【大数据】kafka

文章目录

【后端目录贴】

【尚硅谷Kafka教程(消息队列kafka快速入门)】

1.定义

Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于
大数据实时处理领域

2.消息队列

2.1使用消息队列的好处

• 异步通信 很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户 把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要 的时候再去处理它们
• 解耦 允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
• 缓冲,削峰 有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致 的情况。 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。 如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列 能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。
• 可恢复性 系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所 以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。

2.2消息队列的两种模式

• 点对点模式（一对一，消费者主动拉取数据，消息收到后消息清除）

消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。
消息被消费以后，queue 中不再有存储，所以消息消费者不可能消费到已经被消费的消息。
Queue 支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费

• 发布/订阅模式（一对多，, 消费者消费数据之后不会清除消息）

消息生产者（发布）将消息发布到 topic (队列)中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到 topic 的消息会被所有订阅者消费。
包括生产者主动推送消息模式,包括消费者拉取模式

kafka属于消费者拉取的方式

3.Kafka基础架构

1. Producer ：消息生产者，就是向 kafka broker 发消息的客户端
2. Consumer ：消息消费者，向 kafka broker 取消息的客户端
3. Consumer Group （CG）：消费者组，由多个 consumer 组成。消费同一个topic的消费者构成一个消费者组,消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。(同一个消费者可能消费多个分区,由消费者组的协调器进行协调,最好情况就是 ,消费者数量=分区数,这样就是1对1消费了),一个**消费者(非消费者组)**可以订阅多个主题
4. Broker ：一台 kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker可以容纳多个 topic。
5. Topic ：可以理解为一个队列，生产者和消费者面向的都是一个 topic；(个人理解:生产者面向的是分区,因为不同消息可以发送到同一个topic的不同分区,而消费者面向的是topic,所有分区都消费,无法区分)
6. Partition：为了实现扩展性，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
7. Replica：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。
8. leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是 leader。
9. follower：每个分区多个副本中的“从”，实时从 leader 中同步数据，保持和 leader 数据的同步。leader 发生故障时，某个 follower 会成为新的 follower。
10. zookeeper: 注册kafka服务器,组成集群,进行管理;它维护了一个 ZooKeeper 集群来管理 Kafka 集群的状态。Kafka 的每个 Broker 都会在 ZooKeeper 中注册自己的元数据信息，包括主题分区的分配情况、Leader 以及副本等。ZooKeeper 还能够监控 Broker 的状态，并在 Broker 失效或宕机时进行重新选举和分区的重新分配。注册消费者( 0.9版本及之后,zk不再负责注册和管理消费者),管理消费者,消费者通过与 ZooKeeper 交互注册自己并获取消费者组的元数据。ZooKeeper 还负责记录每个消费者组的消费进度，包括消费者在每个主题分区中消费的偏移量（offset） 0.9版本之前,0.9版本及之后,zk不再负责注册和管理消费者,offset偏移量和管理在kafka服务器中。这样，当消费者中断或重启时，可以通过查询 ZooKeeper 中的偏移量来定位和恢复之前的消费位置。

4.kafka使用

4.1 jar包下载(0.11.0.0版本)

https://archive.apache.org/dist/zookeeper/zookeeper-3.4.14/

上传,解压,重命名kafka
在kafka新建文件夹logs

4.2 部署

• 修改配置文件server.properties

#broker 的全局唯一编号，不能重复
broker.id=0
#删除 topic 功能使能
delete.topic.enable=true
#处理网络请求的线程数量
num.network.threads=3
#用来处理磁盘 IO 的现成数量
num.io.threads=8
#发送套接字的缓冲区大小
socket.send.buffer.bytes=102400
#接收套接字的缓冲区大小
socket.receive.buffer.bytes=102400
#请求套接字的缓冲区大小
socket.request.max.bytes=104857600
#kafka 运行日志存放的路径
log.dirs=/opt/module/kafka/logs
#topic 在当前 broker 上的分区个数
num.partitions=1
#用来恢复和清理 data 下数据的线程数量
num.recovery.threads.per.data.dir=1
#segment 文件保留的最长时间，超时将被删除
log.retention.hours=168
#配置连接 Zookeeper 集群地址
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181

• bin目录命令行操作

启动: kafka-server-start.sh -daemon …/config/server.properties
关闭: kafka-server-stop.sh stop
查看当前服务器中所有的topic sh kafka-topics.sh --list --zookeeper localhost:2181
创建topic : kafka-topics.sh --create --zookeeper localhost:2181 --topic first --partitions 2 --replication-factor 1
选项说明：
–topic 定义 topic 名
–replication-factor 定义副本数
–partitions 定义分区数 (不能超过broker数量)
可看到logs中有文件了:

删除topic: kafka-topics.sh --delete --zookeeper localhost:2181 --topic first
查看某个 Topic 的详情: kafka-topics.sh --describe --zookeeper localhost:2181 --topic first

生产者生产消息: kafka-console-producer.sh --topic first --broker-list localhost:9092

消费者消费消息方式1: kafka-console-consumer.sh --topic first --zookeeper localhost:2181 (过时了,但是依然可用)如果启动新的消费者,从头读取消息,需要加参数: --from-beginng,消息最长保存7天,7天内都可以用这个命令去读取到最开始的消息

消费者消费消息方式2: kafka-console-consumer.sh --topic first --bootstrap-server localhost:9092,也可用–from-beginning参数,会在kafka端生产offsets主题,默认50个分区1个副本

• 将数据和日志分离

1. 关闭kafka kafka-server-stop.sh stop, 删除之前配置的logs目录 rm -rf logs
2. 重启zk,同时删除原来数据 执行zkCli.sh,进入客户端后执行 ls /,可以看到处理zookeeper,其余全是kafka的数据文件,退出, 停止zk: zkServer.sh stop; 删除之前配置的zk日志目录下面的所有文件: 重新启动zk: zkServer.sh start,再次执行zkCli.sh, 可以看到只有zookeeper文件夹了.
3. 配置kafka,并启动 (需要建立data文件夹, logs目录会自动生成) 创建主题,可以看到数据现在data下面 发送的数据在first-* 下面的 *.log文件中

5.Kafka 架构深入

5.1Kafka 工作流程及文件存储机制

5.1.1 Kafka 工作流程

Kafka 中消息是以topic 进行分类的，生产者生产消息，消费者消费消息，都是面向 topic
的。
topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件，该 log 文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该log 文件末端，且每条数据都有自己的 offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个 offset，以便出错恢复时，从上次的位置继续消费。

5.1.2 Kafka 文件存储机制

由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic 名称+分区序号。例如，first 这个 topic 有三个分区，则其对应的文件夹为 first-0,first-1,first-2。

index 和 log 文件以当前 segment 的第一条消息的 offset 命名。下图为 index 文件和 log文件的结构示意图, “.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元
数据指向对应数据文件中 message 的物理偏移地址。。

5.2 Kafka 生产者

5.2.1 分区策略

1. 分区的原因

（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic
又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
（2）可以提高并发，因为可以以 Partition 为单位读写了。

1. 分区的原则 我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。

1. 指明 partition 的情况下，直接将指明的值直接作为 partiton 值
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
3. 既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后 面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法。

5.2.2 数据可靠性保证

为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到
producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 确认收到），如果
producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。

5.2.2.1 副本数据同步策略

Kafka 选择了第二种方案，原因如下：
1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1
个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

5.2.2.2 ISR

采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，
但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，
直到它完成同步，才能发送 ack。这个问题怎么解决呢？
Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower长 时 间 未 向 leader 同 步 数 据 ， 则 该 follower 将 被 踢 出 ISR ， 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

5.2.2.3 ack 应答机制

对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，
所以没必要等 ISR 中的 follower 全部接收成功。所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，
选择以下的配置。

• acks 参数 - 0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还 没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；- 1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower 同步成功之前 leader 故障，那么将会丢失数据；- -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才 返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会 造成数据重复。

5.2.2.4 故障处理细节

LEO：指的是每个副本最大的 offset；
HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。
（1）follower 故障
follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘
记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。
等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重
新加入 ISR 了。
（2）leader 故障
leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader
同步数据。
注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

5.2.3 Exactly Once 语义

将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At
Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被
发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once
可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。在 0.11 版
本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局
去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论
向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语
义，就构成了 Kafka 的 Exactly Once 语义。即：
At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka
的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在
初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而
Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只
会持久化一条。
但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨
分区跨会话的 Exactly Once。

5.3 Kafka 消费者

5.3.1 消费方式

consumer 采用 pull（拉）模式从 broker 中读取数据。
push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。
它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适
当的速率消费消息。
pull 模式不足之处是，如果 kafka 没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有
数据可供消费，consumer 会等待一段时间之后再返回，这段时长即为 timeout。

5.3.2 分区分配策略

一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，所以必然会涉及
到 partition 的分配问题，即确定那个 partition 由哪个 consumer 来消费。
Kafka 有两种分配策略，一是 RoundRobin，一是 Range。

1. RoundRobin
2. Range

5.3.3 offset 的维护

6. API

6.1 生产者API : 异步发送API

• 依赖引入

<dependency><groupId>org.apache.kafka</groupId><artifactId>kafka-clients</artifactId><version>0.11.0.0</version></dependency>

6.1.1 不带回调函数的API

@Testpublicvoidfun1()throwsInterruptedException{/**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         *///生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092//创建生产者配置Properties properties =newProperties();//kafka集群
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");//ACK应答级别
        properties.put(ProducerConfig.ACKS_CONFIG,"all");//重试次数
        properties.put(ProducerConfig.RETRIES_CONFIG,1);//批次大小//batch.size：只有数据积累到 batch.size 之后，sender 才会发送数据。//linger.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。
        properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384);//等待时间
        properties.put(ProducerConfig.LINGER_MS_CONFIG,1);//RecordAccumulator 缓冲区大小
        properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432);

        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,StringSerializer.class);Producer<String,String> producer=newKafkaProducer<>(properties);for(int i =0; i <10; i++){
            producer.send(newProducerRecord<String,String>("first","Kafka----"+i));}
        producer.flush();
        producer.close();//关闭自动刷新}

6.1.2 带回调函数的API

//带回调函数@Testpublicvoidfun1()throwsInterruptedException{/**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         *///生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092//1.创建配置信息(其他配置采用默认值)Properties properties =newProperties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,StringSerializer.class);//2.创建生产者对象Producer<String,String> producer =newKafkaProducer<>(properties);List<String> list =newArrayList<>();
        list.add("a");
        list.add("b");
        list.add("c");
        list.add("e");
        list.add("f");
        list.add("g");//3.发送数据for(int i =0; i <10; i++){//不指定key,轮询策略//producer.send(new ProducerRecord<String, String>("first", "Kafka----" + i), new Callback() {//指定key的话,根据key的hash值来指定分区; 否则按照轮询策略
             producer.send(newProducerRecord<String,String>("first", list.get(i %6),"Kafka----"+ i),newCallback(){//指定分区,按照分区来//producer.send(new ProducerRecord<String, String>("first",0, list.get(i % 3), "Kafka----" + i), new Callback() {@Override//成功返回metadata,失败返回exceptionpublicvoidonCompletion(RecordMetadata metadata,Exception exception){if(exception ==null){System.out.println(metadata.partition()+"--"+ metadata.offset());}else{
                        exception.printStackTrace();}}});}
        producer.flush();
        producer.close();//关闭自动刷新}

6.1.3 自定义分区器

需要实现

Partitioner

接口

publicclassMyPartitionerimplementsPartitioner{@Overridepublicintpartition(String topic,Object key,byte[] keyBytes,Object value,byte[] valueBytes,Cluster cluster){return1;}@Overridepublicvoidclose(){}@Overridepublicvoidconfigure(Map<String,?> configs){}}

//添加分区器@Testpublicvoidfun1()throwsInterruptedException{/**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         *///生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092//1.创建配置信息(其他配置采用默认值)Properties properties =newProperties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,StringSerializer.class);//添加分区器*************************************************
        properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG,MyPartitioner.class);//2.创建生产者对象Producer<String,String> producer =newKafkaProducer<>(properties);List<String> list =newArrayList<>();
        list.add("a");
        list.add("b");
        list.add("c");
        list.add("e");
        list.add("f");
        list.add("g");//3.发送数据for(int i =0; i <10; i++){//不指定key,轮询策略//producer.send(new ProducerRecord<String, String>("first", "Kafka----" + i), new Callback() {//指定key的话,根据key的hash值来指定分区; 否则按照轮询策略
            producer.send(newProducerRecord<String,String>("first", list.get(i %6),"Kafka----"+ i),newCallback(){//指定分区,按照分区来//producer.send(new ProducerRecord<String, String>("first",0, list.get(i % 3), "Kafka----" + i), new Callback() {@Override//成功返回metadata,失败返回exceptionpublicvoidonCompletion(RecordMetadata metadata,Exception exception){if(exception ==null){System.out.println(metadata.partition()+"--"+ metadata.offset());}else{
                        exception.printStackTrace();}}});}
        producer.flush();
        producer.close();//关闭自动刷新}

6.2 生产者API : 同步发送API

同步发送的意思就是，一条消息发送之后，会阻塞当前线程，直至返回 ack。
由于 send 方法返回的是一个

Future 对象

，根据 Futrue 对象的特点，我们也可以实现同
步发送的效果，只需在调用 Future 对象的

get 

方法即可。

Future<RecordMetadata> future = producer.send(newProducerRecord<String,String>("first","Kafka----"+ i));RecordMetadata recordMetadata = future.get();System.out.println(recordMetadata);