高性能消息中间件Kafka实战

高性能消息中间件Kafka实战_第1张图片

Kafka是最初由Linkedin公司开发,是一个分布式、支持分区的(partition)、多副本的(replica),基于zookeeper协 调的分布式消息系统,它的最大的特性就是可以实时的处理大量数据以满足各种需求场景:比如基于hadoop的批处理系 统、低延迟的实时系统、Storm/Spark流式处理引擎,web/nginx日志、访问日志,消息服务等等,用scala语言编写, Linkedin于2010年贡献给了Apache基金会并成为顶级开源 项目。

Kafka的使用场景

  • 日志收集:一个公司可以用Kafka收集各种服务的log,通过kafka以统一接口服务的方式开放给各种 consumer,例如hadoop、Hbase、Solr等。
  • 消息系统:解耦和生产者和消费者、缓存消息等。
  • 用户活动跟踪:Kafka经常被用来记录web用户或者app用户的各种活动,如浏览网页、搜索、点击等活动,这 些活动信息被各个服务器发布到kafka的topic中,然后订阅者通过订阅这些topic来做实时的监控分析,或者装载到 hadoop、数据仓库中做离线分析和挖掘。
  • 运营指标:Kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据,生产各种操作的集中反 馈,比如报警和报告。

Kafka基本概念

kafka是一个分布式的,分区的消息(官方称之为commit log)服务。它提供一个消息系统应该具备的功能,但是确有着独 特的设计。可以这样来说,Kafka借鉴了JMS规范的思想,但是确并没有完全遵循JMS规范。

首先,让我们来看一下基础的消息(Message)相关术语:

高性能消息中间件Kafka实战_第2张图片

 因此,从一个较高的层面上来看,producer通过网络发送消息到Kafka集群,然后consumer来进行消费,如下图:

高性能消息中间件Kafka实战_第3张图片

服务端(brokers)和客户端(producer、consumer)之间通信通过TCP协议来完成。

主题Topic和消息日志Log 

让我们首先深入理解Kafka提出一个高层次的抽象概念-Topic。

可以理解Topic是一个类别的名称,同类消息发送到同一个Topic下面。对于每一个Topic,下面可以有多个分区 (Partition)日志文件:

高性能消息中间件Kafka实战_第4张图片

 Partition是一个有序的message序列,这些message按顺序添加到一个叫做commit log的文件中。每个partition中的 消息都有一个唯一的编号,称之为offset,用来唯一标示某个分区中的message。

提示:每个partition,都对应一个commit log文件。一个partition中的message的offset都是唯一的,但是不同的 partition中的message的offset可能是相同的。

可以这么来理解Topic,Partition和Broker

一个topic,代表逻辑上的一个业务数据集,比如按数据库里不同表的数据操作消息区分放入不同topic,订单相关操作消 息放入订单topic,用户相关操作消息放入用户topic,对于大型网站来说,后端数据都是海量的,订单消息很可能是非常 巨量的,比如有几百个G甚至达到TB级别,如果把这么多数据都放在一台机器上可定会有容量限制问题,那么就可以在 topic内部划分多个partition来分片存储数据,不同的partition可以位于不同的机器上,每台机器上都运行一个Kafka的 进程Broker。

kafka集群,在配置的时间范围内,维护所有的由producer生成的消息,而不管这些消息有没有被消费。例如日志保留( log retention )时间被设置为2天。kafka会维护最近2天生产的所有消息,而2天前的消息会被丢弃。kafka的性能与保留 的数据量的大小没有关系,因此保存大量的数据(日志信息)不会有什么影响。

每个consumer是基于自己在commit log中的消费进度(offset)来进行工作的。在kafka中,消费offset由consumer自 己来维护;一般情况下我们按照顺序逐条消费commit log中的消息,当然我可以通过指定offset来重复消费某些消息, 或者跳过某些消息。 这意味kafka中的consumer对集群的影响是非常小的,添加一个或者减少一个consumer,对于集群或者其他consumer 来说,都是没有影响的,因为每个consumer维护各自的offset所以说kafka集群是无状态的,性能不会因为 consumer数量受太多影响。kafka还将很多关键信息记录在zookeeper里,保证自己的无状态,从而在水平扩容时非常 方便

为什么要对Topic下数据进行分区存储?

  1. commit log文件会受到所在机器的文件系统大小的限制,分区之后,理论上一个topic可以处理任意数量的数据。
  2. 为了提高并行度

分布式Distribution

log的partitions分布在kafka集群中不同的broker上,每个broker可以请求备份其他broker上partition上的数据。kafka 集群支持配置一个partition备份的数量。

针对每个partition,都有一个broker起到“leader”的作用,0个或多个其他的broker作为“follwers”的作用。 leader处理所有的针对这个partition的读写请求,而followers被动复制leader的结果。如果这个leader失效了,其中 的一个follower将会自动的变成新的leader。

Producers

生产者将消息发送到topic中去,同时负责选择将message发送到topic的哪一个partition中。通过round­robin做简单的 负载均衡。也可以根据消息中的某一个关键字来进行区分。通常第二种方式使用的更多。

Consumers

传统的消息传递模式有2种:队列( queue) 和(publish-subscribe)

  • queue模式:多个consumer从服务器中读取数据,消息只会到达一个consumer。
  • publish-subscribe模式:消息会被广播给所有的consumer。

Kafka基于这2种模式提供了一种consumer的抽象概念:consumer group。

  • queue模式:所有的consumer都位于同一个consumer group 下。
  • publish-subscribe模式:所有的consumer都有着自己唯一的consumer group。

高性能消息中间件Kafka实战_第5张图片

上图说明:由2个broker组成的kafka集群,总共有4个partition(P0-P3)。这个集群由2个Consumer Group, A有2个 consumer instances ,B有四个。

通常一个topic会有几个consumer group,每个consumer group都是一个逻辑上的订阅者( logical subscriber )。每个consumer group由多个consumer instance组成,从而达到可扩展和容灾的功能。 

消费顺序

Kafka比传统的消息系统有着更强的顺序保证

一个partition同一个时刻在一个consumer group中只有一个consumer instance在消费,从而保证顺序。 consumer group中的consumer instance的数量不能比一个Topic中的partition的数量多,否则,多出来的 consumer消费不到消息。

Kafka只在partition的范围内保证消息消费的局部顺序性,不能在同一个topic中的多个partition中保证总的消费顺序 性。

如果有在总体上保证消费顺序的需求,那么我们可以通过将topic的partition数量设置为1,将consumer group中的 consumer instance数量也设置为1。 

从较高的层面上来说的话,Kafka提供了以下的保证:

发送到一个Topic中的message会按照发送的顺序添加到commit log中。意思是,如果消息 M1,M2由同一个 producer发送,M1比M2发送的早的话,那么在commit log中,M1的offset就会比commit 2的offset小。 一个consumer在commit log中可以按照发送顺序来消费message。

如果一个topic的备份因子设置为N,那么Kafka可以容忍N-1个服务器的失败,而存储在commit log中的消息不会丢 失。

kafka集群搭建与使用

安装前的环境准备

由于Kafka是用Scala语言开发的,运行在JVM上,因此在安装Kafka之前需要先安装JDK。

yum install java‐1.8.0‐openjdk* ‐y

kafka依赖zookeeper,所以需要先安装zookeeper

wget https://archive.apache.org/dist/zookeeper/zookeeper-3.4.12/zookeeper-3.4.12.tar.gz
tar ‐zxvf zookeeper‐3.4.12.tar.gz
cd zookeeper‐3.4.12
cp conf/zoo_sample.cfg conf/zoo.cfg

# 启动zookeeper
bin/zkServer.sh start
bin/zkCli.sh
ls / #查看zk的根目录相关节点

第一步:下载安装包

下载2.2.0 release版本,并解压:

wget https://archive.apache.org/dist/kafka/1.1.0/kafka_2.11-1.1.0.tgz
tar ‐xzf kafka_2.11‐1.1.0.tgz
cd kafka_2.11‐1.1.0

 第二步:启动服务

现在来启动kafka服务:

启动脚本语法:kafka­server­start.sh [­daemon] server.properties 可以看到,server.properties的配置路径是一个强制的参数,­daemon表示以后台进程运行,否则ssh客户端退出后, 就会停止服务。(注意,在启动kafka时会使用linux主机名关联的ip地址,所以需要把主机名和linux的ip映射配置到本地 host里,用vim /etc/hosts)

bin/kafka-server-start.sh -daemon config/server.properties

# 我们进入zookeeper目录通过zookeeper客户端查看下zookeeper的目录树
bin/zkCli.sh
ls / #查看zk的根目录kafka相关节点
ls /brokers/ids #查看kafka节点
Property Default Description
broker.id 0 每个broker都可以用一个唯一的非负整数id进行标识;这个id可以作为broker的“名字”,你可以选择任意你喜欢的数字作为id,只要id是 唯一的即可。
log.dirs /tmp/kafka-logs kafka存放数据的路径。这个路径并不是唯一的,可以是多个,路径之间只需要使用逗号分隔即可;每当创建新partition时,都会选择在包 含最少partitions的路径下进行。
listeners 9092 server接受客户端连接的端口
zookeeper.connect localhost:2181 zooKeeper连接字符串的格式为:hostname:port,此处hostname和port分别是ZooKeeper集群中某个节点的host和port;zookeeper 如果是集群,连接方式为 hostname1:port1, hostname2:port2, hostname3:port3
log.retention.hours 168 每个日志文件删除之前保存的时间。默认数据保存时间对所有topic都一样。
min.insync.replicas 1 当producer设置acks为-1时,min.insync.replicas指定replicas的最小数目(必须确认每一个repica的写数据都是成功的),如果这个数目 没有达到,producer发送消息会产生异常
delete.topic.enable false 是否允许删除主题

第三步:创建主题

现在我们来创建一个名字为“test”的Topic,这个topic只有一个partition,并且备份因子也设置为1:

bin/kafka‐topics.sh ‐‐create ‐‐zookeeper 192.168.0.60:2181 ‐‐replication-factor 1 ‐‐partitions 1 ‐‐topic test

现在我们可以通过以下命令来查看kafka中目前存在的topic

bin/kafka‐topics.sh ‐‐list ‐‐zookeeper 192.168.0.60:2181

 除了我们通过手工的方式创建Topic,当producer发布一个消息到某个指定的Topic,这个Topic如果不存在,就自动创 建。

删除主题 

bin/kafka‐topics.sh ‐‐delete ‐‐topic test ‐‐zookeeper 192.168.0.60:2181

 第四步:发送消息

kafka自带了一个producer命令客户端,可以从本地文件中读取内容,或者我们也可以以命令行中直接输入内容,并将这 些内容以消息的形式发送到kafka集群中。在默认情况下,每一个行会被当做成一个独立的消息。 首先我们要运行发布消息的脚本,然后在命令中输入要发送的消息的内容:

bin/kafka‐console-producer.sh --broker-list 192.168.0.60:9092 --topic test
>this is a msg
>this is a another msg

第五步:消费消息

对于consumer,kafka同样也携带了一个命令行客户端,会将获取到内容在命令中进行输出,默认是消费最新的消息:

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.60:9092 --consumer-property group.id=testGroup --topic test

如果想要消费之前的消息可以通过--from-beginning参数指定,如下命令:

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.60:9092 --from-beginning --topic test

如果你是通过不同的终端窗口来运行以上的命令,你将会看到在producer终端输入的内容,很快就会在consumer的终 端窗口上显示出来。

以上所有的命令都有一些附加的选项;当我们不携带任何参数运行命令的时候,将会显示出这个命令的详细用法。 还有一些其他命令如下:

查看组名

bin/kafka-consumer-groups.sh --bootstrap-server 192.168.0.60:9092 --list

查看消费者的消费偏移量

bin/kafka-consumer-groups.sh --bootstrap-server 192.168.0.60:9092 --describe --group testGroup

 

注意看current-offset 和 log-end-offset还有 lag ,分别为当前消费偏移量,结束的偏移量(HW),落后消费的消息数

消费多主题 

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.60:9092 --whitelist "test|test-2"

单播消费

一条消息只能被某一个消费者消费的模式,类似queue模式,只需让所有消费者在同一个消费组里即可 分别在两个客户端执行如下消费命令,然后往主题里发送消息,结果只有一个客户端能收到消息

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.60:9092 --consumer-property group.id=testGroup --topic test

 多播消费

一条消息能被多个消费者消费的模式,类似publish-subscribe模式费,针对Kafka同一条消息只能被同一个消费组下的某一个消 费者消费的特性,要实现多播只要保证这些消费者属于不同的消费组即可。我们再增加一个消费者,该消费者属于testGroup-2消费 组,结果两个客户端都能收到消息

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.60:9092 --consumer-property group.id=testGroup2 --topic test

 第六步:kafka集群配置

到目前为止,我们都是在一个单节点上运行broker,这并没有什么意思。对于kafka来说,一个单独的broker意味着 kafka集群中只有一个节点。要想增加kafka集群中的节点数量,只需要多启动几个broker实例即可。为了有更好的理 解,现在我们在一台机器上同时启动三个broker实例。

首先,我们需要建立好其他2个broker的配置文件:

cp config/server.properties config/server-1.properties
cp config/server.properties config/server-2.properties

 配置文件的内容分别如下:

config/server-1.properties:

#broker.id属性在kafka集群中必须要是唯一
broker.id=1
#kafka部署的机器ip和提供服务的端口号
listeners=PLAINTEXT://192.168.0.60:9093
log.dir=/usr/local/data/kafka-logs-1

现在我们创建一个新的topic,副本数设置为3,分区数设置为2:

bin/kafka-topics.sh --create --zookeeper 192.168.0.60:2181 --replication-factor 3 --partitions 2 --topic my-replicated-topic

查看下topic的情况

bin/kafka-topics.sh --describe --zookeeper 192.168.0.60:2181 --topic my-replicated-topic

以下是输出内容的解释,第一行是所有分区的概要信息,之后的每一行表示每一个partition的信息。

  • leader节点负责给定partition的所有读写请求。
  • replicas 表示某个partition在哪几个broker上存在备份。不管这个几点是不是”leader“,甚至这个节点挂了,也会列出。
  • isr 是replicas的一个子集,它只列出当前还存活着的,并且已同步备份的该partition的节点。

我们可以运行相同的命令查看之前创建的名称为”test“的topic 

bin/kafka-topics.sh --describe --zookeeper 192.168.0.60:2181 --topic test

 

 之前设置了topic的partition数量为1,备份因子为1,因此显示就如上所示了。当然我们也可以通过如下命令增加topic 的分区数量(目前kafka不支持减少分区):

bin/kafka‐topics.sh -alter --partitions 3 --zookeeper 127.0.0.1:2181 --topic test

 现在我们向新建的 my-replicated-topic 中发送一些message,kafka集群可以加上所有kafka节点:

bin/kafka-console‐producer.sh --broker-list 192.168.0.60:9092,192.168.0.60:9093,192.168.0.60:9094 --topic my-replica
ted-topic
>my test msg 1
>my test msg 2

 现在开始消费:

bin/kafka‐console‐consumer.sh ‐‐bootstrap‐server 192.168.0.60:9092 ‐‐from‐beginning ‐‐topic my‐replicated‐topic

my test msg 1
my test msg 2

现在我们来测试我们容错性,因为broker1目前是my-replicated-topic的分区0的leader,所以我们要将其kill

ps ‐ef | grep server.properties
kill ‐9 14776

 现在再执行命令:

bin/kafka‐topics.sh ‐‐describe ‐‐zookeeper 192.168.0.60:9092 ‐‐topic my‐replicated‐topic

 我们可以看到,分区0的leader节点已经变成了broker 0。要注意的是,在Isr中,已经没有了1号节点。leader的选举也 是从ISR(in-sync replica)中进行的。

此时,我们依然可以 消费新消息:

bin/kafka‐console‐consumer.sh ‐‐bootstrap‐server 192.168.0.60:9092 ‐‐from‐beginning ‐‐topic my‐replicated‐topic
my test msg 1
my test msg 2

 查看主题分区对应的leader信息:

Java客户端访问Kafka 

引入maven依赖


org.apache.kafka
kafka‐clients
1.1.0

 消息发送端代码

public class MsgProducer {
public static void main(String[] args) throws InterruptedException, ExecutionException {
Properties props = new Properties();
props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.0.60:9092,192.168.0.60:9093,192.168.0.60:9094");
/*
发出消息持久化机制参数
(1)acks=0: 表示producer不需要等待任何broker确认收到消息的回复,就可以继续发送下一条消息。性能最高,但是最容易丢消息。
(2)acks=1: 至少要等待leader已经成功将数据写入本地log,但是不需要等待所有follower是否成功写入。就可以继续发送下一条消息。
这种情况下,如果follower没有成功备份数据,而此时leader
又挂掉,则消息会丢失。
 (3)acks=‐1或all: 这意味着leader需要等待所有备份(min.insync.replicas配置的备份个数)都成功写入日志,这种策略会保证只要有
一个备份存活就不会丢失数据。
这是最强的数据保证。一般除非是金融级别,或跟钱打交道的场景才会使用这种配置。
*/
props.put(ProducerConfig.ACKS_CONFIG, "1");
//发送失败会重试,默认重试间隔100ms,重试能保证消息发送的可靠性,但是也可能造成消息重复发送,比如网络抖动,所以需要在接收者那
边做好消息接收的幂等性处理
props.put(ProducerConfig.RETRIES_CONFIG, 3);
//重试间隔设置
props.put(ProducerConfig.RETRY_BACKOFF_MS_CONFIG, 300);
//设置发送消息的本地缓冲区,如果设置了该缓冲区,消息会先发送到本地缓冲区,可以提高消息发送性能,默认值是33554432,即32MB
props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
//kafka本地线程会从缓冲区取数据,批量发送到broker,
//设置批量发送消息的大小,默认值是16384,即16kb,就是说一个batch满了16kb就发送出去
props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
//默认值是0,意思就是消息必须立即被发送,但这样会影响性能
//一般设置100毫秒左右,就是说这个消息发送完后会进入本地的一个batch,如果100毫秒内,这个batch满了16kb就会随batch一起被发送出
去
 //如果100毫秒内,batch没满,那么也必须把消息发送出去,不能让消息的发送延迟时间太长
 props.put(ProducerConfig.LINGER_MS_CONFIG, 100);
 //把发送的key从字符串序列化为字节数组
 props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
 //把发送消息value从字符串序列化为字节数组
 props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());

 Producer producer = new KafkaProducer<>(props);

 int msgNum = 5;
 CountDownLatch countDownLatch = new CountDownLatch(msgNum);
 for (int i = 1; i <= msgNum; i++) {
 Order order = new Order(i, 100 + i, 1, 1000.00);
 //指定发送分区
 ProducerRecord producerRecord = new ProducerRecord("order‐topic"
 , 0, order.getOrderId().toString(), JSON.toJSONString(order));
 //未指定发送分区,具体发送的分区计算公式:hash(key)%partitionNum
 /*ProducerRecord producerRecord = new ProducerRecord("my‐replicated‐topic"
 , order.getOrderId().toString(), JSON.toJSONString(order));*/

 //等待消息发送成功的同步阻塞方法
 /*RecordMetadata metadata = producer.send(producerRecord).get();
 System.out.println("同步方式发送消息结果:" + "topic‐" + metadata.topic() + "|partition‐"
 + metadata.partition() + "|offset‐" + metadata.offset());*/

 //异步方式发送消息
 producer.send(producerRecord, new Callback() {
 @Override
 public void onCompletion(RecordMetadata metadata, Exception exception) {
 if (exception != null) {
 System.err.println("发送消息失败:" + exception.getStackTrace());

 }
 if (metadata != null) {
 System.out.println("异步方式发送消息结果:" + "topic‐" + metadata.topic() + "|partition‐"
 + metadata.partition() + "|offset‐" + metadata.offset());
 }
 countDownLatch.countDown();
 }
 });

 //送积分 TODO

 }

 countDownLatch.await(5, TimeUnit.SECONDS);
 producer.close();
 }
 }

 消息接收端代码

 

public class MsgConsumer {
public static void main(String[] args) {
Properties props = new Properties();
props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.0.60:9092");
// 消费分组名
props.put(ConsumerConfig.GROUP_ID_CONFIG, "testGroup");
// 是否自动提交offset
/*props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");
// 自动提交offset的间隔时间
 props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG , "1000");*/
 props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
 /*
 心跳时间,服务端broker通过心跳确认consumer是否故障,如果发现故障,就会通过心跳下发
 rebalance的指令给其他的consumer通知他们进行rebalance操作,这个时间可以稍微短一点
 */
 props.put(ConsumerConfig.HEARTBEAT_INTERVAL_MS_CONFIG, 1000);
 //服务端broker多久感知不到一个consumer心跳就认为他故障了,默认是10秒
 props.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, 10 * 1000);
 /*
 如果两次poll操作间隔超过了这个时间,broker就会认为这个consumer处理能力太弱,
 会将其踢出消费组,将分区分配给别的consumer消费
 */
 props.put(ConsumerConfig.MAX_POLL_INTERVAL_MS_CONFIG, 30 * 1000);
 props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
 props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
 KafkaConsumer consumer = new KafkaConsumer<>(props);
 // 消费主题
 String topicName = "order‐topic";
 //consumer.subscribe(Arrays.asList(topicName));
 // 消费指定分区
 //consumer.assign(Arrays.asList(new TopicPartition(topicName, 0)));

 //消息回溯消费
 consumer.assign(Arrays.asList(new TopicPartition(topicName, 0)));
 consumer.seekToBeginning(Arrays.asList(new TopicPartition(topicName, 0)));
 //指定offset消费
 //consumer.seek(new TopicPartition(topicName, 0), 10);

 while (true) {
 /*
 * poll() API 是拉取消息的长轮询,主要是判断consumer是否还活着,只要我们持续调用poll(),
 * 消费者就会存活在自己所在的group中,并且持续的消费指定partition的消息。
 * 底层是这么做的:消费者向server持续发送心跳,如果一个时间段(session.
 * timeout.ms)consumer挂掉或是不能发送心跳,这个消费者会被认为是挂掉了,
 * 这个Partition也会被重新分配给其他consumer
 */
 ConsumerRecords records = consumer.poll(Integer.MAX_VALUE);
 for (ConsumerRecord record : records) {
 System.out.printf("收到消息:offset = %d, key = %s, value = %s%n", record.offset(), record.key(),
 record.value());
 }

 if (records.count() > 0) {
 // 提交offset
 consumer.commitSync();
 }
 }
 }
 }

Spring Boot整合Kafka

引入spring boot kafka依赖


org.springframework.kafka
spring‐kafka

application.yml配置如下:

server:
port: 8080

spring:
kafka:
bootstrap‐servers: 192.168.0.60:9092,192.168.0.60:9093
producer: # 生产者
retries: 3 # 设置大于0的值,则客户端会将发送失败的记录重新发送
batch‐size: 16384
 buffer‐memory: 33554432
 # 指定消息key和消息体的编解码方式
 key‐serializer: org.apache.kafka.common.serialization.StringSerializer
 value‐serializer: org.apache.kafka.common.serialization.StringSerializer
 consumer:
 group‐id: mygroup
 enable‐auto‐commit: true

发送者代码:

@RestController
public class KafkaController {

@Autowired
private KafkaTemplate kafkaTemplate;

@RequestMapping("/send")
public void send() {
kafkaTemplate.send("mytopic", 0, "key", "this is a msg");
 }

 }

 消费者代码:

@Component
public class MyConsumer {

/**
* @KafkaListener(groupId = "testGroup", topicPartitions = {
* @TopicPartition(topic = "topic1", partitions = {"0", "1"}),
* @TopicPartition(topic = "topic2", partitions = "0",
* partitionOffsets = @PartitionOffset(partition = "1", initialOffset = "100"))
* },concurrency = "6")
 * //concurrency就是同组下的消费者个数,就是并发消费数,必须小于等于分区总数
 * @param record
 */
 @KafkaListener(topics = "mytopic",groupId = "testGroup")
 public void listen(ConsumerRecord record) {
 String value = record.value();
 System.out.println(value);
 System.out.println(record);
 }
 }

 

你可能感兴趣的:(kafka,kafka,分布式,big,data)