Kafka单机版入门

前言

记录Kafka入门

背景

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.面对目前分布式越来越多的日志，需要一种能够高性能的MQ做日志分析处理。
• 消息系统（这个和之前的MQ功能类似）
  解耦和生产者和消费者、缓存消息等
• 用户活动跟踪（还是日志分析范围）
  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（还是日志分析范围）
  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(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。Kafka借鉴了JMS规范的思想，但是确并没有完全遵循JMS规范。

基础的消息(Message)相关术语

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

kafka基本使用

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://mirror.bit.edu.cn/apache/zookeeper/zookeeper‐3.5.8/apache‐zookeeper‐3.5.8‐bin.tar.gz
 tar ‐zxvf apache‐zookeeper‐3.5.8‐bin.tar.gz
 cd apache‐zookeeper‐3.5.8‐bin
 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2.4.1 release版本，并解压

wget https://mirror.bit.edu.cn/apache/kafka/2.4.1/kafka_2.11‐2.4.1.tgz # 2.11是scala的版本，2.4.1是kafka的版本
tar ‐xzf kafka_2.11‐2.4.1.tgz
 cd kafka_2.11‐2.4.1

第二步：修改配置

修改配置文件config/server.properties

#broker.id属性在kafka集群中必须要是唯一
broker.id=0
#kafka部署的机器ip和提供服务的端口号
listeners=PLAINTEXT://192.168.10.31:9092
#kafka的消息存储文件
log.dir=/usr/local/data/kafka‐logs
#kafka连接zookeeper的地址
zookeeper.connect=192.168.19.31:2181

第三步：启动服务

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)

# 启动kafka，运行日志在logs目录的server.log文件里
bin/kafka‐server‐start.sh ‐daemon config/server.properties #后台启动，不会打印日志到控制台或者用
bin/kafka‐server‐start.sh config/server.properties &
# 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
# 停止kafka
bin/kafka‐server‐stop.sh

server.properties核心配置

第四步：创建主题

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 192.168.10.31:2181 ‐‐replication‐factor 1 ‐‐partitions 1 ‐‐topic test

通过以下命令来查看kafka中目前存在的topic

bin/kafka‐topics.sh ‐‐list ‐‐zookeeper 192.168.10.31:2181

除了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 192.168.10.31:2181

第五步：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 192.168.10.31:9092 ‐‐topic test
>>this is a msg
>>this is a another msg

第六步：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 192.168.10.31:9092 ‐‐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 192.168.10.31:9092 ‐‐from‐beginning ‐‐topic test

如果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
消费多主题

bin/kafka‐console‐consumer.sh ‐‐bootstrap‐server 192.168.10.31:9092 ‐‐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 192.168.65.60:9092 ‐‐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，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 192.168.10.31:9092 ‐‐consumer‐property group.id=testGroup‐2 ‐‐topic test

查看消费组名

bin/kafka‐consumer‐groups.sh ‐‐bootstrap‐server 192.168.10.31:9092 ‐‐list

查看消费组的消费偏移量

• current-offset：当前消费组的已消费偏移量
• log-end-offset：主题对应分区消息的结束偏移量(HW)
• lag：当前消费组未消费的消息数

bin/kafka‐consumer‐groups.sh ‐‐bootstrap‐server 192.168.10.31:9092 ‐‐describe ‐‐group testGroup

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(类似其他MQ的队列):
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。

创建多个分区的主题

bin/kafka‐topics.sh ‐‐create ‐‐zookeeper 192.168.10.31:2181 ‐‐replication‐factor 1 ‐‐partitions 2 ‐‐topic test1

查看下topic的情况

bin/kafka‐topics.sh ‐‐describe ‐‐zookeeper 192.168.10.31:2181 ‐‐topic test1

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，并且已同步备份了该partition的节点。

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 192.168.10.31:2181 ‐‐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。可以进入kafka的数据文件存储目录查看test和test1主题的消息日志文件：

消息日志文件主要存放在分区文件夹里的以log结尾的日志文件里，如下是test1主题对应的分区0的消息日志：

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 192.168.10.31:2181 ‐‐topic test

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。