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。