kafka学习笔记

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。

传统消息队列的应用场景

使用消息队列的好处：
- 解耦：允许你独立地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。
- 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。
- 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。
- 削峰：在访问量剧增的情况下，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。
- 异步通信：很多时候用户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:
- 点对点模式：一对一，消费者主动拉取消息，消费者消费消息后，消息就被清除。队列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。
- 发布/订阅模式：一对多，生产者生产消息放到队列中，队列推送消息，消费者消费消息后，消息不会被清除。

点对点模式

发布/订阅模式（缺点：消费者长轮询）

kafka基础架构

Producer：消息生产者，就是向 kafka broker 发消息的客户端；
Consumer：消息消费者，向 kafka broker 取消息的客户端；
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某个消费者消费；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。
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。
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；
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；
Replication：副本，为保证集群中的某个节点发生故障时，该节点上的分区数据不丢失，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。
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。
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。

依赖zookeeper集群搭建kafka集群

zookeeper集群搭建教程
kafka安装包下载页面
准备3台节点：192.168.211.147，192.168.211.141，192.168.211.156，并在各个节点的/opt目录下解压压缩包：

tar -zxvf kafka_2.12-2.5.0.tgz、mv kafka_2.12-2.5.0 kafka-1
tar -zxvf kafka_2.12-2.5.0.tgz、mv kafka_2.12-2.5.0 kafka-2
tar -zxvf kafka_2.12-2.5.0.tgz、mv kafka_2.12-2.5.0 kafka-3

修改各个节点中kafka服务器的配置文件server.properties、producer.properties、consumer.properties：
/opt/kafka-1/config/server.properties：

broker.id=1 #服务器节点编号
listeners=PLAINTEXT://192.168.211.147:9092 #设置监听哪个端口
advertised.listeners=PLAINTEXT://192.168.211.147:9092
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/opt/kafka-1/data #存放kafka数据的目录
num.partitions=1
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.retention.hours=168
#log.retention.bytes=1073741824
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=192.168.211.147:2181,192.168.211.147:2182,192.168.211.147:2183
zookeeper.connection.timeout.ms=18000
group.initial.rebalance.delay.ms=0

/opt/kafka-1/config/producer.properties：

bootstrap.servers=192.168.211.147:9092
compression.type=none

/opt/kafka-1/config/consumer.properties：

bootstrap.servers=192.168.211.147:9092
group.id=test

/opt/kafka-2/config/server.properties：

broker.id=2 #服务器节点编号
listeners=PLAINTEXT://192.168.211.141:9092 #设置监听哪个端口
advertised.listeners=PLAINTEXT://192.168.211.141:9092
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/opt/kafka-2/data #存放kafka数据的目录
num.partitions=1
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.retention.hours=168
#log.retention.bytes=1073741824
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=192.168.211.147:2181,192.168.211.147:2182,192.168.211.147:2183
zookeeper.connection.timeout.ms=18000
group.initial.rebalance.delay.ms=0

/opt/kafka-2/config/producer.properties：

bootstrap.servers=192.168.211.141:9092
compression.type=none

/opt/kafka-2/config/consumer.properties：

bootstrap.servers=192.168.211.141:9092
group.id=test

/opt/kafka-3/config/server.properties：

broker.id=3 #服务器节点编号
listeners=PLAINTEXT://192.168.211.156:9092 #设置监听哪个端口
advertised.listeners=PLAINTEXT://192.168.211.156:9092
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/opt/kafka-3/data #存放kafka数据的目录
num.partitions=1
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.retention.hours=168
#log.retention.bytes=1073741824
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=192.168.211.147:2181,192.168.211.147:2182,192.168.211.147:2183
zookeeper.connection.timeout.ms=18000
group.initial.rebalance.delay.ms=0

/opt/kafka-3/config/producer.properties：

bootstrap.servers=192.168.211.156:9092
compression.type=none

/opt/kafka-3/config/consumer.properties：

bootstrap.servers=192.168.211.156:9092
group.id=test

分别在各个节点的kafka安装目录下创建两个文件夹：mkdir data logs
分别在各个节点的kafka安装目录下的data文件夹中创建一个文件meta.properties：
/opt/kafka-1/data/meta.properties：

version=0
broker.id=1 #注意和server.properties中的broker.id的值相同

/opt/kafka-2/data/meta.properties：

version=0
broker.id=2

/opt/kafka-3/data/meta.properties：

version=0
broker.id=3

先启动zookeeper集群，再启动kafka集群（可以单独写一个shell脚本来启动和关闭集群），然后键入命令：jps查看kafka是否已启动。

bin/zookeeper-server-start.sh -daemon config/zookeeper.properties
nohup bin/kafka-server-start.sh config/server.properties 1>/dev/null 2>&1 &

进入kafka安装目录下的logs文件夹，通过文件server.log可以查看该kafka节点的运行日志。
创建主题（bigdata3），指定分区数2个和副本数1个（注意：分区数可以超过节点数，副本数不能超过节点数）：

bin/kafka-topics.sh --zookeeper 192.168.211.147:2181 --create --topic bigdata3 --partitions 2 --replication-factor 1

列举主题（存放在zk中）

bin/kafka-topics.sh --zookeeper 192.168.211.147:2181 --list

删除主题（bigdata3），删除后会被标记为删除状态，等cpu空闲时再自动清除

./bin/kafka-topics.sh --zookeeper 192.168.211.147:2181 --delete --topic bigdata3

主题分布详情：

./bin/kafka-topics.sh --zookeeper 192.168.211.147:2182 --describe --topic bigdata3

往bigdata3主题上发送消息（启动生产者）：

./bin/kafka-console-producer.sh --broker-list 192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092 --topic bigdata3

从bigdata3主题上读取消息（启动消费者）：

./bin/kafka-console-consumer.sh --bootstrap-server 192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092 --topic bigdata3 --from-beginning

kafka工作流程

kafka中消息是以topic进行分类的，producer生产消息，consumer消费消息，都是面向topic的。（从命令行操作看出）
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。（topic = N partition，partition = log）

kafka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 name+分区序号。例如：first-topic这个topic有三个分区，则其对应的文件夹为first-topic-0，first-topic-1，first-topic-2。

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

.index文件和.log文件的结构示意图

.index和.log文件以当前segment的第一条消息的offset命名。.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。
主题分区的原因：
- 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适合的数据了；
- 可以提高并发，因为可以以partition为单位进行读写了。
分区的原则：
- 指明partition的情况下，直接将指明的值作为partiton值；
- 没有指明partition值但有key的情况下，将key的 hash 值与 topic 的 partition 总数进行取余得到的partition值；
- 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，即round-robin算法。

生产者发送数据分装为ProducerRecord对象的API

生产者数据可靠性保证：为保证producer发送的数据，能可靠地发送到指定的 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），若producer收到 ack，则会进行下一轮的发送，否则重新发送数据。

生产者数据可靠性保证机制

何时发送ack？确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。
多少个follower同步完成之后发送ack？①半数以上的follower同步完成，即可发送ack；②全部的follower同步完成，才可以发送ack。

序号	方案	优点	缺点
1	半数以上完成同步，就发送ack	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。容错率：1/2。
2	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。容错率：1。	延迟高

kafka选取了第二种方案，原因：①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，又 kafka 的每个分区都有大量的数据，因此，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。
kafka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，就会给 leader 发送 ack。若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。当leader 发生故障之后，就会从 ISR 中选举新的 leader。
- replica.lag.time.max.ms：If a follower hasn't sent any fetch requests or hasn't consumed up to the leaders log end offset for at least this time, the leader will remove the follower from isr。TYPE: long。DEFAULT: 10000。
若对数据的可靠性要求不是很高，能够容忍少量数据的丢失，则没必要等 ISR 中的 follower 全部接收成功，因此，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，acks可以选择以下几个值：
- 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；
- 1：producer等待 broker 的 ack，partition的 leader 落盘成功后返回才ack，若在 follower同步成功之前 leader 故障，则将会丢失数据；
- -1（all）：producer等待 broker 的 ack，partition的 leader 和 ISR 的follower 全部落盘成功后才返回 ack。但若在 follower 同步完成后，broker 发送 ack 之前， leader 发生故障，则会造成数据重复。

acks=1

acks=-1，可能造成数据重复写入

助记：返ACK前，0无落盘，1一落盘，-1全落盘，（落盘：消息存到本地）
kafka数据一致性

LEO（Log End Offset）：每个副本的最后一个offset。
HW（High Watermark）：高水位，指消费者能见到的最大的offset，ISR 队列中最小的 LEO。
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。
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。
当服务器的 ACK 级别设置为-1（all），可以保证 Producer 到 Server 之间不会丢失数据，即At Least Once语义。当服务器的 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。At Most Once可以保证数据不重复，但是不能保证数据不丢失。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.idempotence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 端会对做缓存，当具有相同主键的消息提交时， Broker 只会持久化一条（单分区单会话）。但是生产者重启时PID 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。
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的速度传递消息，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 （拉）模式不足之处是，若 kafka 没有数据，则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，若当前没有数据可供消费，则consumer 会等待一段时间之后再返回，这段时长即为 timeout。
消费者分区分配策略：一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，所以会涉及到 partition 的分配问题，即确定哪个 partition 由哪个 consumer 来消费。Kafka 有两种分配策略：①round-robin循环；②range。
关于Roudn Robin重分配策略，其主要采用的是一种轮询的方式来分配所有的分区，主要实现的步骤如下：假设有三个topic：t0、t1和t2，这三个topic拥有的分区数分别为1、2和3，则总共有六个分区，这六个分区分别为：t0-0、t1-0、t1-1、t2-0、t2-1和t2-2。又假设我们有三个consumer：C0、C1和C2，它们订阅的情况为：C0订阅t0，C1订阅t0和t1，C2订阅t0、t1和t2，则这些分区的分配步骤如下：
- 首先将所有的partition和consumer按照字典序进行排序，所谓的字典序，就是按照其名称的字符串顺序，那么上面的六个分区和三个consumer排序之后分别为：t0-0、t1-0、t1-1、t2-0、t2-1、t2-2和C0、C1、C2。
- 然后按顺序轮询的方式将这六个分区分配给三个consumer，若当前consumer没有订阅当前分区所在的topic，则轮询地判断下一个consumer：
  - 尝试将t0-0分配给C0，由于C0订阅了t0，因而可以分配成功；
  - 尝试将t1-0分配给C1，由于C1订阅了t1，因而可以分配成功；
  - 尝试将t1-1分配给C2，由于C2订阅了t1，因而可以分配成功；
  - 尝试将t2-0分配给C0，由于C0没有订阅t2，因而会轮询下一个consumer；
  - 尝试将t2-0分配给C1，由于C1没有订阅t2，因而会轮询下一个consumer；
  - 尝试将t2-0分配给C2，由于C2订阅了t2，因而可以分配成功；
  - 同理由于t2-1和t2-2所在的topic都没有被C0和C1订阅，因而都不会分配成功，最终都会分配给C2。
  - 从上面的步骤分析可以看出，轮询的策略就是简单地将所有的partition和consumer按照字典序进行排序之后，然后依次将partition分配给各个consumer，若当前的consumer没有订阅当前的partition，则会轮询下一个consumer，直至最终将所有的分区都分配完毕。但是从上面的分配结果可以看出，轮询的方式会导致每个consumer所承载的分区数量不一致，从而导致各个consumer压力不均一。
  - 按照上述的步骤将所有的分区都分配完毕之后，最终分区的订阅情况如下：

Range重分配策略：首先会计算各个consumer将会承载的分区数量，然后将指定数量的分区分配给该consumer。假设有两个consumer：C0和C1，两个topic：t0和t1，这两个topic分别都有三个分区，总共的分区有六个：t0-0、t0-1、t0-2、t1-0、t1-1和t1-2，则这些分区的分配步骤如下：
- 注意：Range策略是按照topic进行分区分配的。拿主题t0来分析，其首先会获取t0的所有分区：t0-0、t0-1和t0-2，以及所有订阅了该topic的consumer：C0和C1，并且会将这些分区和consumer按照字典序进行排序；
- 然后按照平均分配的方式计算每个consumer会得到多少个分区，若没有除尽，则会将多出来的分区依次计算到前面几个consumer。假设有3个分区和2个consumer，则每个consumer至少会得到1个分区，因为3除以2后还余1，所以会将剩余的1个分区分配给第一个consumer，最终C0从第0个分区开始分配2个分区，而C1从第2个分区开始分配1个分区；
- 同理，按照上面的步骤依次进行后面topic的分配，最终上面六个分区的分配情况如下所示：

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。
修改配置文件 consumer.properties：exclude.internal.topics=false。
0.11.0.0 之前版本：

bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper hadoop102:2181 --formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

0.11.0.0 及之后版本：

bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper hadoop102:2181 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

消费者组案例：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一个消息。
- 修改consumer.properties文件中的 group.id 属性：group.id=zhangsan
- 创建主题：bigdata3
- 启动生产者
- 分别启动2个消费者
- 在生产者窗口输入消息，观察两个消费者窗口，会发现两个消费者窗口中，只有一个才会弹出消息。

bin/kafka-topics.sh --zookeeper 192.168.211.147:2181 --create --topic bigdata3 --partitions 2 --replication-factor 1
--------------------------------------------------------
./bin/kafka-console-producer.sh --broker-list 192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092 --topic bigdata3
-------------------------------------------------------
./bin/kafka-console-consumer.sh --bootstrap-server 192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092 --topic bigdata3 --consumer.config ./config/consumer.properties

kafka高效读写数据：
- 顺序写磁盘：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。
- 零复制技术：NIC network interface controller 网络接口控制器。

zookeeper 在 kafka 中的作用：Kafka 集群中有一个 broker 会被选举为controller，负责管理集群中 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：

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跨会话，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。 Transaction Coordinator 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：无法保证 Commit 的信息被精确消费一次，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。
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：①batch.size：只有数据积累到 batch.size 之后， sender 才会发送数据。②linger.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。
kafka应用实例：测试异步发送消息以及带回调函数的生产者。
导入依赖：


    org.apache.kafka
    kafka-clients
    0.11.0.0

MyProducer.java

import org.apache.kafka.clients.producer.*;
import java.util.Properties;
public class MyProducer {
    /**
     * 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
     */
    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集群 broker-list
        props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        //3、ACK应答级别
        props.put(ProducerConfig.ACKS_CONFIG, "all");
        //4、重试次数
        props.put(ProducerConfig.RETRIES_CONFIG, 1);
        //5、批次大小：16k
        props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
        //6、等待时间：1ms
        props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
        //7、RecordAccumulator 缓冲区大小
        props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
        //8、指定序列化的类
        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");
        //9、创建生产者对象
        Producer producer = new KafkaProducer<>(props);
        //10、发送数据
        /*for (int i = 0; i < 10; i++) {
            producer.send(new ProducerRecord<>("bigdata3", "test-" + i,
                    "test-" + i));
        }*/
        for (int i = 0; i < 10; i++) {
            /**
             * 回调函数会在 producer 收到 ack 时调用，且为异步调用，
             * 该方法有两个参数，分别是 RecordMetadata 和 Exception，
             * 若 Exception 为 null，则说明消息发送成功；否则说明消息发送失败。
             * 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。
             */
            producer.send(new ProducerRecord<>("bigdata3",
                    "test-" + i), (metadata, exception) -> {
                if (exception == null) {
                    System.out.println(metadata.partition() + " - " + metadata.offset());
                } else {
                    exception.printStackTrace();
                }
            });
        }
        //11、关闭资源
        producer.close();
    }
}

kafka应用实例：测试自定义分区器的生产者。
MyPartitioner.java

import org.apache.kafka.clients.producer.Partitioner;
import org.apache.kafka.common.Cluster;
import java.util.Map;
public class MyPartitioner implements Partitioner {
    /**
     * 具体内容填写可参考默认分区器：org.apache.kafka.clients.producer.internals.DefaultPartitioner
     * 然后Producer配置中注册使用：
     * props.put(ProducerConfig.PARTITIONER_CLASS_CONFIG, MyPartitioner.class);
     */
    @Override
    public void configure(Map configs) {

    }
    //自定义存储在哪个分区
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        return 0;
    }
    @Override
    public void close() {
    }
}

kafka应用实例：测试同步发送消息的生产者。
同步发送的意思就是一条消息发送之后，会阻塞当前线程，直至其返回 ack。由于 send 方法返回的是一个 Future 对象，根据 Futrue 对象的特点，只需再调用 Future 对象的 get 方法即可。
SyncProducer.java

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;
import java.util.concurrent.ExecutionException;
public class SyncProducer {
    public static void main(String[] args) throws ExecutionException, InterruptedException {
        Properties props = new Properties();
        props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        props.put(ProducerConfig.ACKS_CONFIG, "all");
        props.put(ProducerConfig.RETRIES_CONFIG, 1);
        props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
        props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
        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");
        Producer producer = new KafkaProducer<>(props);
        for (int i = 0; i < 10; i++) {
            producer.send(new ProducerRecord<>("bigdata3",
                    "test-" + i), (metadata, exception) -> {
                if (exception == null) {
                    System.out.println(metadata.partition() + " - " + metadata.offset());
                } else {
                    exception.printStackTrace();
                }
            }).get(); //调用future的get方法来实现同步发送消息
        }
        producer.close();
    }
}

kafka应用实例：测试消费者消费消息。
MyConsumer.java

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.Collections;
import java.util.Properties;
public class MyConsumer {
    /**
     * 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
     */
    public static void main(String[] args) {
        //创建消费者的配置信息
        Properties props = new Properties();
        //连接的kafka集群，--bootstrap-server
        props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        //设置消费者组
        props.put(ConsumerConfig.GROUP_ID_CONFIG, "zhangsan");
        //开启自动提交offset
        props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");
        //自动提交offset的时间间隔
        props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
        //重置消费者的offset，注意需要换组名才能出现 --from-beginning 的效果
        props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");//默认值是 latest
        //key，value的反序列化类
        props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer consumer = new KafkaConsumer<>(props);
        //订阅主题
        consumer.subscribe(Collections.singletonList("bigdata3"));
        while (true) {
            //死循环获取所有记录
            ConsumerRecords records = consumer.poll(100); //100ms
            for (ConsumerRecord record : records) {
                System.out.printf("offset = %d，key = %s，value = %s\n", record.offset(), record.key(), record.value());
            }
        }
        //关闭连接
        //consumer.close();
    }
}

虽然自动提交 offset 十分便利，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：①commitSync（同步提交）；②commitAsync（异步提交）
- 相同点：都会将本次 poll 的一批数据最高的偏移量提交；
- 不同点：commitSync 阻塞当前线程，一直到提交成功，并且失败会自动重试（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。
SyncCommitOffset.java

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.Collections;
import java.util.Properties;
public class SyncCommitOffset {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        props.put(ConsumerConfig.GROUP_ID_CONFIG, "zhangsan");
        //关闭自动提交offset
        props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
        props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
        props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");//默认值是 latest
        props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer consumer = new KafkaConsumer<>(props);
        consumer.subscribe(Collections.singletonList("bigdata3"));
        while (true) {
            ConsumerRecords records = consumer.poll(100); //100ms
            for (ConsumerRecord record : records) {
                System.out.printf("offset = %d，key = %s，value = %s\n", record.offset(), record.key(), record.value());
            }
            //同步提交，当前线程会阻塞直到 offset 提交成功
            consumer.commitSync();
        }
        //关闭连接
        //consumer.close();
    }
}

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，吞吐量会收到很大的影响，因此更多情况下，会选用异步提交 offset 的方式。
AsyncCommitOffset.java

import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.Collections;
import java.util.Map;
import java.util.Properties;
public class AsyncCommitOffset {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        props.put(ConsumerConfig.GROUP_ID_CONFIG, "zhangsan");
        //关闭自动提交offset
        props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
        props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
        props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");//默认值是 latest
        props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer consumer = new KafkaConsumer<>(props);
        consumer.subscribe(Collections.singletonList("bigdata3"));
        while (true) {
            ConsumerRecords records = consumer.poll(100); //100ms
            for (ConsumerRecord record : records) {
                System.out.printf("offset = %d，key = %s，value = %s\n", record.offset(), record.key(), record.value());
            }
            // 异步提交
            consumer.commitAsync((offsets, exception) -> {
                if (exception != null) {
                    System.err.println("Commit failed for" + offsets);
                }
            });
        }
        //关闭连接
        //consumer.close();
    }
}

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。
kafka 0.9 版本之前，offset 存储在 zookeeper中；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（需要借助 ConsumerRebalanceListener接口）。offset 的维护相当繁琐，因为需要考虑到消费者的 Rebalance。（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。
CustomSaveOffset.java

import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.*;
public class CustomSaveOffset {
    private static Map currentOffset = new HashMap<>();
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        props.put(ConsumerConfig.GROUP_ID_CONFIG, "zhangsan");
        //关闭自动提交offset
        props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
        props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
        props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");//默认值是 latest
        props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
                "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer consumer = new KafkaConsumer<>(props);
        consumer.subscribe(Collections.singletonList("bigdata3"),
                new ConsumerRebalanceListener() {
                    // 该方法会在 Rebalance 之前调用
                    @Override
                    public void onPartitionsRevoked(Collection partitions) {
                        commitOffset(currentOffset);
                    }

                    // 该方法会在 Rebalance 之后调用
                    @Override
                    public void onPartitionsAssigned(Collection 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 records = consumer.poll(100); //100ms
            for (ConsumerRecord record : records) {
                System.out.printf("offset = %d，key = %s，value = %s\n", record.offset(), record.key(), record.value());
            }
            //异步提交
            commitOffset(currentOffset);
        }
        //关闭连接
        //consumer.close();
    }
    // 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（可将offset存入MySQL数据库中）
    private static void commitOffset(Map currentOffset) {
    }
}

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：
- configure(configs)：获取配置信息和初始化数据时调用。
- 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。
- 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多的逻辑，否则会拖慢 producer 的消息发送效率。
- close()：关闭 interceptor，主要用于执行一些资源清理工作。
如上所述：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。
kafka应用实例：实现一个简单的双 interceptor 组成的拦截链。
需求：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。
TimeInterceptor.java

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;
//时间戳拦截器
public class TimeInterceptor implements ProducerInterceptor {
    @Override
    public void configure(Map configs) {
    }
    @Override
    public ProducerRecord onSend(ProducerRecord record) {
        //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(),
                "TimeInterceptor: " + System.currentTimeMillis() + "," + record.value());
    }
    @Override
    public void close() {
    }
    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {

    }
}

CounterInterceptor.java

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;
//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
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;
    }
    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
        //统计成功和失败的次数
        if (exception == null) {
            successCounter++;
        } else {
            errorCounter++;
        }
    }
    @Override
    public void close() {
        //保存结果
        System.out.println("Successful sent: " + successCounter);
        System.out.println("Failed sent: " + errorCounter);
    }
}

InterceptorProducer.java

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;
public class InterceptorProducer {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.211.147:9092,192.168.211.141:9092,192.168.211.156:9092");
        props.put(ProducerConfig.ACKS_CONFIG, "all");
        props.put(ProducerConfig.RETRIES_CONFIG, 1);
        props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
        props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
        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");
        //构建拦截链
        List interceptors = new ArrayList<>();
        interceptors.add("com.zzw.interceptor.TimeInterceptor");
        interceptors.add("com.zzw.interceptor.CounterInterceptor");
        props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);
        Producer producer = new KafkaProducer<>(props);
        for (int i = 0; i < 10; i++) {
            ProducerRecord record = new ProducerRecord<>("bigdata3", "zhangsan", "message-" + i);
            producer.send(record);
        }
        //一定要关闭 producer，这样才会调用 interceptor 的 close 方法
        producer.close();
    }
}

Kafka Eagle是开源可视化和管理软件。它允许您查询、可视化、提醒和探索您的指标，无论它们存储在哪里。简单地说，它为您提供了将kafka集群数据转换为漂亮的图形和可视化的工具。
Kafka Eagle官方主页、 Kafka Eagle下载页面、Kafka Eagle官方文档
安装并配置Kafka Eagle的环境变量：

tar -zxvf kafka-eagle-bin-2.0.3.tar.gz
cd kafka-eagle-bin-2.0.3/
tar -zxvf kafka-eagle-web-2.0.3-bin.tar.gz -C /opt/eagle
-----------------------------------------------------------------
sudo vim /etc/profile
-----------------------------------------------------------------
export JAVA_HOME=/opt/jdk1.8
export KE_HOME=/opt/eagle
export PATH=$PATH:$KE_HOME/bin:$JAVA_HOME/bin
-----------------------------------------------------------------
source /etc/profile

进入kafka-eagle的conf目录下修改配置文件system-config.properties：

######################################
# multi zookeeper & kafka cluster list （zookeeper地址）
######################################
kafka.eagle.zk.cluster.alias=cluster1
cluster1.zk.list=192.168.211.147:2181,192.168.211.147:2182,192.168.211.147:2183

######################################
# zookeeper enable acl
######################################
cluster1.zk.acl.enable=false
cluster1.zk.acl.schema=digest
cluster1.zk.acl.username=test
cluster1.zk.acl.password=test123

######################################
# broker size online list
######################################
cluster1.kafka.eagle.broker.size=20

######################################
# zk client thread limit  （zk线程数）
######################################
kafka.zk.limit.size=25

######################################
# kafka eagle webui port  （kafka eagle的端口）
######################################
kafka.eagle.webui.port=8048

######################################
# kafka jmx acl and ssl authenticate
######################################
cluster1.kafka.eagle.jmx.acl=false
cluster1.kafka.eagle.jmx.user=keadmin
cluster1.kafka.eagle.jmx.password=keadmin123
cluster1.kafka.eagle.jmx.ssl=false
cluster1.kafka.eagle.jmx.truststore.location=/Users/dengjie/workspace/ssl/certificates/kafka.truststore
cluster1.kafka.eagle.jmx.truststore.password=ke123456

######################################
# kafka offset storage （kafka offset保存的位置）
######################################
cluster1.kafka.eagle.offset.storage=kafka

######################################
# kafka metrics, 15 days by default （开启图表）
######################################
kafka.eagle.metrics.charts=true
kafka.eagle.metrics.retain=15

######################################
# kafka sql topic records max
######################################
kafka.eagle.sql.topic.records.max=5000

######################################
# delete kafka topic token
######################################
kafka.eagle.topic.token=keadmin

######################################
# kafka sasl authenticate
######################################
cluster1.kafka.eagle.sasl.enable=false
cluster1.kafka.eagle.sasl.protocol=SASL_PLAINTEXT
cluster1.kafka.eagle.sasl.mechanism=SCRAM-SHA-256
cluster1.kafka.eagle.sasl.jaas.co![20210109181652.png](https://upload-images.jianshu.io/upload_images/7810329-5a7c09b3311a2647.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
nfig=org.apache.kafka.common.security.scram.ScramLoginModule required username="kafka" password="kafka-eagle";
cluster1.kafka.eagle.sasl.client.id=
cluster1.kafka.eagle.blacklist.topics=
cluster1.kafka.eagle.sasl.cgroup.enable=false
cluster1.kafka.eagle.sasl.cgroup.topics=

######################################
# kafka mysql jdbc driver address （不用预先创建数据库）
######################################
kafka.eagle.driver=com.mysql.jdbc.Driver
kafka.eagle.url=jdbc:mysql://127.0.0.1:3306/ke?useUnicode=true&characterEncoding=UTF-8&zeroDateTimeBehavior=convertToNull
kafka.eagle.username=root
kafka.eagle.password=123456

打开Kafka broker JMX：Kafka Eagle获取监控数据是通过JMX（Java Managent ExtenSion）来实现的，所以需要打开Kafka broker 的 JMX，可以直接修改kafka-server-start.sh文件：vi $KAFKA_HOME/bin/kafka-server-start.sh：

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="-Xmx1G -Xms1G"
    export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G -XX:PermSize=128m -XX:+UseG1GC -XX:MaxGCPauseMillis=200 -XX:ParallelGCThreads=8 -XX:ConcGCThreads=5 -XX:InitiatingHeapOccupancyPercent=70"
    export JMX_PORT="9999"
fi

接下来，按顺序进行以下操作：
- 运行zookeeper集群；
- 运行kafka集群之前，需要设置JMX_PORT，否则Kafka Eagle 后台提示连接失败；
- 启动Kafka Eagle服务器；

bin/zookeeper-server-start.sh -daemon config/zookeeper.properties
nohup bin/kafka-server-start.sh config/server.properties 1>/dev/null 2>&1 &
./ke.sh start

启动成功

登录页面

kafka学习笔记

依赖zookeeper集群搭建kafka集群

你可能感兴趣的:(kafka学习笔记)