoop102:9000页面查看详细信息==》更改端口号
==》临时使用：
===》地址已在使用，需要修改：
Readme中提示，可以用这种方式进行访问：
不归选这两个，可先监控得信息比较有限
==》勾选JMX：监控java的IO，磁盘信息
==》获取消费者的信息
重启kafka ， 在面前输入 JMX_PORT =9988, 相当于设置了环境变量
了解一下, leader的倾斜
==》Kafka Manager这个监控可以实现3点：
- 对于某个节点挂掉后，出现的leader倾斜，可以重写分配leader；
- 对于partition进行重写分配，比如扩展服务器后，需要增加分区，通过可视化界面，可以快速对分区进行管理
- 监控消费者lag（滞后情况）进行调整： 增加消费者个数或是增加处理消费者的逻辑线程
第7章 Kafka面试题
7.1 面试问题
1.Kafka中的ISR、AR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.“消费者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？
1）会在zookeeper中的/brokers/topics节点下创建一个新的topic节点，如：/brokers/topics/first
2）触发Controller的监听程序
3）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的那些设计让它有如此高的性能？
21.如何实现精确一次性？===》生产者：幂等性配合at least 语义 ；消费者组：存放在一个事务中，原子性
7.2 参考答案