【大数据】kafka

已于 2024-03-09 23:47:40 修改
阅读量952 收藏 21
点赞数 15
文章标签： 大数据 kafka wpf
于 2023-12-23 12:11:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26127905/article/details/135166195
版权

文章目录

【后端目录贴】

【尚硅谷Kafka教程(消息队列kafka快速入门)】

1.定义

Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于
大数据实时处理领域

2.消息队列

2.1使用消息队列的好处

  • 异步通信
    很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户
    把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要
    的时候再去处理它们
  • 解耦
    允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
  • 缓冲,削峰
    有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致
    的情况。
    在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。
    如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列
    能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。
  • 可恢复性
    系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所
    以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。

2.2消息队列的两种模式

  • 点对点模式（一对一，消费者主动拉取数据，消息收到后消息清除）

消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。
消息被消费以后，queue 中不再有存储，所以消息消费者不可能消费到已经被消费的消息。
Queue 支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费

在这里插入图片描述

  • 发布/订阅模式（一对多，, 消费者消费数据之后不会清除消息）

消息生产者（发布）将消息发布到 topic (队列)中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到 topic 的消息会被所有订阅者消费。
包括生产者主动推送消息模式,包括消费者拉取模式

kafka属于消费者拉取的方式

在这里插入图片描述

3.Kafka基础架构

在这里插入图片描述

  1. Producer ：消息生产者，就是向 kafka broker 发消息的客户端
  2. Consumer ：消息消费者，向 kafka broker 取消息的客户端
  3. Consumer Group （CG）：消费者组，由多个 consumer 组成。消费同一个topic的消费者构成一个消费者组,消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。(同一个消费者可能消费多个分区,由消费者组的协调器进行协调,最好情况就是 ,消费者数量=分区数,这样就是1对1消费了),一个**消费者(非消费者组)**可以订阅多个主题
  4. Broker ：一台 kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker可以容纳多个 topic。
  5. Topic ：可以理解为一个队列，生产者和消费者面向的都是一个 topic；(个人理解:生产者面向的是分区,因为不同消息可以发送到同一个topic的不同分区,而消费者面向的是topic,所有分区都消费,无法区分)
  6. Partition：为了实现扩展性，一个非常大的 topic 可以分布到多个 broker（即服务器）上，一个 topic 可以分为多个partition，每个 partition 是一个有序的队列
  7. Replica：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。
  8. leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是 leader。
  9. follower：每个分区多个副本中的“从”，实时从 leader 中同步数据，保持和 leader 数据的同步。leader 发生故障时，某个 follower 会成为新的 follower。
  10. zookeeper: 注册kafka服务器,组成集群,进行管理;它维护了一个 ZooKeeper 集群来管理 Kafka 集群的状态。Kafka 的每个 Broker 都会在 ZooKeeper 中注册自己的元数据信息，包括主题分区的分配情况、Leader 以及副本等。ZooKeeper 还能够监控 Broker 的状态，并在 Broker 失效或宕机时进行重新选举和分区的重新分配。
    注册消费者( 0.9版本及之后,zk不再负责注册和管理消费者),管理消费者,消费者通过与 ZooKeeper 交互注册自己并获取消费者组的元数据。ZooKeeper 还负责记录每个消费者组的消费进度，包括消费者在每个主题分区中消费的偏移量（offset） 0.9版本之前,0.9版本及之后,zk不再负责注册和管理消费者,offset偏移量和管理在kafka服务器中。这样，当消费者中断或重启时，可以通过查询 ZooKeeper 中的偏移量来定位和恢复之前的消费位置。

4.kafka使用

4.1 jar包下载(0.11.0.0版本)

https://archive.apache.org/dist/zookeeper/zookeeper-3.4.14/

上传,解压,重命名kafka
在kafka新建文件夹logs

4.2 部署

  • 修改配置文件server.properties

#broker 的全局唯一编号，不能重复
broker.id=0
#删除 topic 功能使能
delete.topic.enable=true
#处理网络请求的线程数量
num.network.threads=3
#用来处理磁盘 IO 的现成数量
num.io.threads=8
#发送套接字的缓冲区大小
socket.send.buffer.bytes=102400
#接收套接字的缓冲区大小
socket.receive.buffer.bytes=102400
#请求套接字的缓冲区大小
socket.request.max.bytes=104857600
#kafka 运行日志存放的路径
log.dirs=/opt/module/kafka/logs
#topic 在当前 broker 上的分区个数
num.partitions=1
#用来恢复和清理 data 下数据的线程数量
num.recovery.threads.per.data.dir=1
#segment 文件保留的最长时间，超时将被删除
log.retention.hours=168
#配置连接 Zookeeper 集群地址
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181

  • bin目录命令行操作

启动: kafka-server-start.sh -daemon …/config/server.properties
关闭: kafka-server-stop.sh stop
查看当前服务器中所有的topic sh kafka-topics.sh --list --zookeeper localhost:2181
创建topic : kafka-topics.sh --create --zookeeper localhost:2181 --topic first --partitions 2 --replication-factor 1
选项说明：
–topic 定义 topic 名
–replication-factor 定义副本数
–partitions 定义分区数 (不能超过broker数量)
可看到logs中有文件了:
在这里插入图片描述
删除topic: kafka-topics.sh --delete --zookeeper localhost:2181 --topic first
查看某个 Topic 的详情: kafka-topics.sh --describe --zookeeper localhost:2181 --topic first
在这里插入图片描述
生产者生产消息: kafka-console-producer.sh --topic first --broker-list localhost:9092
在这里插入图片描述
消费者消费消息方式1: kafka-console-consumer.sh --topic first --zookeeper localhost:2181 (过时了,但是依然可用)如果启动新的消费者,从头读取消息,需要加参数: --from-beginng,消息最长保存7天,7天内都可以用这个命令去读取到最开始的消息
在这里插入图片描述
消费者消费消息方式2: kafka-console-consumer.sh --topic first --bootstrap-server localhost:9092,也可用**–from-beginning**参数,会在kafka端生产offsets主题,默认50个分区1个副本

  • 将数据和日志分离
  1. 关闭kafka kafka-server-stop.sh stop,
    删除之前配置的logs目录 rm -rf logs
    在这里插入图片描述
  2. 重启zk,同时删除原来数据
    执行zkCli.sh,进入客户端后执行 ls /,可以看到处理zookeeper,其余全是kafka的数据文件,退出,
    在这里插入图片描述
    停止zk: zkServer.sh stop; 删除之前配置的zk日志目录下面的所有文件:在这里插入图片描述
    重新启动zk: zkServer.sh start,再次执行zkCli.sh, 可以看到只有zookeeper文件夹了.
  3. 配置kafka,并启动
    (需要建立data文件夹, logs目录会自动生成)在这里插入图片描述
    创建主题,可以看到数据现在data下面
    在这里插入图片描述
    发送的数据在first-* 下面的 *.log文件中
    在这里插入图片描述

5.Kafka 架构深入

5.1Kafka 工作流程及文件存储机制

5.1.1 Kafka 工作流程

在这里插入图片描述

Kafka 中消息是以 topic 进行分类的，生产者生产消息，消费者消费消息，都是面向 topic
的。
topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件，该 log 文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该log 文件末端，且每条数据都有自己的 offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个 offset，以便出错恢复时，从上次的位置继续消费。

5.1.2 Kafka 文件存储机制

在这里插入图片描述

由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic 名称+分区序号。例如，first 这个 topic 有三个分区，则其对应的文件夹为 first-0,first-1,first-2。
在这里插入图片描述
index 和 log 文件以当前 segment 的第一条消息的 offset 命名。下图为 index 文件和 log文件的结构示意图, “.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元
数据指向对应数据文件中 message 的物理偏移地址。。
在这里插入图片描述

5.2 Kafka 生产者

5.2.1 分区策略

  1. 分区的原因

（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic
又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
（2）可以提高并发，因为可以以 Partition 为单位读写了。

  1. 分区的原则
    我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
    在这里插入图片描述
  1. 指明 partition 的情况下，直接将指明的值直接作为 partiton 值
  2. 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition数进行取余得到 partition 值
  3. 既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后
    面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition
    值，也就是常说的 round-robin 算法。

5.2.2 数据可靠性保证

为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到
producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 确认收到），如果
producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。
在这里插入图片描述

5.2.2.1 副本数据同步策略

在这里插入图片描述

Kafka 选择了第二种方案，原因如下：
1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1
个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

5.2.2.2 ISR

采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，
但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，
直到它完成同步，才能发送 ack。这个问题怎么解决呢？
Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower长 时 间 未 向 leader 同 步 数 据 ， 则 该 follower 将 被 踢 出 ISR ， 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

5.2.2.3 ack 应答机制

对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，
所以没必要等 ISR 中的 follower 全部接收成功。所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，
选择以下的配置。

  • acks 参数
    • 0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还
      没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；
    • 1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower
      同步成功之前 leader 故障，那么将会丢失数据；
    • -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才
      返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会
      造成数据重复。
      在这里插入图片描述
      在这里插入图片描述
5.2.2.4 故障处理细节

在这里插入图片描述

LEO：指的是每个副本最大的 offset；
HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。
（1）follower 故障
follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘
记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。
等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重
新加入 ISR 了。
（2）leader 故障
leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader
同步数据。
注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

5.2.3 Exactly Once 语义

将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At
Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被
发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once
可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。在 0.11 版
本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局
去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论
向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语
义，就构成了 Kafka 的 Exactly Once 语义。即：
At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka
的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在
初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而
Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只
会持久化一条。
但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨
分区跨会话的 Exactly Once。

5.3 Kafka 消费者

5.3.1 消费方式

consumer 采用 pull（拉）模式从 broker 中读取数据。
push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。
它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适
当的速率消费消息。
pull 模式不足之处是，如果 kafka 没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有
数据可供消费，consumer 会等待一段时间之后再返回，这段时长即为 timeout。

5.3.2 分区分配策略

一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，所以必然会涉及
到 partition 的分配问题，即确定那个 partition 由哪个 consumer 来消费。
Kafka 有两种分配策略，一是 RoundRobin，一是 Range。

  1. RoundRobin
  2. Range

5.3.3 offset 的维护

6. API

6.1 生产者API : 异步发送API

  • 依赖引入
 <dependency>
            <groupId>org.apache.kafka</groupId>
            <artifactId>kafka-clients</artifactId>
            <version>0.11.0.0</version>
 </dependency>

6.1.1 不带回调函数的API

 @Test
    public void fun1() throws InterruptedException {
        /**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         */
        //生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092

        //创建生产者配置
        Properties properties = new Properties();
        //kafka集群
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");
        //ACK应答级别
        properties.put(ProducerConfig.ACKS_CONFIG,"all");

        //重试次数
        properties.put(ProducerConfig.RETRIES_CONFIG,1);
        //批次大小
        //batch.size：只有数据积累到 batch.size 之后，sender 才会发送数据。
        //linger.ms：如果数据迟迟未达到 batch.size，sender 等待 linger.time 之后就会发送数据。
        properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384);
        //等待时间
        properties.put(ProducerConfig.LINGER_MS_CONFIG,1);

        //RecordAccumulator 缓冲区大小
        properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432);

        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        Producer<String,String> producer=new KafkaProducer<>(properties);

        for (int i = 0; i < 10; i++) {
            producer.send(new ProducerRecord<String, String>("first","Kafka----"+i));
        }
        producer.flush();
        producer.close();//关闭自动刷新
    }

6.1.2 带回调函数的API

 //带回调函数
    @Test
    public void fun1() throws InterruptedException {
        /**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         */
        //生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092

        //1.创建配置信息(其他配置采用默认值)
        Properties properties = new Properties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "114.115.185.179:9092");
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        //2.创建生产者对象
        Producer<String, String> producer = new KafkaProducer<>(properties);
        List<String> list = new ArrayList<>();
        list.add("a");
        list.add("b");
        list.add("c");
        list.add("e");
        list.add("f");
        list.add("g");


        //3.发送数据
        for (int i = 0; i < 10; i++) {
            //不指定key,轮询策略
            //producer.send(new ProducerRecord<String, String>("first", "Kafka----" + i), new Callback() {

            //指定key的话,根据key的hash值来指定分区; 否则按照轮询策略
             producer.send(new ProducerRecord<String, String>("first", list.get(i % 6), "Kafka----" + i), new Callback() {

            //指定分区,按照分区来
            //producer.send(new ProducerRecord<String, String>("first",0, list.get(i % 3), "Kafka----" + i), new Callback() {
                @Override
                //成功返回metadata,失败返回exception
                public void onCompletion(RecordMetadata metadata, Exception exception) {
                    if (exception == null) {
                        System.out.println(metadata.partition() + "--" + metadata.offset());
                    } else {
                        exception.printStackTrace();
                    }
                }
            });
        }
        producer.flush();
        producer.close();//关闭自动刷新
    }

6.1.3 自定义分区器

需要实现Partitioner接口

public class MyPartitioner implements Partitioner {
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        return 1;
    }

    @Override
    public void close() {

    }

    @Override
    public void configure(Map<String, ?> configs) {

    }
}

//添加分区器
 @Test
    public void fun1() throws InterruptedException {
        /**
         * 需要用到的类：
         * KafkaProducer：需要创建一个生产者对象，用来发送数据
         * ProducerConfig：获取所需的一系列配置参数
         * ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
         */
        //生产者生产消息命令: kafka-console-producer.sh --topic first --broker-list localhost:9092

        //1.创建配置信息(其他配置采用默认值)
        Properties properties = new Properties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "114.115.185.179:9092");
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        //添加分区器*************************************************
        properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG, MyPartitioner.class);

        //2.创建生产者对象
        Producer<String, String> producer = new KafkaProducer<>(properties);
        List<String> list = new ArrayList<>();
        list.add("a");
        list.add("b");
        list.add("c");
        list.add("e");
        list.add("f");
        list.add("g");


        //3.发送数据
        for (int i = 0; i < 10; i++) {
            //不指定key,轮询策略
            //producer.send(new ProducerRecord<String, String>("first", "Kafka----" + i), new Callback() {

            //指定key的话,根据key的hash值来指定分区; 否则按照轮询策略
            producer.send(new ProducerRecord<String, String>("first", list.get(i % 6), "Kafka----" + i), new Callback() {

                //指定分区,按照分区来
                //producer.send(new ProducerRecord<String, String>("first",0, list.get(i % 3), "Kafka----" + i), new Callback() {
                @Override
                //成功返回metadata,失败返回exception
                public void onCompletion(RecordMetadata metadata, Exception exception) {
                    if (exception == null) {
                        System.out.println(metadata.partition() + "--" + metadata.offset());
                    } else {
                        exception.printStackTrace();
                    }
                }
            });
        }
        producer.flush();
        producer.close();//关闭自动刷新
    }

6.2 生产者API : 同步发送API

同步发送的意思就是，一条消息发送之后，会阻塞当前线程，直至返回 ack。
由于 send 方法返回的是一个 Future 对象，根据 Futrue 对象的特点，我们也可以实现同
步发送的效果，只需在调用 Future 对象的 get 方法即可。

Future<RecordMetadata> future = producer.send(new ProducerRecord<String, String>("first", "Kafka----" + i));
RecordMetadata recordMetadata = future.get();
System.out.println(recordMetadata);

6.3 消费者API

Consumer 消费数据时的可靠性是很容易保证的，因为数据在 Kafka 中是持久化的，故不用担心数据丢失问题。
由于 consumer 在消费过程中可能会出现断电宕机等故障，consumer 恢复后，需要从故障前的位置的继续消费，所以 consumer 需要实时记录自己消费到了哪个 offset，以便故障恢复后继续消费。
所以offset的维护是 Consumer 消费数据是必须考虑的问题。

需要用到的类：
KafkaConsumer：需要创建一个消费者对象，用来消费数据
ConsumerConfig：获取所需的一系列配置参数
ConsuemrRecord：每条数据都要封装成一个 ConsumerRecord 对象
为了使我们能够专注于自己的业务逻辑，Kafka 提供了自动提交 offset 的功能。
自动提交 offset 的相关参数：
enable.auto.commit：是否开启自动提交 offset 功能
auto.commit.interval.ms：自动提交 offset 的时间间隔

6.3.1 自动提交 offset

public static void main(String[] args) {
        Properties properties = new Properties();
        //连接集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");
        //开启自动提交offset
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,true);
        //关闭自动提交offset
        //properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,false);
        
        //自动提交的延时
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000");

        //key.value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);

		//重置消费者的offset
        //两个条件才会生效：新的分组， 或者 生产这消息销毁，offset丢失
        //properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");//默认 latest
        
        //消费者组
        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"bigdatat");

        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
        consumer.subscribe(Arrays.asList("first", "second"));
        //获取数据
        while (true) {
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key()+"--"+consumerRecord.value());
            }

        }
        
    }

问题：(手动提交同步、异步也存在这2个问题)

  1. 间隔AUTO_COMMIT_INTERVAL_MS_CONFIG设置太短，可能导致offset已经提交，但是由于宕机这个数据处理失败了，再重启时，会直接读取后面数据，导致丢失数据。
  2. 间隔AUTO_COMMIT_INTERVAL_MS_CONFIG设置太长，可能导致数据已经处理，offset没有提交就宕机了，再重启时，会再次读取上次的数据，导致重复数据。

6.3.2 手动提交offset

虽然自动提交 offset 十分简介便利，但由于其是基于时间提交的，开发人员难以把握offset 提交的时机。因此 Kafka 还提供了手动提交 offset 的 API。
手动提交 offset 的方法有两种：分别是 commitSync（同步提交）和 commitAsync（异步提交）。

  • 两者的相同点是，都会将本次 poll 的一批数据最高的偏移量提交；
  • 不同点是，commitSync 阻塞当前线程，一直到提交成功，并且会自动失败重试（由不可控因素导致，也会出现提交失败）；而 commitAsync 则没有失败重试机制，故有可能提交失败。

无论是同步提交还是异步提交 offset，都有可能会造成数据的漏消费或者重复消费。先提交 offset 后消费，有可能造成数据的漏消费；而先消费后提交 offset，有可能会造成数据的重复消费。

  • 同步提交
public static void main(String[] args) {
        Properties properties = new Properties();
        //连接集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"114.115.185.179:9092");
        //关闭自动提交offset
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,false);
        //自动提交的延时
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000");

        //key.value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);

        //重置消费者的offset
        //两个条件才会生效：新的分组， 或者 生产这消息销毁，offset丢失
        properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");//默认 latest

        //消费者组
        properties.put(ConsumerConfig.GROUP_ID_CONFIG,"bigdatat");

        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
        consumer.subscribe(Arrays.asList("first", "second"));
        //获取数据
        while (true) {
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key()+"--"+consumerRecord.value());
            }
            //同步提交，当前线程会阻塞直到 offset 提交成功
            consumer.commitSync();

        }
        
    }
  • 异步提交
public static void main(String[] args) {
        Properties properties = new Properties();
        //连接集群
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "114.115.185.179:9092");
        //关闭自动提交offset
        properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);
        //自动提交的延时
        properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");

        //key.value的反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);

        //重置消费者的offset
        //两个条件才会生效：新的分组， 或者 生产这消息销毁，offset丢失
        properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");//默认 latest

        //消费者组
        properties.put(ConsumerConfig.GROUP_ID_CONFIG, "bigdatat");

        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
        consumer.subscribe(Arrays.asList("first", "second"));
        //获取数据
        while (true) {
            ConsumerRecords<String, String> consumerRecords = consumer.poll(100);
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord.key() + "--" + consumerRecord.value());
            }
            //异步提交
            consumer.commitAsync(new OffsetCommitCallback() {
                @Override
                public void
                onComplete(Map<TopicPartition,
                        OffsetAndMetadata> offsets, Exception exception) {
                    if (exception != null) {
                        System.err.println("Commit failed for" + offsets);
                    }
                }
            });

        }

    }

6.3.3 自定义存储offset

Kafka 0.9 版本之前，offset 存储在 zookeeper，0.9 版本及之后，默认将 offset 存储在 Kafka
的一个内置的 topic 中。除此之外，Kafka 还可以选择自定义存储 offset。
offset 的维护是相当繁琐的，因为需要考虑到消费者的 Rebalace。
当有新的消费者加入消费者组、已有的消费者推出消费者组或者所订阅的主题的分区发 生变化，就会触发到分区的重新分配，重新分配的过程叫做 Rebalance。
消费者发生 Rebalance 之后，每个消费者消费的分区就会发生变化。因此消费者要首先 获取到自己被重新分配到的分区，并且定位到每个分区最近提交的 offset 位置继续消费。
要实现自定义存储 offset，需要借助 ConsumerRebalanceListener，以下为示例代码，其
中提交和获取 offset 的方法，需要根据所选的 offset 存储系统自行实现。

6.4 拦截器

Producer 拦截器(interceptor)是在 Kafka 0.10 版本被引入的，主要用于实现 clients 端的定
制化控制逻辑。
对于 producer 而言，interceptor 使得用户在消息发送前以及 producer 回调逻辑前有机会
对消息做一些定制化需求，比如修改消息等。同时，producer 允许用户指定多个 interceptor
按序作用于同一条消息从而形成一个拦截链(interceptor chain)。Intercetpor 的实现接口是
org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括：

  1. configure(configs)
    获取配置信息和初始化数据时调用。
  2. onSend(ProducerRecord)：
    该方法封装进 KafkaProducer.send 方法中，即它运行在用户主线程中。Producer 确保在消息被
    列化以及计算分区前调用该方法。用户可以在该方法中对消息做任何操作，但最好 保证不要修改消息所属的 topic 和分区，否则会影响目标分区的计算。
  3. onAcknowledgement(RecordMetadata, Exception)：
    该方法会在消息从 RecordAccumulator 成功发送到 Kafka Broker 之后，或者在发送过程 中失败时调用。并且通常都是在 producer 回调逻辑触发之前。onAcknowledgement 运行在
    producer 的 IO 线程中，因此不要在该方法中放入很重的逻辑，否则会拖慢 producer 的消息
    发送效率。
  4. close：
    关闭 interceptor，主要用于执行一些资源清理工作
    如前所述，interceptor 可能被运行在多个线程中，因此在具体实现时用户需要自行确保
    线程安全。另外倘若指定了多个 interceptor，则 producer 将按照指定顺序调用它们，并仅仅
    是捕获每个 interceptor 可能抛出的异常记录到错误日志中而非在向上传递。这在使用过程中
    要特别留意。
  • 实现一个简单的双 interceptor 组成的拦截链。第一个 interceptor 会在消息发送前将时间
    戳信息加到消息 value 的最前部；第二个 interceptor 会在消息发送后更新成功发送消息数或
    失败发送消息数。
public class TimeInterceptor implements ProducerInterceptor<String, String> {
    @Override
    public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
//        System.out.println("TimeInterceptor 调用了");
        //1.取出数据
        String value = record.value();
        //2.创建一个新的ProducerRecord对象,并返回
        return new ProducerRecord<String, String>(record.topic(), record.partition(), record.key(), "chen" + System.currentTimeMillis() + "," + value);
    }

    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {

    }

    @Override
    public void close() {

    }

    @Override
    public void configure(Map<String, ?> configs) {

    }
}

public class CounterInterceptor implements ProducerInterceptor<String, String> {
    int success;
    int error;

    @Override
    public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
        return record;
    }

    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
//        System.out.println("CounterInterceptor 调用了");
        if (metadata != null) {
            success++;
        } else {
            error++;
        }

    }

    @Override
    public void close() {
        System.out.println("success:" + success);
        System.out.println("error:" + error);
    }

    @Override
    public void configure(Map<String, ?> configs) {

    }
}



...生产者添加配置
//添加拦截器:有顺序要求
properties.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, Arrays.asList(TimeInterceptor.class, CounterInterceptor.class));
...

7. Kafka 监控-Kafka Eagle

  • 下载地址:https://codeload.github.com/smartloli/kafka-eagle-bin/tar.gz/v1.3.7 (只需要修改最后的 v1.3.7 到想要的版本)
骑鱼过海的猫123
关注
  • 15
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深入掌握大数据Kafka的使用（基于Python开发）
06-11
深入掌握大数据Kafka实战视频教程，本课程为实战教学，主要介绍了Kafka的生产者、消费者，其中重点内容--消费者偏移量的处理以及再均衡问题进行了更加深入的介绍，同时 将当下最火的Flink与Kafka的结合使用进行了...
老男孩大数据kafka视频教程
10-29
老男孩大数据kafka视频教程 09-kafka |____kafka第01天-09.flume与kafka集成.avi |____kafka第01天-08.通过java API编程实现kafka消息消费者.avi |____kafka第01天-07.通过java API编程实现kafka消息生产者.avi |___...
大数据kafka学习教程_入门到进阶.zip
04-08
《大数据kafka学习教程_入门到进阶》 Kafka是一种高效、可扩展且可靠的分布式消息中间件，广泛应用于大数据领域。本教程旨在帮助初学者快速掌握Kafka的基础知识，并逐步提升至进阶水平，从而在实际项目中有效利用...
尚硅谷大数据Kafka
10-18
Kafka一般用来缓存数据，Storm通过消费Kafka的数据进行计算。
大数据Kafka架构原理.pdf
10-14
Kafka因其强大的消息处理能力、灵活的架构以及丰富的生态系统，成为了大数据领域中不可或缺的组件，广泛应用于实时数据处理、数据集成和事件驱动架构中。理解并掌握Kafka的工作原理和使用方法，对于构建高效、可靠的...
分布式系统常见软件架构模式
Ben的专栏
07-25 841
简而言之，有效管理数据和通信流对于构建健壮且可扩展的分布式系统至关重要。对等、API 网关、发布-订阅、请求-响应、事件溯源、ETL、批处理、流处理和编排等架构模式提供了有价值的解决方案，以应对系统设计和实现中的各种挑战。通过理解这些软件架构和分布式系统模式及其各自的优势和权衡，架构师和开发人员可以做出明智的决策，设计出满足其应用程序和用户不断变化的需求的系统。
SpringBoot整合Elastic-Job 2.1.53版本任务调度，手动任务，动态添加任务演示
小哇
07-23 317
zookeeper安装并成功运行。
数据分析师学习路线与就业环境分析报告
关注收藏，可以私信解决问题！
07-23 933
数据分析师负责收集、处理和分析数据，以帮助企业做出基于数据的决策。他们使用统计方法、数据建模和数据可视化技术来解释复杂的数据集。
Spark RPC框架详解
小昌昌的博客
07-22 943
SparkContext构造过程的重要一步，就是Driver、ApplicationMaster以及Executor之间的协调和通信过程，这是基于RPC进行的。这里的Spark RPC是基于Netty的通信过程，而Netty的通信其实是基于Reactor架构进行的，Reactor架构其实是基于Java NIO模型进行的。本文详细讲解了基于Netty 的 SparkRPC 框架的实现细节。
科普文：搭建信贷业务大数据风控体系
为无为，事无事，味无味。
07-22 911
大家好，本期为大家介绍如何从0到1搭建大数据风控体系。分为：获客、贷前、贷中、贷后、主要数据维度，以及如何识别风险客户。
杭州东网约车管理再出行方面取得的显著成效
2301_81759256的博客
07-25 366
本次革新，沧穹科技首创将音频“室内北斗”应用于网约车智能导航，利用其信号的空间传播特性和信号传播时间或相位差的精确测量技术，实现网约车智能化服务中对车辆与乘客实时位置的精确追踪，从而确保从预约到乘车的全流程实现智能化、可视化、灵活化管理。同时，管理部门还利用大数据分析，对网约车运营情况进行实时监控和分析，及时发现问题并进行处理，确保了网约车服务的稳定性和可靠性。同时，管理部门还将持续关注行业动态和乘客需求变化，不断优化服务流程和提高服务质量，为广大市民和游客提供更加便捷、安全、舒适的出行体验。
压测实操--produce压测方案
07-24 818
作者：九月环境信息：操作系统centos7.9，kafka版本为hdp集群中的2.0版本。
自定义维度映射：Kylin Cube设计的高级玩法
最新发布
2401_85763639的博客
07-25 449
维度的自定义映射是指用户可以根据实际需求，将数据源中的列映射到Cube的维度，而不是简单地使用一对一的映射。直接映射：将数据源中的列直接映射到Cube的维度。转换映射：对数据源中的列进行转换后，再映射到Cube的维度。组合映射：将多个数据源列组合成一个维度。在Kylin中，维度的自定义映射可以通过修改Cube的定义来实现。定义数据模型：在Hive中创建数据表，并定义好需要映射的列。编写Hive脚本：编写Hive SQL脚本来转换和组合数据源列。创建Cube。
Kylin查询优化器深度解析：大数据查询性能的加速引擎
2401_85812053的博客
07-25 319
Apache Kylin是一个开源的分布式分析引擎，专为Hadoop和Spark平台上的大数据集提供快速的SQL查询能力。Kylin的核心优势之一是其强大的查询优化器，它能够智能地优化查询计划，显著提高查询性能。本文将深入探讨Kylin的查询优化器是如何工作的，并提供详细的解释和代码示例。Kylin的查询优化器是一个强大的组件，通过多阶段的优化流程和关键技术，显著提高了大数据集上的SQL查询性能。通过本文的学习，你应该能够理解Kylin查询优化器的工作原理，并能够应用这些知识来优化你的查询。
04-用户画像+sqoop使用
weixin_46567476的博客
07-21 571
sqoop的作用是实现数据的导入和导出，主要是对数据库和数据仓库之间的操作。qoop脚本就是将sqoop指令写入shell文件 后缀是 .sh。只要是支持jdbc连接的数据库都可以使用sqoop操作。
国际金融入门：国际收支与平衡表解析
financeppl的博客
07-24 236
在全球化的经济体系中，国际金融已成为我们日常生活不可或缺的一部分。了解国际金融的基础知识，可以帮助我们更好地理解世界经济的动态和趋势。今天，我们将深入探讨国际收支及其平衡表，以及它们是如何影响国家经济。
ELK 日志分析系统
zheshijiuyue的博客
07-25 593
了解ELk日志分析系统；安装，配置Elasticsearch日志收集；安装和配置Kibana进行日志查看。
ElasticSearch-分词器介绍
九品神元师
07-22 505
按照单词进行切分小写处理它的Stop（词过滤器，is、the等）默认是关闭的。
大数据之Oracle同步Doris数据不一致问题
天道酬勤
07-24 170
但是在oracle中数据推送的过程中，after中少了字段，导致数据不全。在Dinky中建立表结构时，缺少对主键属性的限制。加上如上语句，数据条数解决一致。第二：数据完整性内容不一致。doris中的数据条数。
大数据kafka面试题
03-13
当面试官问到大数据Kafka的面试题，可能会涉及以下几个方面的内容： 1. Kafka的基本概念和特点： - Kafka是一个分布式流处理平台，用于高吞吐量的实时数据传输。 - Kafka采用发布-订阅模式，消息以topic为单位...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值