kafka生产者

生产者消息发送流程

发送原理

在消息发送的过程中，涉及到两个线程：main线程与Sender线程 。在 main 线程中创建一个双端队列 RecordAccumulator ， main 线程将消息发送给 RecordAccumulator ，Sender 线程不断从 RecordAccumulator 重拉取消息发送到 Kafka Broker.。

生产者重要参数列表

参数名称	描述
bootstrap.servers	生产者连接集群所需的 broker 地 址 清 单 。 例 如hadoop102:9092,hadoop103:9092,hadoop104:9092，可以设置 1 个或者多个，中间用逗号隔开。注意这里并非需要所有的 broker 地址，因为生产者从给定的 broker里查找到其他 broker 信息。
key.serializer 和 value.serializer	指定发送消息的 key 和 value 的序列化类型。一定要写全类名。
buffer.memory	RecordAccumulator 缓冲区总大小，默认 32m。
batch.size	缓冲区一批数据最大值，默认 16k。适当增加该值，可以提高吞吐量，但是如果该值设置太大，会导致数据传输延迟增加。
inger.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。单位 ms，默认值是 0ms，表示没有延迟。生产环境建议该值大小为 5-100ms 之间。
acks	0：生产者发送过来的数据，不需要等数据落盘应答。1：生产者发送过来的数据，Leader 收到数据后应答。-1（all）：生产者发送过来的数据，Leader+和 isr 队列里面的所有节点收齐数据后应答。默认值是-1，-1 和all 是等价的。
max.in.flight.requests.per.connection	允许最多没有返回 ack 的次数，默认为 5，开启幂等性要保证该值是 1-5 的数字。
retries	当消息发送出现错误的时候，系统会重发消息。retries表示重试次数。默认是 int 最大值，2147483647。如果设置了重试，还想保证消息的有序性，需要设置MAX_IN_FLIGHT_REQUESTS_PER_CONNECTION=1否则在重试此失败消息的时候，其他的消息可能发送成功了。
retry.backoff.ms	两次重试之间的时间间隔，默认是 100ms。
enable.idempotence	是否开启幂等性，默认 true，开启幂等性。
compression.type	生产者发送的所有数据的压缩方式。默认是 none，也就是不压缩。支持压缩类型：none、gzip、snappy、lz4 和 zstd。

生产者分区

分区好处

• 便于合理使用存储资源，每个Partition在一个Broker上存储，可以把海量的数据按照分区切割成一块一块数据存储在多台Broker上。合理控制分区的任务，可以实现负载均衡的效果。
• 提高并行度，生产者可以以分区为单位发送数据；消费者可以以分区为单位进行消费数据。

默认的分区器 DefaultPartitioner

（1）指明partition的情况下，直接将指明的值作为partition值；例如partition=0，所有数据写入分区0

（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；
例如：key1的hash值=5， key2的hash值=6 ，topic的partition数=2，那么key1 对应的value1写入1号分区，key2对应的value2写入0号分区。

（3）既没有partition值又没有key值的情况下，Kafka采用Sticky Partition（黏性分区器），会随机选择一个分区，并尽可能一直使用该分区，待该分区的batch已满或者已完成，Kafka再随机一个分区进行使用（和上一次的分区不同）。
例如：第一次随机选择0号分区，等0号分区当前批次满了（默认16k）或者linger.ms设置的时间到， Kafka再随机一个分区进行使用（如果还是0会继续随机）。

自定义分区器

• 需要实现 Partitioner 接口即可
• 配置加载自定义分区器

public class MyPartition implements Partitioner {

    /**
     * @param topic 主题名称
     * @param key 消息的key
     * @param keyBytes 消息的key序列化之后的字节数组
     * @param value 消息的value
     * @param valueBytes 消息的value序列化之后的字节数组
     * @param cluster 当前集群的元数据
     * @return 返回要写入的分区号
     */
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        /**
         * 自定义分区规则：加入消息中含有"kafka"内容,就发送到一号分区，否则发送到二号分区
         */
        //获取消息
        String msg = value.toString();
        //定义分区号
        int partition = 0;

        if (msg.contains("kafka")){
            partition = 1;
        }
        return partition;
    }

    /**
     * 关闭资源
     */
    @Override
    public void close() {

    }

    /**
     * 配置信息
     * @param map
     */
    @Override
    public void configure(Map<String, ?> map) {

    }
}

生产者如何提高吞吐量

• 调整 batch.size 批次大小，默认 16K
• 调整 linger.ms 等待时间，修改为 5-100ms
• 压缩 compression.type 压缩snappy
• 调整缓冲区大小 RecordAccumulator 修改为 64M

数据可靠性

ack应答级别

数据可靠性总结：

• acks=0 ：生产者发送过来的数据就不管了，可靠性差，效率高
• acks=1 ：生产者发送过来数据Leader应答，可靠性中等，效率中等
• acks=-1 ：生产者发送过来数据Leader和ISR中所有的Follower应答，可靠性高，效率低

数据去重

数据传递语义

• 至少一次 (At Least Once) = ACK级别设置为 -1 + 分区副本数大于等于2 + ISR中应答最小副本数量大于等于2
• 至多一次 (At Most Once) = ACK级别设置为 0

总结：
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

• 精确一次（Exactly Once）
• 在kafka 0.11 版本之后，引入了：幂等性和事务

幂等性

幂等性就是指Producer不论向Broker发送多少次重复数据，Broker端都只会持久化一条，保证了数据不重复

精确一次 = 幂等性 + 至少一次(ACK级别设置为 -1 + 分区副本数大于等于2 + ISR中应答最小副本数量大于等于2)

重复数据判断标准：具有相同主键的消息提交时，Broker只会持久化一条。其中：PID是kafka每次重启都会分配一个新的；Partition 表示分区号；SeqNumber 是单调递增的

所以幂等性只保证单分区单会话内数据不重复

使用幂等性：
开启参数 enable.idempotence 默认为 true， false关闭

生产者事务

开启事务，必须先开启幂等性

数据有序

kafka在1.x版本之前保证数据单分区有序，条件如下：
max.in.flight.requests.per.connection=1 (不考虑是否开启幂等性)

kafka在1.x及以后保证数据单分区有序，条件如下：

• 未开启幂等性
  max.in.flight.requests.per.connection 需要设置为 1
• 开启幂等性
  max.in.flight.requests.per.connection 需要设置小于等于5