Kafka 一：快速实战和基础概念

kafka快速实战和基础概念

kafka简介

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。

名称	解释
Broker	消息中间件处理节点，一个Kafka节点就是一个broker，一个或者多个Broker可以组成一个Kafka集群
Topic	Kafka根据topic对消息进行归类，发布到Kafka集群的每条消息都需要指定一个topic
Producer	消息生产者，向Broker发送消息的客户端
Consumer	消息消费者，从Broker读取消息的客户端
ConsumerGroup	每个Consumer属于一个特定的Consumer Group，一条消息可以被多个不同的Consumer Group消费，但是一个Consumer Group中只能有一个Consumer能够消费该消息
Partition	物理上的概念，一个topic可以分为多个partition，每个partition内部消息是有序的

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。

kafka基本使用

kafka搭建安装

环境搭建

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。
kafka依赖zookeeper，所以需要先安装zookeeper
下载安装kafka

wget https://archive.apache.org/dist/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

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://192.168.213.168:9092   
#kafka的消息存储文件
log.dir=/usr/local/kafka/kafka_2.11-2.4.1/logs
#kafka连接zookeeper的地址
zookeeper.connect=192.168.213.168:2181
#
bootstrap-servers:192.168.213.138:9092

启动停止命令

#启动服务
bin/kafka-server-start.sh -daemon config/server.properties 
#停止服务
bin/kafka-server-stop.sh

启动后，进入zookeeper客户端查看相关节点信息

日志中出现 [KafkaServer id=0] started (kafka.server.KafkaServer) 表示启动成功
如果日志中出现连接zookeeper超时，检查zookeeper是否能ping通，检查防火墙，同时增加zookeeper连接超时时间

# Timeout in ms for connecting to zookeeper
zookeeper.connection.timeout.ms=60000

server.properties核心配置详解：

Property	Default	Description
broker.id	0	每个broker都可以用一个唯一的非负整数id进行标识；这个id可以作为broker的“名字”，你可以选择任意你喜欢的数字作为id，只要id是唯一的即可。
log.dirs	/tmp/kafka-logs	kafka存放数据的路径。这个路径并不是唯一的，可以是多个，路径之间只需要使用逗号分隔即可；每当创建新partition时，都会选择在包含最少partitions的路径下进行。
listeners	PLAINTEXT://ip:9092	server接受客户端连接的端口，ip配置kafka本机ip即可
zookeeper.connect	localhost:2181	zooKeeper连接字符串的格式为：hostname:port，此处hostname和port分别是ZooKeeper集群中某个节点的host和port；zookeeper如果是集群，连接方式为 hostname1:port1, hostname2:port2, hostname3:port3
log.retention.hours	168	每个日志文件删除之前保存的时间。默认数据保存时间对所有topic都一样。
num.partitions	1	创建topic的默认分区数
default.replication.factor	1	自动创建topic的默认副本数量，建议设置为大于等于2
min.insync.replicas	1	当producer设置acks为-1时，min.insync.replicas指定replicas的最小数目（必须确认每一个repica的写数据都是成功的），如果这个数目没有达到，producer发送消息会产生异常
delete.topic.enable	false	是否允许删除主题

快速使用

创建主题

除了手动的方式创建Topic外，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。
 # 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 192.168.213.138:2181 --replication-factor 1 --partitions 1 --topic test
#查看存在的Topic
bin/kafka-topics.sh --list --zookeeper 192.168.213.138:2181
# 删除主题
bin/kafka-topics.sh --delete --topic test --zookeeper 192.168.213.138:2181

发送消息

bin/kafka-console-producer.sh --broker-list 192.168.213.138:9092 --topic test

消费消息

#默认是消费最新的消息:
bin/kafka-console-consumer.sh --bootstrap-server 192.168.213.138:9092 --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 192.168.213.138:9092 --from-beginning --topic test

消费多主题
#创建test2主题

bin/kafka-topics.sh --create --zookeeper 192.168.213.138:2181 --replication-factor 1 --partitions 1 --topic test2
#多主题消费
bin/kafka-console-consumer.sh --bootstrap-server 192.168.213.138:9092 --whitelist "test|test2"

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 192.168.213.138:9092  --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 192.168.213.138:9092 --consumer-property group.id=testGroup-2 --topic test

查看消费信息

#查看消费组名
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.213.138:9092 --list
#查看消费组的消费偏移量
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.213.138:9092 --describe --group testGroup

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

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。
创建多个分区的主题：

#创建多分区主题
bin/kafka-topics.sh --create --zookeeper 192.168.213.138:2181 --replication-factor 1 --partitions 2 --topic test1
#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 192.168.213.138:2181 --topic test
#查看下topic的情况
bin/kafka-topics.sh --describe --zookeeper 192.168.213.138:2181 --topic test1

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。不管这个节点是不是”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。

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肯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？

• 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。
• 为了提高并行度

kafka集群实战

对于kafka来说，一个单独的broker意味着kafka集群中只有一个节点。要想增加kafka集群中的节点数量，只需要多启动几个broker实例即可。
首先，我们需要搭建好其他2个服务器的kafka。按照上面的搭建方式，对应配置文件的修改只需要修改server.properties 的broker.id=1 改成不同的值，集群中broker.id的值是唯一的。启动对应服务即可。
查看zookeeper确认集群节点是否都注册成功

现在我们创建一个新的topic，副本数设置为3，分区数设置为2：

bin/kafka-topics.sh --create --zookeeper 192.168.213.138:2181 --replication-factor 3 --partitions 2 --topic my-replicated-topic

查看下topic的情况:bin/kafka-topics.sh --describe --zookeeper 192.168.213.138:2181 --topic my-replicated-topic

现在我们向新建的 my-replicated-topic 中发送一些message，kafka集群可以加上所有kafka节点：

bin/kafka-console-producer.sh --broker-list 192.168.10.111:9092,192.168.10.112:9092,192.168.10.114:9092 --topic my-replicated-topic

现在开始消费:

bin/kafka-console-consumer.sh --bootstrap-server 192.168.10.111:9092,192.168.10.112:9092,192.168.10.114:9092 --from-beginning --topic my-replicated-topic

现在我们来测试我们容错性，因为节点2目前是my-replicated-topic的分区0的leader，所以我们要将其kill。再次查看该主题的情况

0分区的主节点变成了0节点，同时在Isr中，已经没有了2节点。此时还是能够消费消息
通过zookeeper查看主题信息：get /brokers/topics/my-replicated-topic/partitions/0/state

kafka将很多集群关键信息记录在zookeeper里，保证自己的无状态，从而在水平扩容时非常方便。

集群消费

分区(partition)分布在kafka集群中不同的broker上，每个broker可以请求其他broker备份分区上的数据。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round-robin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。

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。