springboot的kafka使用

kafka的一些概念

• 分组：同一组内的consumer对于队列里的消息只会有一个consumer消费一次（一对一），不同组的consumer对队列里的消息会同时消费（一对多）。

• 分区：kafka将同一队列的消息存在不同服务器上该队列中（消息分区，避免消息集中到一个服务器上）。

• 偏移量：分区中的消息的序列号，在每个分区中此偏移量都是唯一的。
  

• 分区策略：轮询策略（按顺序轮流将每条数据分配到每个分区中），随机策略（每次都随机的将消息分配到每个分区），按键保存策略（生产者发送数据的时候，可以指定一个key，计算这个key的hashcode值，按照hashcode的值对不同消息进行存储）。

• 备份：kafka中消息的备份又叫做副本，kafka定义了两种副本：领导者副本（leader），追随者副本（follower）。
  

• 备份机制：同步方式，第一种ISR选定方式具有高可靠性，第二种其他follower方式具有高可用性。
  

• 发送消息方式：同步方式和异步的差别在于异步加上一个回调函数，即加上了回调函数的就是异步发送消息的方式。

• 消息确认机制：通过配置文件中ack的值配置。
  

• 消息重试次数：通过配置文件中retries的值配置。

• 消息压缩：通过配置文件中的compression-type的值配置。
  

• 消息有序性：topic分区中消息只能由消费者组中的唯一一个消费者处理，所以消息肯定是按照先后顺序进行处理的。但是它也仅仅是保证Topic的一个分区顺序处理，不能保证跨分区的消息先后处理顺序。所以，如果你想要顺序的处理Topic的所有消息，那就只提供一个分区。

• 提交偏移量：通过配置文件中enable-auto-commit的值配置手动提交和自动提交。kafka不会像其他JMS队列那样需要得到消费者的确认，消费者可以使用kafka来追踪消息在分区的位置(偏移量)。消费者会往一个叫做 consumer offset的特殊主题发送消息，消息里包含了每个分区的偏移量。如果消费者发生崩溃或有新的消费者加入群组，就会触发再均衡（把消息分区重新均衡的分配给所有可用的消费者，保证大家一起消费）。
  

配置文件

spring:
kafka:
  bootstrap-servers: 192.168.101.125:9092
  producer:
    retries: 0
    batch-size: 16KB
    buffer-memory: 32MB
    acks: 1
    key-serializer: org.apache.kafka.common.serialization.StringSerializer
    value-serializer: org.apache.kafka.common.serialization.ByteArraySerializer
    properties:
      linger.ms: 5
  consumer:
    # 消费者需要在自己的配置文件里设置为true
    enable: false
    enable-auto-commit: false
    # earliest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，从头开始消费
    # latest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，消费新产生的该分区下的数据
    # none:topic各分区都存在已提交的offset时，从offset后开始消费；只要有一个分区不存在已提交的offset，则抛出异常
    auto-offset-reset: earliest
    # 批量拉取时的最大拉取数量
    max-poll-records: 1000
    key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
    value-deserializer: org.apache.kafka.common.serialization.ByteArrayDeserializer
    # 默认group-id为应用名称
    group-id: ${spring.application.name}
  topics:
  	command: msg_command
    offline-download: dev_websocket_unDownFile

依赖坐标

<dependency>
    <groupId>org.springframework.kafka</groupId>
    <artifactId>spring-kafka</artifactId>
</dependency>

生产者

// 配置文件中设置了key的序列化器StringDeserializer和value的序列化器为ByteArrayDeserializer
@Autowired
private KafkaTemplate<String, byte[]> kafkaTemplate;

@Value("${spring.kafka.topics.offline-download}")
private String topic;

// 这里发送的参数是字节类型，因为配置文件中设置了value的序列化器为ByteArrayDeserializer（对象类型的消息通常用json来传输，对象->json字符串->字节数组）
kafkaTemplate.send(topic, JsonUtils.serialize(OfflineDownload.builder().fileId(id)
        .unDown(false).userId(userId).build()).getBytes()).addCallback(success ->
                // 消息发送成功
                log.debug("kafka sending success, topic:{}, body:{}",
                        topic, JsonUtils.serialize(OfflineDownload.builder().fileId(id)
                                .unDown(false).userId(userId).build()))
        , failure ->
                // 消息发送失败
                log.error("kafka sending failure, topic:{}, body:{}",
                        topic, JsonUtils.serialize(OfflineDownload.builder().fileId(id)
                                .unDown(false).userId(userId).build()))
);

消费者

@KafkaListener(
        topics = {
                "${spring.kafka.topics.offline-download}",
        },
        containerFactory = "stringBytesKafkaFactory"
)
public void receiveUnDownFileMessage(List<ConsumerRecord<String, byte[]>> records, Acknowledgment ack) {
    debugLogMessageSize(records);
    List<OfflineDownload> unDownFileMessageDtoList = new ArrayList<>();
    for (ConsumerRecord<String, byte[]> consumerRecord : records) {
        try {
        	// 将json数组转成json字符串
            String msgStr = new String(consumerRecord.value());
            // json字符串转成对象
            OfflineDownload unDownFileMessageDto = JsonUtils.deserialize(msgStr, OfflineDownload.class);
            unDownFileMessageDtoList.add(unDownFileMessageDto);
        } catch (Exception e) {
            errorLogMessage(consumerRecord, e, false);
        }
        debugLogMessage(consumerRecord, false);
    }
    try {
        WebSocketServer.dealUnDownFileMessage(unDownFileMessageDtoList);
        ack.acknowledge();
    } catch (CommitFailedException ce){
        errorLog(ce, ack);
    }catch (Exception e) {
        errorLog(e, ack);
    }
}

// 消费对象key是string，value是baye[]，因为配置文件中设置了key的序列化器StringDeserializer和value的序列化器为ByteArrayDeserializer
@KafkaListener(
        topics = {"${spring.kafka.topics.command}"},
        containerFactory = "stringBytesKafkaFactory"
)
public void receiveCommandByteMessage(List<ConsumerRecord<String, byte[]>> records, Acknowledgment ack) {
    if (log.isDebugEnabled()) {
        log.debug("从kafka拉取事件数据{}条", records.size());
    }
    List<byte[]> byteMessage = new ArrayList<>();
    for (ConsumerRecord<String, byte[]> consumerRecord : records) {
        byteMessage.add(consumerRecord.value());
        if (log.isDebugEnabled()) {
            log.debug("topic:{}, key:{}, bytes:{}",
                    consumerRecord.topic(),
                    consumerRecord.key(),
                    ByteBufUtil.hexDump(consumerRecord.value()));
        }
    }
    try {
        mqCommandMessageService.dealCommandMessageBatch(byteMessage);
        ack.acknowledge();
        if (log.isDebugEnabled()) {
            log.debug("提交偏移量，提交时间：{}", System.currentTimeMillis());
        }
    } catch (Exception e) {
        log.error("处理连接事件异常", e);
        ack.nack(0, 5 * 1000L);
    }
}

注：ack.acknowledge()用来确认消息，ack.nack()会确认第一个参数偏移量之前的消息，抛弃后续消息重新返回到队列中。第二个参数时间后再次poll查询未消费消息。