kafka入门篇

1、kafka基本介绍

官网文档 中文文档 github地址

1.1、kafka发展历史

Apache Kafka最初由LinkedIn开发，并在2011年初开源。

在2012年10月23日由Apache Incubator（Apache Incubator（阿帕奇孵化器）是旨在成为完全成熟的Apache软件基金会项目的开源项目的通道）孵化出站，成为了Apache软件基金会的项目。

2014年11月， Jun Rao、Jay Kreps、 Neha Narkhede等几个曾在领英为Kafka工作的工程师，创建了名为Confluent的新公司，并着眼于Kafka。

根据2014年Quora（美版知乎）的帖子，Jay Kreps似乎已经将它以作家Franz Kafka（是奥匈帝国一位使用德语的小说家和短篇犹太人故事家，被评论家们认为是20世纪作家中最具影响力的一位）命名。Kreps选择将该系统以一个作家命名是因为，它是“asystem optimized for writing”（一个用于优化写作的系统），而且他很喜欢Kafka的作品。

1.2、编程语言

kafka是由Scala写成，Scala 运行在Java虚拟机上，并兼容现有的Java程序，因此部署kakfa的时候，需要先部署jdk环境。kafka客

户端在主流的编程语言里面都有对应的支持。

1.3、kafka应用场景

• 构造实时流数据管道，它可以在系统或应用之间可靠地获取数据。 (相当于消息队列（message queue）)
• 构建实时流式应用程序，对这些流数据进行转换或者影响。 (就是流处理，通过kafka stream topic和topic之间内部进行变化)

1.3.1、message queue 消息传递

消息传递就是发送数据，作为TCPHTTP或者RPC的替代方案，可以实现异步、解耦、削峰（RabbitMQ和RocketMQ能做的事情，

它也能做)。因为kafka的吞吐量更高，在大规模消息系统中更有优势。

案例

• Website Activity Tracking 网站活动跟踪：把用户活动发布到数据管道中，可以用来做监控、实时处理、报表等等，比如社交网站的行为跟踪，购物网站的行为跟踪，这样可以实现更加精准的内容推荐。举例:外卖、物流、电力系统的实时信息。

• Log Aggregation日志聚合：又比如用kafka来实现日志聚合。这样就不用把日志记录到本地磁盘或者数据库，实现分布式的日志聚合。

• Metrics应用指标监控：还可以用来记录运营监控数据。举例，对于贷款公司，需要监控贷款的业务数据:今天放出去多少笔贷款，放出去的总金额，用户的年龄分布、地区分布、性别分布等等。或者对于运维数据的监控，CPU、内存、磁盘、网络连接的使用情况，可以实现告警。

1.3.2、流式应用程序（数据集成+流计算）

数据集成：指的是把 Kafka 的数据导入Hadoop、HBase等离线数据仓库，实现数据分析。

流计算：什么是流(Stream) ？它不是静态的数据，而是没有边界的、源源不断的产生的数据，就像水流一样。流计算指的

就是Stream对做实时的计算。Kafka在0.10版本后，内置了流处理框架API———Kafka Streams。

所以，它跟 RabbitMQ的定位差别还是比较大的，不仅仅是一个简单的消息中间件，而且是一个流处理平台。在kafka里面，消息被称为日志。日志就是消息的数据文件。

2、kafka安装和服务端操作

2.1、kafka的安装

注意: kafka_2.12-2.8.0.tgz这个名字里面的版本号，前面(2.12)是scala的版本号，后面(2.8.0)才是 kafka的版本号。

• 单机版安装
• 集群安装（单机）

2.2、kafka和zookeeper

在安装kafka 的时候我们知道，必须要依赖zookeeper的服务，在生产环境通常是ZK的集群，而且kafka还自带了一个zookeeper服务。

zookeeper做了什么事情呢?

利用zookeeper的有序节点、临时节点和监听机制，帮助kafka做了这些事情

• 配置中心(管理Broker、Topic、Partition、Consumer的信息，包括元数据的变动)
• 负载均衡
• 命名服务
• 分布式通知
• 集群管理和选举
• 分布式锁

2.3、kafka脚本介绍

客户端的脚本是用Java编写的，本质上都是执行Java方法(kafka-run-class.sh),做了进一步的封装，需要的参数更

少。

脚本	作用
kafka-server-start.sh kafka-server-stop.sh	Kafka启动停止
kafka-topics.sh	查看创建删除 topic
kafka-console-consumer.sh	消费者操作，例如监听topic
kafka-consumer-groups.sh	消费者组操作
kafka-console-producer.sh	生产者操作，例如发送消息
zookeeper-server-start.sh	zK操作:启动停止连接ZK
kafka-reassign-partitions.sh	分区重新分配
kafka-consumer-perf-test.sh	性能测试

2.4、kafka界面管理工具

kafka没有自带管理界面，但是基于admin的接口可以开发。目前比较流行的管理界面主要是

• kafka-manager

• kafka-eagle

注意最新版本的cmak对Java版本要求比较高，最低需要JDK11。

kafka-eagle对内存要求比较高，在虚拟机中部署需要修改JVM参数才能启动。

3、kafka架构

3.1、Broker

一台 Kafka 机器就是一个 Broker。一个集群由多个 Broker 组成。一个 Broker 可以容纳多个 Topic。

3.2、Message

客户端之间传输的数据叫做消息，或者叫做记录(Record名词['reko:d ]) 。在客户端的代码中，Record可以是一个KV键值对。

生产者对应的封装类是ProducerRecord，消费者对应的封装类是ConsumerRecord。消息在传输的过程中需要序列化，所以代码

里面要指定序列化工具。消息在服务端的存储格式(RecordBatch和Record) :

http://kafka.apache.org/documentation/#messageformat

3.3、Producer

发送消息的一方叫做生产者，接收消息的一方叫做消费者。为了提升消息发送速率，生产者不是逐条发送消息给Broker，而是批量

发送的。多少条发送一次由一个参数决定。

prop.put("batch.size",16384);

3.4、Consumer

一般来说消费者获取消息有两种模式,一种是pull模式，一种是push模式。

Pull模式就是消费放在Broker，消费者自己决定什么时候去获取。Push模式是消息放在Consumer，只要有消息到达Broker，都直接推给消费者。

RabbitMQ Consumer 既支持push又支持pull，一般用的是push。Kafka只有pull模式。

kafka为什么是消费者使用pull来消费数据？

官网已经说得很明白了:

http://kafka.apache.org/documentation/#design_pull

在push模式下，如果消息产生速度远远大于消费者消费消息的速率，那消费者就会不堪重负（你已经吃不下了，但是还要不

断地往你嘴里塞)，直到挂掉。而且消费者可以自己控制一次到底获取多少条消息，通过max.poll.record 来控制。

3.5、Topic

可以理解为一个队列，Topic 将消息分类，生产者和消费者面向的是同一个 Topic。生产者和Topic、Topic和消费者的关系都是

多对多。一个生产者可以发送消息到多个Topic，一个消费者也可以从多个Topic获取消息（但是不建议这么做)。

注意，生产者发送消息时，如果Topic不存在，会自动创建。由一个参数auto.create.topics.enable=true来控制，默认为

true。如果要彻底删掉一个Topic，这个参数必须改成false，否则只要有代码使用这个Topic，它就会自动创建。

http://kafka.apache.org/documentation/#auto.create.topics.enable

3.6、Partition

Partition是分区的意思。为了实现扩展性，提高并发能力，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。分区在创建topic的时候指定，每个topic至少有一个分区。

创建Topic命令

./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test

partitions是指定分区数目，如果不指定，默认分区数是1个。可以通过参数num.partitons=1修改。

replication-factor是副本数量。

partition思想上有点类似于分库分表，实现的也是横向扩展和负载的目的。

举个例子，Topic有3个分区，生产者依次发送9条消息，对消息进行编号。

第一个分区存147，第二个分区存258，第三个分区存369，这个就实现了负载。

每个partition都有一个物理目录。在配置的数据目录下（日志就是数据)︰/tmp/kafka-logs/

跟RabbitMQ不一样的地方是，Partition里面的消息被读取之后不会被删除，所以同一批消息在一个Partition里面顺序、追加写入

的。这个也是kafka吞吐量大的一个很重要的原因。分区数量怎么选择呢?是不是分区数越多越好?不一定。不同的机器网络环境，

这个答案不尽相同，最好是通过性能测试的脚本验证。

如何确定分区数量？

参考博客：

https://os.51cto.com/art/202008/622946.htm

https://www.cnblogs.com/xiaodf/p/6023531.html

3.7、Replica

Replica是副本的意思。Replica是作为Partition的副本，也就备份，防止网络或者硬件发生故障导致的数据丢失问题。每个

partition可以有若干个副本(Replica)，副本必须在不同的 Broker上面。一般我们说的副本包括其中的主节点。

由replication-factor指定一个Topic的副本数。

./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 3 --partitions 3 --topic test3p3r

默认副本数量由服务端参数offsets.topic.replication.factor控制。

举例：部署了3个Broker，该topic有3个分区，每个分区一共3个副本。如下图

注意：这些存放相同数据的partition副本有leader(图中红色）和follower(图中绿色)的概念。

leader在哪台机器是不一定的，选举出来的。生产者发消息、消费者读消息都是针对leader(为什么不让客户端读

follower呢?)。follower的数据是从leader同步过来的。

3.8、Segment

kafka的数据是放在后缀.log 的文件里面的。如果一个partition只有一个log文件，消息不断地追加，这个 log文件

也会变得越来越大，这个时候要检索数据效率就很低了。所以干脆把 partition再做一个切分，切分出来的单位就

叫做段(segment)。实际上kafka的存储文件是划分成段来存储的。

默认存储路径：/tmp/kafka-logs/

每个segment都有至少有1个数据文件和2个索引文件,这3个文件是成套出现的。( partition 一个目录，一个

segement一套文件)

segment默认大小是1073741824 bytes (1G)，由参数log.segment.bytes控制。

3.9、Consumer Group

多个Consumer消费一个Topic提高了消费消息的吞吐量。

Consumer Group是消费者组的意思，多个Consumer通过设置相同的group id来组成一个Consumer Group。同一个Consumer Group的Consumer消费同一个Topic是互斥的，而且一个partition只能由组内的一个Consumer来消费。

如果想要同时消费同一个partition的消息，那么需要其他的组来消费。

3.10、Consumer Offset

Offset（偏移量）：是用来记录Consumer消费message位置的编码。如果消费者挂掉，再次连接上来，就通过

Offset知道之前消费到哪里了。这也保证了同一个partition消息的有序性。

offset记录着下一条将要发送给consumer的消息的序号。

这个消费者跟partition之间的偏移量没有保存在ZK，而是直接保存在服务端。

3.11、架构图解读

首先，我们有3台Broker。

有两个Topic: Topic0和Topic1。

Topic0有2个分区: partition0和partition1，每个分区一共3个副本。Topic1只有1个分区: partition0，每个分区一

共3个副本。

图中红色字体的副本代表是leader，黑色字体的副本代表是follower。绿色的线代表是数据同步。

蓝色的线是写消息，橙色的线是读消息，都是针对leader节点。

有两个消费者组，

第一个消费者组只有一个消费者，它消费了topic0的两个分区。

第二个消费者组，既消费topic0，又消费 topic1。其中有一个消费者，消费 topic0的partition0，还消费topic1的

partition0。有一个消费者，消费 partition0的partition1。有一个消费者，没有partition可以消费。

4、kafka与java开发

4.1、java API

根据官网，Kafka主要有5种API:

类别	作用
Producer API	用于应用将数据发送到Kafka的topic
Consumer API	用于应用从Kafka的topic中读取数据流
Admin APl	允许管理和检测Topic、broker 以及其他 Kafka 实例，与Kafka自带的脚本命令作用类似
Streams API	用于从来源topic转化到目的topic转换数据流，作用跟Spark . Storm、Flink一样（应用）
Connect APl	用于持续地从一些源系统输入数据到Kafka，或者从Kafka推送数据到一些系统，比如数据库或者Hadoop 等等（存储）

4.1.1、引入依赖

注意，客户端的版本跟服务端的版本要匹配。如果客户端版本太高，服务端版本太旧，有可能无法连接。

<dependency>
    <groupId>groupld>org.apache.kafkagroupId>
	<artifactId>kafka-clientsartifactId>
    <version>2.6.0version>
dependency>

4.1.2、生产者

public class  SimpleProducer {
    public static void main(String[] args) {
        Properties pros=new Properties();
        pros.put("bootstrap.servers","192.168.0.101:9092,192.168.0.102:9092,192.168.0.103:9092");

        pros.put("key.serializer","org.apache.kafka.common.serialization.StringSerializer");
        pros.put("value.serializer","org.apache.kafka.common.serialization.StringSerializer");
        // 0 发出去就确认 | 1 leader 落盘就确认| all(-1) 所有Follower同步完才确认
        pros.put("acks","1");
        // 异常自动重试次数
        pros.put("retries",3);
        // 多少条数据发送一次，默认16K
        pros.put("batch.size",16384);
        // 批量发送的等待时间
        pros.put("linger.ms",5);
        // 客户端缓冲区大小，默认32M，满了也会触发消息发送
        pros.put("buffer.memory",33554432);
        // 获取元数据时生产者的阻塞时间，超时后抛出异常
        pros.put("max.block.ms",3000);

        // 创建Sender线程
        Producer<String,String> producer = new KafkaProducer<String,String>(pros);

        for (int i =0 ;i<10;i++) {
            producer.send(new ProducerRecord<String,String>("mytopic",Integer.toString(i),Integer.toString(i)));
             System.out.println("发送:"+i);
        }

//        producer.send(new ProducerRecord("mytopic","1","1"));
        //producer.send(new ProducerRecord("mytopic","2","2"));

        producer.close();
    }
}

4.1.3、消费者

public class SimpleConsumer {
    public static void main(String[] args) {
        Properties props= new Properties();
        props.put("bootstrap.servers","192.168.0.101:9092,192.168.0.102:9092,192.168.0.103:9092");
        props.put("group.id","gp-test-group");
        // 是否自动提交偏移量，只有commit之后才更新消费组的 offset
        props.put("enable.auto.commit","true");
        // 消费者自动提交的间隔
        props.put("auto.commit.interval.ms","1000");
        // 从最早的数据开始消费 earliest | latest | none
        props.put("auto.offset.reset","earliest");
        props.put("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer");

        KafkaConsumer<String,String> consumer=new KafkaConsumer<String, String>(props);
        // 订阅topic
        consumer.subscribe(Arrays.asList("mytopic"));

        try {
            while (true){
                ConsumerRecords<String,String> records=consumer.poll(Duration.ofMillis(1000));
                for (ConsumerRecord<String,String> record:records){
                    System.out.printf("offset = %d ,key =%s, value= %s, partition= %s%n" ,record.offset(),record.key(),record.value(),record.partition());
                }
            }
        }finally {
            consumer.close();
        }
    }
}

4.2、Springboot集成Kafka

版本对应关系:

https://spring.io/projects/spring-kafka

4.2.1、引入依赖

        <dependency>
            <groupId>org.springframework.kafkagroupId>
            <artifactId>spring-kafkaartifactId>
        dependency>

4.2.2、配置

application.properties

#spring.kafka.bootstrap-servers=192.168.0.101:9092,192.168.0.102:9092,192.168.0.103:9092

# producer
spring.kafka.producer.retries=1
spring.kafka.producer.batch-size=16384
spring.kafka.producer.buffer-memory=33554432
spring.kafka.producer.acks=all
spring.kafka.producer.properties.linger.ms=5
spring.kafka.producer.key-serializer=org.apache.kafka.common.serialization.StringSerializer
spring.kafka.producer.value-serializer=org.apache.kafka.common.serialization.StringSerializer

# consumer
spring.kafka.consumer.auto-offset-reset=earliest
spring.kafka.consumer.enable-auto-commit=true
spring.kafka.consumer.auto-commit-interval=1000
spring.kafka.consumer.key-deserializer=org.apache.kafka.common.serialization.StringDeserializer
spring.kafka.consumer.value-deserializer=org.apache.kafka.common.serialization.StringDeserializer

4.2.3、生产者

注入模板方法KafkaTemplate发送消息。

注意send方法有很多重载。异步回调ListenableFuture。

@Component
public class KafkaProducer {
    @Autowired
    private KafkaTemplate<String,Object> kafkaTemplate;

    public String send(@RequestParam String msg){
        kafkaTemplate.send("springboottopic", msg);
        return "ok";
    }
}

4.2.4、消费者

使用注解@KafkaListener 监听Topic。

@Component
public class ConsumerListener {
    @KafkaListener(topics = "springboottopic",groupId = "springboottopic-group")
    public void onMessage(String msg){
        System.out.println("----收到消息："+msg+"----");
    }
}

4.3、Kafka携手canal实现数据同步

https://www.cnblogs.com/throwable/p/12483983.html

5、kafka幂等消息

5.1、定义及使用

消息幂等性：是指Producer发送到Broker的消息是去重的，Broker会对重复的消息进行判断过滤。

可以通过Producer的API来配置

props.put("enable.idempotence",true);

5.2、原理分析

kafka幂等消息是如何实现的呢？

大家应该接触过幂等接口，如果保证一个接口的幂等性，简单的做法就每次请求都带上一个唯一标识。kafka的思想也是类型，为了实现Producer的幂等性，Kafka引入了Producer ID（即PID）和Sequence Number。

• PID，每个新的Producer在初始化的时候会被分配一个唯一的PID，这个PID对用户是不可见的。
• Sequence Numbler，（对于每个PID，该Producer发送数据的每个都对应一个从0开始单调递增的Sequence Number。

由此通过PID和Sequence Number就可以保证消息的幂等性。

消息重复判断逻辑？

• 如果新消息的sequence number正好是broker端维护的 -> sequence number大1，说broker会接受处理这条消息。
• 如果新消息的sequence number比broker端维护的sequence number要小，说明时重复消息，broker可以将其直接丢弃
• 如果新消息的sequence number比broker端维护的sequence number要大过1，说明中间存在了丢数据的情况，那么会响应该情况，对应的Producer会抛出OutOfOrderSequenceException。

**注意：**通过PID和sequence number来实现的消息幂等性，只能保证消息在一个Partition不会出现重复消息。

6、Producer事务

6.1、事务介绍和使用

生产者事务是Kafka 2017年0.11.0.0引入的新特性，通过事务，Kafka可以保证跨生产者会话的消息幂等发送。

Producer事务，保证了Producer发送多条消息，要么都成功要都失败。（这里消息可能发送到多个Partition或者多个Topic）

事务使用java API

  	   props.put("enable.idempotence",true);
        // 事务ID，唯一
        props.put("transactional.id", UUID.randomUUID().toString());

        Producer<String,String> producer = new KafkaProducer<String,String>(props);

        // 初始化事务
        producer.initTransactions();

        try {
            producer.beginTransaction();
            producer.send(new ProducerRecord<String,String>("transaction-test","1","1"));
            producer.send(new ProducerRecord<String,String>("transaction-test","2","2"));
            // Integer i = 1/0;
            producer.send(new ProducerRecord<String,String>("transaction-test","3","3"));
            // 提交事务
            producer.commitTransaction();
        } catch (KafkaException e) {
            // 中止事务
            producer.abortTransaction();
        }

        producer.close();
    }

事务在SpringBoot中使用

具体使用方法参考博客：https://www.hangge.com/blog/cache/detail_2950.html

方式一：可以通过executeInTransaction来做

 kafkaTemplate.executeInTransaction(operations -> {
            operations.send("topic1","test executeInTransaction");
            throw new RuntimeException("fail");
        });

方式二：使用 @Transactional 注解方式

6.2、Producer事务原理分析

1. 因为生产者的消息可能会跨分区，所以这里的事务是属于分布式事务。分布式事务的实现方式有很多，kafka选择了最常见的两阶段提交（2PC)。如果大家都可以commit，那么就 commit，否则abort。
2. 既然是2PC，必须要有一个协调者的角色，叫做Transaction Coordinator。
3. 事务管理必须要有事务日志，来记录事务的状态，以便Coordinator在意外挂掉之后继续处理原来的事务。跟消费者offset的存储一样，kafka使用一个特殊的topic_transaction_state来记录事务状态。
4. 如果生产者挂了，事务要在重启后可以继续处理，接着之前未处理完的事务，或者在其他机器上处理，必须要有一个唯一的ID，这个就是transaction.id，这里我们使用UUID。配置了transaction.id，则此时 enable.idempotence 会被设置为true(事务实现的前提是幂等性)。事务ID相同的生产者，可以接着处理原来的事务。

步骤描述:

A:生产者通过initTransactions API向Coordinator注册事务ID。

B: Coordinator记录事务日志。

C:生产者把消息写入目标分区。

D:分区和Coordinator的交互。当事务完成以后，消息的状态应该是已提交，这样消费者才可以消费到。

7、Kafka的主要特性

市面上有这么多MQ的产品，kafka 跟他们有什么区别呢?我们说一个产品的诞生背景决定了它的特性，特性决定使用场景。

因为kafka是用来解决数据流的传输的问题的，所以它有这些特性:

• 高吞吐、低延迟： kakfa最大的特点就是收发消息非常快，kafka每秒可以处理几十万条消息，它的最低延迟只有几毫秒;
• 高伸缩性：如果可以通过增加分区partition来实现扩容。不同的分区可以在不同的Broker中。通过ZK来管理Broker实现扩展，ZK管理Consumer可以实现负载;
• 持久性、可靠性：Kafka 能够允许数据的持久化存储，消息被持久化到磁盘，并支持数据备份防止数据丢失;
• 容错性：允许集群中的节点失败，某个节点宕机，Kafka 集群能够正常工作;
• 高并发：支持数千个客户端同时读写。

8、Kafka和RabbitMQ对比

Kafka和RabbitMQ的主要区别：

	Kafka	RabbitMQ
产品侧重	流式消息处理、消息引擎	消息代理
性能	kafka有更高的吞吐量，只有pull模式	RabbitMQ主要是push
消息顺序	分区里面的消息是有序的，同一个consumer group里面的一个消 费者只能消费一个partition	能保证消息的顺序性
消息的路由和分发	不支持	RabbitMQ支持
延迟消息、死信队列	不支持	RabbitMQ支持
消息的留存	消费完之后消息会留存，可以设置retention，清理消息。	消费完就会删除

优先选择RabbitMQ的情况

• 高级灵活的路由规则
• 消息时序控制(控制消息过期或者消息延迟）
• 高级的容错处理能力，在消费者更有可能处理消息不成功的情景中（瞬时或者持久)
• 更简单的消费者实现

优先选择Kafka的情况:

• 严格的消息顺序
• 延长消息留存时间，包括过去消息重放的可能
• 传统解决方案无法满足的高伸缩能力。