Kafka学习之：mac 上基础使用 python 来使用 kafka 的生产者和消费者进行数据处理

文章目录

前提

• 我的配置是 M1 芯片 Macbook pro
• 你的 kafka 处于启动状态，如果尚未启动，则通过以下命令依次运行 zookeeper 和 kafka，如果有安装问题可以参考上一篇文章brew services start zookeeperbrew services start kafka

python 环境配置

• 首先，确保安装了confluent-kafka``````pip install confluent-kafka
• 使用以下Python脚本创建一个新的Kafka主题：from confluent_kafka.admin import AdminClient, NewTopic# Kafka服务器配置admin_client = AdminClient({"bootstrap.servers":"localhost:9092"})# 创建新主题的配置topic_list =[NewTopic("my_new_topic", num_partitions=3, replication_factor=1)]# 注意: replication_factor 和 num_partitions 可能需要根据你的Kafka集群配置进行调整; # 创建主题fs = admin_client.create_topics(topic_list)# 处理结果for topic, f in fs.items():try: f.result()# The result itself is Noneprint(f"Topic {topic} created")except Exception as e:print(f"Failed to create topic {topic}: {e}")> > - 注意 replication_factor 不能超过 broker 的数量> - 具体原因可以参考视频> - 通过 python 只能创建 broker 的主题，而不能控制创建多个 broker，增加或管理brokers的过程需要在集群的配置和部署阶段进行，而不能通过像confluent_kafka这样的客户端库来实现。

Kafka 生产消费者模型

生产者 producer

"""
 @file: producer.py
 @Time    : 2024/3/29
 @Author  : Peinuan qin
 """from confluent_kafka import Producer
import json

# Kafka配置
config ={'bootstrap.servers':'localhost:9092'}# 创建生产者
producer = Producer(**config)# 模拟的用户活动数据
data ={'user_id':1234,'activity':'page_view','page':'homepage'}# 发送数据
producer.produce('user_activities', key=str(data['user_id']), value=json.dumps(data))
producer.flush()print("Data sent to Kafka")

Data sent to Kafka

检查当前存在的所有 topic / 是否自动创建 topic

• 可以用如下命令来检查已经存在的 topics``````kafka-topics --list--bootstrap-server localhost:9092
• 对于上述 producer 中，我的 server.property 中的 auto.create.topics.enable 设置为 True，这意味着如果当前 topics 不存在会自动创建。
• 检查 auto.create.topics.enable 的方式：grep "auto.create.topics.enable"/path/to/your/kafka/config/server.properties
• 一般 /path/to/your/kafka/config/server.properties 在我的 上篇文章 中提到了, m1 芯片的 mac 的地址是在 /opt/homebrew/etc/kafka/server.properties，所以对应的查看命令就是：grep "auto.create.topics.enable"/opt/homebrew/etc/kafka/server.properties
• 如果这一行在你的 server.properties 中并不存在，则默认为 true，如果想更改，需要在 server.properties 中加入 auto.create.topics.enable=false 然后保存更改，重新启动 kafka
• 当你设置成 auto.create.topics.enable=false，再次运行上面的代码，但是 topic 换成一个新的

producer.produce('user_activities1', key=str(data['user_id']), value=json.dumps(data))

• 你会发现执行结果还是下面内容，并且没有报错：> Data sent to Kafka
• 但是当你列出所有的 topic，却发现其实 user_activities1 并没有创建成功。

为什么 producer 要通过 key, value 来发布数据

键（Key）

• 分区选择： 键主要用于决定消息被发送到主题的哪个分区。如果为消息指定了键，Kafka会对键进行哈希处理，根据哈希值将消息均匀分配到不同的分区。这种方式确保了相同键的所有消息都会被发送到同一个分区中，保证了消息的顺序性。如果没有指定键，消息会以轮询的方式分配到所有分区，这可能不会保证相同键的消息顺序。
• 日志压缩： 键还用于日志压缩（log compaction）功能。在这个模式下，Kafka保证每个键在分区日志中只保留最后一次更新的值。这对于维护长期运行的聚合状态非常有用。

值（Value）

• 消息内容： 值部分承载了消息的实际内容。这是生产者想要发送给消费者的数据。值可以是任何格式的数据，比如字符串、JSON对象、序列化后的字节码等。
• 使用场景示例- 订单系统：在一个订单系统中，订单ID可以作为键，而订单的详细信息（如客户信息、订单项、价格等）作为值。使用订单ID作为键确保了相同订单的更新会被顺序地发送到同一个分区，并且通过日志压缩，Kafka可以只保留订单的最新状态。- 用户行为跟踪：在用户行为跟踪应用中，用户ID 可以作为键，用户的行为（如点击、浏览等）作为值。这样，相同用户的所有行为都会被顺序地记录在同一个分区中，便于后续进行用户行为分析。

消费者 consumer

"""
 @file: consumer.py
 @Time    : 2024/3/29
 @Author  : Peinuan qin
 """from confluent_kafka import Consumer, KafkaError

# Kafka配置
config ={'bootstrap.servers':'localhost:9092','group.id':'user-activity-group','auto.offset.reset':'earliest'}# 创建消费者
consumer = Consumer(**config)
consumer.subscribe(['user_activities'])# 读取数据try:whileTrue:
        msg = consumer.poll(timeout=1.0)# 1秒超时if msg isNone:continueif msg.error():if msg.error().code()== KafkaError._PARTITION_EOF:# End of partition eventcontinueelse:print(msg.error())break# 成功接收消息print('Received message: {}'.format(msg.value().decode('utf-8')))except KeyboardInterrupt:passfinally:# 清理操作
    consumer.close()

• 可以看到我们订阅了 'user_activities' 这个 topic，从其中源源不断地取数据来进行消费（处理）
• 但是同时在 consumer 的代码中定义了一个 group.id，而这个是 producer 中没有的，这样做的原因是：- 负载均衡：在同一个消费者组中，每个消费者可以负责消费特定的分区中的消息，这样可以在消费者之间分摊负载。如果一个消费者组中有多个消费者实例，Kafka会尽量平衡地将分区分配给每个消费者，确保每个分区只被组内的一个消费者消费。这意味着增加消费者可以提高消费的并行度，加快处理速度。- 容错和高可用性： 如果某个消费者失败，它负责的分区会被重新分配给同一消费者组内的其他消费者，这样可以确保消息的持续消费，提高了系统的容错能力。- 消息广播： 通过使用不同的消费者组，可以实现消息的广播模式，即相同的消息可以被多个消费者组独立消费。
• 如果不是认为还不是很清楚，可以 参考视频

consumer 得到的 message 有哪些方法？

print("msg dict:",dir(msg))

msg dict:['__class__','__delattr__','__dir__','__doc__','__eq__','__format__','__ge__','__getattribute__','__gt__','__hash__','__init__','__init_subclass__','__le__','__len__','__lt__','__ne__','__new__','__reduce__','__reduce_ex__','__repr__','__setattr__','__sizeof__','__str__','__subclasshook__','error','headers','key','latency','leader_epoch','offset','partition','set_headers','set_key','set_value','timestamp','topic','value']

1. Key: 消息的键（如果有）。键用于消息的分区内排序和日志压缩。
2. Value: 消息的实际内容或负载。
3. Topic: 消息所属的主题。
4. Partition: 消息所在的分区号。Kafka中的每个主题可以被分割成多个分区，分区号从0开始。
5. Offset: 消息在其分区中的偏移量。偏移量是一个递增的序列号，用于唯一标识分区中的每条消息。
6. Timestamp: 消息的时间戳。它可以是消息创建时的时间戳（生产者发送消息的时间）或者是消息被追加到日志的时间戳。时间戳的具体含义取决于Kafka生产者的配置。
7. Headers: 消息头部，是键值对的集合，可以用来存储与消息相关的附加信息。生产者可以添加任意多的键值对作为消息的一部分，消费者可以读取这些信息进行相应的处理。
8. Serialized Key Size: 键的序列化后的大小（以字节为单位）。如果消息没有键，通常这个值是-1。
9. Serialized Value Size: 值的序列化后的大小（以字节为单位）。
10. Leader Epoch (Kafka 0.11.0及以上版本): 分区领导者的纪元号。这是一个内部使用的字段，用于Kafka的复制机制，以确保数据一致性。

为什么 consumer 拿到的内容需要 decode

• 消费者在接收到Kafka中的消息后需要进行解码（decoding），原因在于消息的生产者在发送消息到Kafka之前通常会对消息的键（key）和值（value）进行编码（encoding）。编码和解码是为了在网络上传输数据时确保数据的一致性和完整性，同时也支持消息的有效存储。
• 一般使用 utf-8 进行编解码
• 上述的 producer 中没有显式调用 encoder 是因为 json.dumps 本身就是序列化的过程，也就是编码的过程。 但好习惯应该是对 key 和 value 都进行 encode：producer.produce('user_activities1', key=str(data['user_id']).encode("utf-8"), value=json.dumps(data).encode("utf-8"))