简介
Kafka is a distributed,partitioned,replicated commit logservice。它提供了类似于JMS的特性，但是在设计实现上完全不同，此外它并不是JMS规范的实现。kafka对消息保存时根据Topic进行归类，发送消息者成为Producer,消息接受者成为Consumer,此外kafka集群有多个kafka实例组成，每个实例(server)成为broker。无论是kafka集群，还是producer和consumer都依赖于zookeeper来保证系统可用性集群保存一些meta信息。
入门请参照：https://www.ibm.com/developerworks/cn/opensource/os-cn-kafka/index.html
在此不再赘述。
zookeeper集群搭建
这部分不是本文的重点，但是kafka需要用到kafka集群，所以先搭建kafka集群。
从kafka官方文档看到，kafka似乎在未来的版本希望抛弃zookeep集群，自己维护集群的一致性，拭目以待吧。
我们搭建集群使用的是三台同机房的机器，因为zookeeper不怎么占资源也不怎么占空间（我们的业务目前比较简单），所以三台机器上都搭建了zookeeper集群。
搭建zookeeper集群没什么难度，参考文档：http://www.cnblogs.com/huangxincheng/p/5654170.html
下面列一下我的配置并解析：
集群规划
一共用三台物理机器，搭建一个Kafka集群。
每台服务器的硬盘划分都是一样的，每个独立的物理磁盘挂在一个单独的分区里面，这样很方便用于Kafka多个partition的数据读写与冗余。
/data1比较小，为了不成为集群的瓶颈，所以/data1用于存放kafka以及Zookeeper
每台机器的磁盘分布如下：
kafka集群配置
下面是kafka的简单配置，三台服务器都一样，如有不一致的在下文有说明。
kafka安装在目录/usr/local/kafka/下，下面的说明以10.1.xxx.57为例。
最重要的配置文件server.properties，需要配置的信息如下：
# broker.id，同一个集群里面，每一个服务器都需要唯一的一个ID，非负整数
broker.id=57
# listeners，监听客户端请求的IP和端口，默认都是9092
listeners=PLAINTEXT://10.1.xxx.57:9092
# 下面两个，最多的网络线程数，做多的磁盘IO线程数，根据业务量决定
# 我考虑到业务量并不大，而且一台物理机器有24个逻辑CPU，网络和磁盘IO线程都是IO密集型，所以我觉得线程数可以设置成CPU数目的2-3倍
# 现在都设成30个线程(最多)，反正线程多了也是睡眠，对系统性能影响不大，应该可以满足相当长时间的业务增长了。
num.network.threads=30
num.io.threads=30
# socket收发的缓冲区大小
# 适当设置大一点，机器有32G内存，只用在一个没多少数据的zookeeper和kafka，不需要太节省，设置大一点
socket.receive.buffer.bytes=809600
socket.request.max.bytes=104857600
# 数据到底保存在哪里？
# 这里需要给出一个list，数据放在这些分区(目录)中
# 多个topic，多个拷贝的情况下，kafka会自动做LB
log.dirs=/data3/kafka,/data4/kafka,/data5/kafka,/data6/kafka,/data7/kafka,/data8/kafka,/data9/kafka,/data10/kafka,/data11/kafka,/data12/kafka
# 【很重要】默认的partition数目
# 如果新建topic，没有配置的话默认的partition数。
# 在之前的版本，我配置成2，于是踩坑了：
# 我在没有新建topic并明确指定partition数目的情况下，给kafka生产了一路数据，于是硬生生塞满了一个磁盘分区，其他分区丝毫未动。
# 在这么多磁盘分区的情况下，默认partition可以多一点，LB的需要。
# 不过新建topic的时候，指定分区数目是一个好习惯。
# kafka生产者在不需要新建topic的情况下可以kafka写数据，这个未新建的topic，zookeeper是不知道的。
# 此坑到此一游
num.partitions=10
#补遗2018.06.25
#在搭建kafka南方集群的时候，数据量不多，所以只有2个节点，数据可以正常生产但是不能消费
#报错显示【Number of alive brokers '2' does not meet the required replication factor '3' for the offsets topic (configured via 'offsets.topic.replication.factor'). This error can be ignored if the cluster is starting up and not all brokers are up yet. (kafka.server.KafkaApis)】
#经查，原因是因为，组消费的topic要创建，默认是3个拷贝（replication），但是只有两个节点，所以无法创建，那么自然就无法记录组消费的进度了。
#于是把它设置为3
#by jencoldeng
#default 3, two kafka-nodes here, so set to 2
offsets.topic.replication.factor=2
# 多少条消息会flush一次缓存到磁盘，多久flush一次到磁盘
# 这两个参数关系到性能与安全性，也就是，太频繁刷新数据磁盘会影响性能，长时间不刷数据到磁盘会担心kafka挂掉丢数据，云云，这些教科书上讲得多了
log.flush.interval.messages=10000
log.flush.interval.ms=1000
#【重要】数据保存时间
# kafka很好用，可以自动帮你删除历史数据，这里大概保存4天
log.retention.hours=100
# 【重要】文件分段的大小
# kafka的消息保存在磁盘，那么问题来了：每一个文件需要多大呢？
# 文件太小，导致文件数太多而inode太大，文件太大，影响并发度（可能）
# 设为1GB
log.segment.bytes=1073741824
# 上面说了历史数据保存的时间是4天，那么多长时间删除一次历史数据呢？
# 这里设成10分钟左右
# 保存数据都是以小时计算的，所以10分钟检测一次就够了
# 因为以lvs的数据速度而言，10分钟可以写满一个1GB的文件，1GB是文件分段(log.segment.bytes)
log.retention.check.interval.ms=600000
# zookeeper服务器地址，用逗号分开，最末的是目录，放在根目录下一个叫kafka的子目录下。
# 在搭建好集群的时候，下面会列出这个目录下有什么东西
zookeeper.connect=10.1.xxx.57:2181,10.1.xxx.58:2181,10.1.xxx.59:2181/kafka
# zk连接超时
# zookeeper.connection.timeout.ms=6000
kafka集群的启动
从上面的配置看到，kafka集群不需要像hadoop集群那样，配置ssh通讯，而且一个kafka服务器（官方文档称之为broker，下面统一使用这个称呼）并不知道其他的kafka服务器的存在，因此你需要逐个broker去启动kafka。各个broker根据自己的配置，会自动去配置文件上的zk服务器报到，这就是一个有zk服务器粘合起来的kafka集群。
我写了一个启动脚本，放在/usr/local/kafka/bin下面。启动脚本每个broker都一样：
KAFKA_HOME="/usr/local/kafka"
path="."
cd ${KAFKA_HOME}/libs
for f in *jar
do
path="${path}:`pwd`/$f"
done
export CLASSPATH=$path
cd ${KAFKA_HOME}/bin && ( sh kafka-server-start.sh ${KAFKA_HOME}/config/server.properties > ${KAFKA_HOME}/logs/start.log 2>&1 & )
kafka集群的关闭
如同kafka集群里面每一个broker都需要单独启动一样，kafka集群里面每一个broker都需要单独关闭。
官方给出的关闭脚本是单独运行 bin/kafka-server-stop.sh
但是我运行的结果是无法关闭。打开脚本一看，才发现是最简单的办法，发一个TERM信号到kafka的java进程，官方脚本给出的grep有点问题。
发信号之后，一直tail着kafka日志，看到正常关闭。
新建topic
./bin/kafka-topics.sh --zookeeper 10.1.xxx.57:2181,10.1.xxx.58:2181,10.1.xxx.59:2181/kafka --create --topic LvsKafka --replication-factor 2 --partitions 24
指定zookeeper服务器，topic名称是LvsKafka（注意topic名称不能有英文句号(.)和下划线(_)，否则会通不过，理由是名称会冲突，下文对此略有解析）
replication-factor指出重复因子是2，也就是每条数据有两个拷贝，可靠性考虑。
partitions 指出需要多少个partition，数据量大的多一点，无论生产和消费，这是负载均衡和高并发的需要。
查看新的topic
z=10.1.xxx.57:2181,10.1.xxx.58:2181,10.1.xxx.59:2181/kafka
/usr/local/kafka/bin/kafka-topics.sh --zookeeper $z --describe
可以看到刚才新建的24个partition，比如partition 5， 他的leader是broker 59，也就是10.1.xxx.59这台机器。
建立topic时我们指出需要2个拷贝，从上面的输出的Replicas字段看到，这两个拷贝放在59,58两个机器，也就是10.1.xxx.59和10.1.xxx.58.
Isr表示当前partition的所有拷贝所在的机器中，哪些是还活着（可以提供服务）的。现在是59和58都还存活。
这个命令另外还会看到一些类似于下面的内容：
__consumer_offsets到底是什么呢？其实就是客户端的消费进度，客户端会定时上报到kafka集群，而kafka集群会把每个客户端的消费进度放入一个自己内部的topic中，这个topic就是__consumer_offsets。我查看过__consumer_offsets的内容，其实就是每个客户端的消费进度作为一条消息，放入__consumer_offsets这个topic中。
这里给了我们两个提示：
1、kafka自己管理客户端的消费进度，而不是依靠zk，这就是kafka官方文档说的kafka未来会抛弃zk的底气之一；
2、留意到这个kafka自己的topic是带下划线的，也就是，kafka担心我们自己建的topic如果带下划线的话会跟这些内部自用的topic冲突；