Kafka基本介绍

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： 

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：

 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

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:

 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。
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。
kafka一般不会删除消息，不管这些消息有没有被消费。只会根据配置的日志保留时间(log.retention.hours)确认消息多久被删除，默认保留最近一周的日志消息。kafka的性能与保留的消息数据量大小没有关系，因此保存大量的数据消息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维护各自的消费offset。

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。

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，分区之后可以将不同的分区放在不同的机器上，相当于对数据做了分布式存储，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。

集群消费
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，不提供读写(主要是为了保证多副本数据与消费的一致性)。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。

上图说明：由2个broker组成的kafka集群，某个主题总共有4个partition(P0-P3)，分别位于不同的broker上。这个集群由2个Consumer Group消费， A有2个consumer instances ，B有4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
一个partition同一个时刻在一个consumer group中只能有一个consumer instance在消费，从而保证消费顺序。
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，但是这样会影响性能，所以kafka的顺序消费很少用。

消息发送端代码

package com.tuling.kafka.kafkaDemo;
2
3 import com.alibaba.fastjson.JSON;
4 import org.apache.kafka.clients.producer.*;
5 import org.apache.kafka.common.serialization.StringSerializer;
6
7 import java.util.Properties;
8 import java.util.concurrent.CountDownLatch;
9 import java.util.concurrent.ExecutionException;
10 import java.util.concurrent.TimeUnit;
11
12 public class MsgProducer {
13  private final static String TOPIC_NAME = "my‐replicated‐topic";
14
15  public static void main(String[] args) throws InterruptedException, ExecutionException {
16  Properties props = new Properties();
17  props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.65.60:9092,192.168.65.60:9093,192.168.65.60:9094");
18  /*
19  发出消息持久化机制参数
20  （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。
21  （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
22  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。
23  （3）acks=‐1或all： 需要等待 min.insync.replicas(默认为1，推荐配置大于等于2) 这个参数配置的副本个数都成功写入日志，这种策
略会保证
24  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。
25  */
26  /*props.put(ProducerConfig.ACKS_CONFIG, "1");
27  *//*
28  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
29  接收者那边做好消息接收的幂等性处理
30  *//*
31  props.put(ProducerConfig.RETRIES_CONFIG, 3);
32  //重试间隔设置
props.put(ProducerConfig.RETRY_BACKOFF_MS_CONFIG, 300);
34  //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
35  props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
36  *//*
37  kafka本地线程会从缓冲区取数据，批量发送到broker，
38  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
39  *//*
40  props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
41  *//*
42  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
43  一般设置10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10毫秒内，这个batch满了16kb就会随batch一起被发送出去
44  如果10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
45  *//*
46  props.put(ProducerConfig.LINGER_MS_CONFIG, 10);*/
47  //把发送的key从字符串序列化为字节数组
48  props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
49  //把发送消息value从字符串序列化为字节数组
50  props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
51
52  Producer<String, String> producer = new KafkaProducer<String, String>(props);
53
54  int msgNum = 5;
55  final CountDownLatch countDownLatch = new CountDownLatch(msgNum);
56  for (int i = 1; i <= msgNum; i++) {
57  Order order = new Order(i, 100 + i, 1, 1000.00);
58  //指定发送分区
59  /*ProducerRecord<String, String> producerRecord = new ProducerRecord<String, String>(TOPIC_NAME
60  , 0, order.getOrderId().toString(), JSON.toJSONString(order));*/
61  //未指定发送分区，具体发送的分区计算公式：hash(key)%partitionNum
62  ProducerRecord<String, String> producerRecord = new ProducerRecord<String, String>(TOPIC_NAME
63  , order.getOrderId().toString(), JSON.toJSONString(order));
64
65  //等待消息发送成功的同步阻塞方法
66  /*RecordMetadata metadata = producer.send(producerRecord).get();
67  System.out.println("同步方式发送消息结果：" + "topic‐" + metadata.topic() + "|partition‐"
68  + metadata.partition() + "|offset‐" + metadata.offset());*/
69
70  //异步回调方式发送消息
71  producer.send(producerRecord, new Callback() {
72  public void onCompletion(RecordMetadata metadata, Exception exception) {
73  if (exception != null) {
74  System.err.println("发送消息失败：" + exception.getStackTrace());
75
76  }
77  if (metadata != null) {
78  System.out.println("异步方式发送消息结果：" + "topic‐" + metadata.topic() + "|partition‐"
79  + metadata.partition() + "|offset‐" + metadata.offset());
80  }
81  countDownLatch.countDown();
82  }
83  });
84
85  //送积分 TODO
86
87  }
88
89  countDownLatch.await(5, TimeUnit.SECONDS);
90  producer.close();
91  }
92 }

消息接收端代码

package com.tuling.kafka.kafkaDemo;
2
3 import org.apache.kafka.clients.consumer.ConsumerConfig;
4 import org.apache.kafka.clients.consumer.ConsumerRecord;
5 import org.apache.kafka.clients.consumer.ConsumerRecords;
6 import org.apache.kafka.clients.consumer.KafkaConsumer;
7 import org.apache.kafka.common.serialization.StringDeserializer;
8
9 import java.time.Duration;
10 import java.util.Arrays;
11 import java.util.Properties;
12
13 public class MsgConsumer {
14  private final static String TOPIC_NAME = "my‐replicated‐topic";
15  private final static String CONSUMER_GROUP_NAME = "testGroup";
16
17  public static void main(String[] args) {
18  Properties props = new Properties();
19  props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.65.60:9092,192.168.65.60:9093,192.168.65.60:9094");
20  // 消费分组名
21  props.put(ConsumerConfig.GROUP_ID_CONFIG, CONSUMER_GROUP_NAME);
22  // 是否自动提交offset，默认就是true（拉取完消息后提交偏移量offset 下次就从提交的offset后面开始拉取数据 但是一般不会设置为true 因为会存在丢数据问题 比如在设置的时间（比如一秒）内拉取了10条数据 但是对这十条数据的业务逻辑处理要五秒 然而就在这个处理时间内宕机了 数据没有处理完 但是offset以及提交了 就消费不到丢失的数据了 在比如这十条数据处理时间只要0.1秒 我没有有提交offset就宕机了 也会丢数据  而设置false就不会自动提交offset 如果不手动提交 下次启动还会再次消费）
23  props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");
24  // 自动提交offset的间隔时间
25  props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
26  //props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
27  /*
28  当消费主题的是一个新的消费组，或者指定offset的消费方式，offset不存在，那么应该如何消费
29  latest(默认) ：只消费自己启动之后发送到主题的消息
30  earliest：第一次从头开始消费，以后按照消费offset记录继续消费，这个需要区别于consumer.seekToBeginning(每次都从头开始消费)
31  */
32  //props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");
33  /*
34  consumer给broker发送心跳的间隔时间，broker接收到心跳如果此时有rebalance发生会通过心跳响应将
35  rebalance方案下发给consumer，这个时间可以稍微短一点
36  */
37  props.put(ConsumerConfig.HEARTBEAT_INTERVAL_MS_CONFIG, 1000);
38  /*
39  服务端broker多久感知不到一个consumer心跳就认为他故障了，会将其踢出消费组，
40  对应的Partition也会被重新分配给其他consumer，默认是10秒
41  */
42  props.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, 10 * 1000);
43  //一次poll最大拉取消息的条数，如果消费者处理速度很快，可以设置大点，如果处理速度一般，可以设置小点
44  props.put(ConsumerConfig.MAX_POLL_RECORDS_CONFIG, 500);
45  /*
46  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，
47  会将其踢出消费组，将分区分配给别的consumer消费
48  */
49  props.put(ConsumerConfig.MAX_POLL_INTERVAL_MS_CONFIG, 30 * 1000);
50  props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
51  props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
52  KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(props);
53
54  consumer.subscribe(Arrays.asList(TOPIC_NAME));
55  // 消费指定分区
56  //consumer.assign(Arrays.asList(new TopicPartition(TOPIC_NAME, 0)));
57
58  //消息回溯消费
59  /*consumer.assign(Arrays.asList(new TopicPartition(TOPIC_NAME, 0)));
60  consumer.seekToBeginning(Arrays.asList(new TopicPartition(TOPIC_NAME, 0)));*/
61
62  //指定offset消费
63  /*consumer.assign(Arrays.asList(new TopicPartition(TOPIC_NAME, 0)));
64  consumer.seek(new TopicPartition(TOPIC_NAME, 0), 10);*/
65
66  //从指定时间点开始消费
67  /*List<PartitionInfo> topicPartitions = consumer.partitionsFor(TOPIC_NAME);
68  //从1小时前开始消费
69  long fetchDataTime = new Date().getTime() ‐ 1000 * 60 * 60;
70  Map<TopicPartition, Long> map = new HashMap<>();
71  for (PartitionInfo par : topicPartitions) {
72  map.put(new TopicPartition(topicName, par.partition()), fetchDataTime);
73  }
74  Map<TopicPartition, OffsetAndTimestamp> parMap = consumer.offsetsForTimes(map);
75  for (Map.Entry<TopicPartition, OffsetAndTimestamp> entry : parMap.entrySet()) {
76  TopicPartition key = entry.getKey();
77  OffsetAndTimestamp value = entry.getValue();
78  if (key == null || value == null) continue;
79  Long offset = value.offset();
80  System.out.println("partition‐" + key.partition() + "|offset‐" + offset);
81  System.out.println();
82  //根据消费里的timestamp确定offset
83  if (value != null) {
84  consumer.assign(Arrays.asList(key));
85  consumer.seek(key, offset);
86  }
87  }*/
88
89  while (true) {
90  /*
91  * poll() API 是拉取消息的长轮询 比如设置了1000毫秒 并不是在这1秒钟内只拉取一次 而是当没有拉取到数据时 会多次拉取数据 直到拉取到数据 然后继续循环
92  */
93  ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000));
94  for (ConsumerRecord<String, String> record : records) {
95  System.out.printf("收到消息：partition = %d,offset = %d, key = %s, value = %s%n", record.partition(),
96  record.offset(), record.key(), record.value());
97  }
98
99  /*if (records.count() > 0) {
100  // 手动同步提交offset，当前线程会阻塞直到offset提交成功
101  // 一般使用同步提交，因为提交之后一般也没有什么逻辑代码了
102  consumer.commitSync();
103
104  // 手动异步提交offset，当前线程提交offset不会阻塞，可以继续处理后面的程序逻辑
105  consumer.commitAsync(new OffsetCommitCallback() {
106  @Override
107  public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) {
108  if (exception != null) {
109  System.err.println("Commit failed for " + offsets);
110  System.err.println("Commit failed exception: " + exception.getStackTrace());
111  }
112  }
113  });
114
115  }*/
116  }
117  }
118 }

 props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");

// 是否自动提交offset，默认就是true（拉取完消息后提交偏移量offset 下次就从提交的offset后面开始拉取数据 但是一般不会设置为true 因为会存在丢数据问题 比如在设置的时间（比如一秒）内拉取了10条数据 但是对这十条数据的业务逻辑处理要五秒 然而就在这个处理时间内宕机了 数据没有处理完 但是offset以及提交了 就消费不到丢失的数据了 在比如这十条数据处理时间只要0.1秒 我没有有提交offset就宕机了 也会丢数据  而设置false就不会自动提交offset 如果不手动提交 下次启动还会再次消费）