大数据之Kafka(二)
上一节主要介绍了Kafka的概述和基础的命令行操作,今天来给大家深入了解一下!!
3. Kafka架构深入
3.1 Kafka 工作流程及文件存储机制
老规矩,我们先来看一下图中的Kafka的工作流程,简单的来了解一下…
ok,我来给大家阐述一下上图:
总的来说,大家记住一点,kafka中每个broker可以有多个partition,消费者组中的每个消费者可以消费多个partiton,而一个partition只能由一个消费者消费。
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partiton是物理上的概念,每个partiton对应于一个log文件,该log文件中存储的就是produce生产的数据。Produce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那个offset,以便出错恢复时,从上次的位置继续消费。
我们再来看一下Kafka的文件存储机制
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。
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。
3.2 Kafak生产者
3.2.1 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。
2)分区的原则
我们需要将producer发送的数据封装成一个ProducerRecord对象。
分区的原则分为三种情况:
(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, kafka采用Sticky Partition(黏性分区器),会随机选择一个分区,并尽可能一直使用该分区,待该分区的batch已满或者已完成,kafka再随机一个分区进行使用.
3.2.2 数据可靠性保证
1)生产者发送数据到topic partition的可靠性保证
为保证produce发送的数据,能可靠的发送到指定的topic,topic的每个partiton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。
我们来看一下下图,并思考其问题!!
2)Topic partition存储数据的可靠性保证
(1)副本数据同步策略
方案 | 优点 | 缺点 |
---|---|---|
半数以上完成同步,就发送ack | 延迟低 | 选举新的leader时,容忍n台节点的故障,需要2n+1个副本 |
全部 完成同步,才发送ack | 选举新的leader时 ,容忍n台节点的故障,需要n+1个副本 | 延迟高 |
Kafka选择的是第二种方案,原因如下:
- 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。
- 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。
(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?
Leadre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producer发送给ack。如果follower长时间未向leader同步数据,则该follower将别踢出ISR,该时间阙值由replica.lang.time.ms参数设定。Leader发生故障后,就会从ISR中选举新的leader。
(3)ack应答级别
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参数配置:
acks:
0:这一操作提供了一个最低的延迟,partiton的leader接收到消息后还没有写入磁盘就已经返回ack,当leader故障时有可能丢失数据**;
1:partition的leader落盘成功后返回ack,如果在follower同步之前leader故障,那么将会丢失数据;
-1(all):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,那么将会造成数据重复。
3)leader和follower故障处理细节
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,followerhi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的部分截取掉,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。
3.2.3 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 Most 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.idempotence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。
3.3 Kafka消费者
3.3.1 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信息。
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。
3.3.2 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由那个consumer来消费。
Kafka有三种分配策略,RoundRobin,Range,Sticky。
1)RoundRobin(轮循)
其结果如下0、1、2按照顺序直接分配到三个消费者,3、4、5同上,最后剩下一个6被消费者0消费,如下图所示:
2)Range
0、1、2三个分区直接被消费者0消费,3、4分区被消费者1直接消费,5、6分区被消费者2消费。如下图所示:
3.3.3 offset的维护
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继续消费,所以consumer需要实时记录自己消费到了那个offset,以便故障恢复后继续消费。
Kafka 0.9 版本之前,consumer默认将offset保存在Zookeeper中,从0.9 版本之后,consumer默认将offset保存Kafka一个内置的topic中,该topic为_consumer_offsets。
1)消费offset案例
(0)思想: __consumer_offsets 为kafka中的topic, 那就可以通过消费者进行消费.
(1)修改配置文件consumer.properties不排除内部的topic
exclude.internal.topics=false
(2)创建一个topicbin/kafka-topics.sh --create --topic atguigu --zookeeper hadoop102:2181 --partitions 2 --replication-factor 2
(3)启动生产者和消费者,分别往atguigu生产数据和消费数据
bin/kafka-console-producer.sh --topic atguigu --broker-list hadoop102:9092 bin/kafka-console-consumer.sh --consumer.config config/consumer.properties --topic atguigu --bootstrap-server hadoop102:9092
(4)消费offset
bin/kafka-console-consumer.sh --topic __consumer_offsets --bootstrap-server hadoop102:9092 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning
(5)消费到的数据
[test-consumer-group,atguigu,1]::OffsetAndMetadata(offset=2, leaderEpoch=Optional[0], metadata=, commitTimestamp=1591935656078, expireTimestamp=None) [test-consumer-group,atguigu,0]::OffsetAndMetadata(offset=1, leaderEpoch=Optional[0], metadata=, commitTimestamp=1591935656078, expireTimestamp=None)
3.3.4 消费者组案例
1)需求:测试同一个消费者组中的消费者,同一时刻只能有一个消费者消费。
2)案例实操
(1)在hadoop102、hadoop103上修改/opt/module/kafka/config/consumer.properties配置文件中的group.id属性为任意组名。[atguigu@hadoop103 config]$ vi consumer.properties group.id=mygroup
(2)在hadoop104上启动生产者
[atguigu@hadoop104 kafka]$ bin/kafka-console-producer.sh \ --broker-list hadoop102:9092 --topic first
(3)在hadoop102、hadoop103上分别启动消费者
[atguigu@hadoop102 kafka]$ bin/kafka-console-consumer.sh \ bootstrap-server hadoop102:9092 --topic first --consumer.config config/consumer.properties [atguigu@hadoop103 kafka]$ bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --topic first --consumer.config config/consumer.properties
(4)查看hadoop102和hadoop103的消费者的消费情况。
3.4 Kafka 高效读写数据
1)顺序写磁盘
Kafka的producer生产数据,要写入到log文件中,写的过程是一直追加到文件末端,为顺序写。官网有数据表明,同样的磁盘,顺序写能到600M/s,而随机写只有100K/s。这与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间。
2)应用
Kafka数据持久化是直接持久化到Pagecache中,这样会产生以下几个好处:
①I/O Scheduler 会将连续的小块写组装成大块的物理写从而提高性能
②I/O Scheduler 会尝试将一些写操作重新按顺序排好,从而减少磁盘头的移动时间
③充分利用所有空闲内存(非 JVM 内存)。如果使用应用层 Cache(即 JVM 堆内存),会增加 GC 负担
④读操作可直接在 Page Cache 内进行。如果消费和生产速度相当,甚至不需要通过物理磁盘(直接通过 Page Cache)交换数据
⑤如果进程重启,JVM 内的 Cache 会失效,但 Page Cache 仍然可用
尽管持久化到Pagecache上可能会造成宕机丢失数据的情况,但这可以被Kafka的Replication机制解决。如果为了保证这种情况下数据不丢失而强制将 Page Cache 中的数据 Flush 到磁盘,反而会降低性能。
3)零复制技术
正常情况下
kafka中:(实现零拷贝)
3.5 Zookeeper在Kafka中的作用
Kafka集群中有一个broker会被选举为Controller,负责管理集群broker的上下线,所有topic的分区副本分配和leader选举等工作。
Controller的管理工作都是依赖于Zookeeper的。
以下为partition的leader选举过程:
第一步:
第二步:
3.6 Kafka事务
Kafka从0.11版本开始引入了事务支持。事务可以保证Kafka在Exactly Once语义的基础上,生产和消费可以跨分区和会话,要么`全部成功,要么全部失败。
3.6.1 Producer 事务
为了实现跨分区跨会话的事务,需要引入一个全局唯一的Transation ID,并将Producer获得PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transation ID获得原来的PID。
为了管理Transaction,Kafka引入了一个新的组件Transaction Coordinator。Producer就是通过和Transaction Coordinator交互获得Transaction ID对应的任务状态。Transaction Coordinator还负责将事务所有写入Kafka的一个内部Topic,这样即使整个服务重启,由于事务状态得到保存,进行中的事务状态可以得到恢复,从而继续进行。
3.6.2 Consumer事务(精准一次性消费)
上述事务机制主要是从Producer方面考虑,对于Consumer而言,事务的保证就会相对较弱,尤其时无法保证Commit的信息被精确消费。这是由于Consumer可以通过offset访问任意信息,而且不同的Segment File生命周期不同,同一事务的消息可能会出现重启后被删除的情况。
如果想完成Consumer端的精准一次性消费,那么需要kafka消费端将消费过程和提交offset过程做原子绑定。此时我们需要将kafka的offset保存到支持事务的自定义介质(比如mysql)。这部分知识会在后续项目部分涉及。
4 . Kafka API
4.1 Producer API
4.1.1 消费发送流程
Kafka的Producer发送消息采用的是异步发送的方式。在消息发送的过程中,涉及到了两个线程——main线程和Sender线程,以及一个线程共享变量——RecordAccumulator。main线程将消息发送给RecordAccumulator,Sender线程不断从RecordAccumulator中拉取消息发送到Kafka broker。
生产者生产的数据不会直接到topic的分区中,它会到batch中缓存一下,争取大批量的传输数据
相关参数:
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。
4.1.2 异步发送API
1)导入依赖
<dependencies> <dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka-clients</artifactId> <version>2.4.1</version> </dependency> <dependency> <groupId>org.apache.logging.log4j</groupId> <artifactId>log4j-slf4j-impl</artifactId> <version>2.12.0</version> </dependency> </dependencies>
2)添加log4j2配置文件
<?xml version="1.0" encoding="UTF-8"?> <Configuration status="error" strict="true" name="XMLConfig"> <Appenders> <!-- 类型名为Console,名称为必须属性 --> <Appender type="Console" name="STDOUT"> <!-- 布局为PatternLayout的方式, 输出样式为[INFO] [2018-01-22 17:34:01][org.test.Console]I'm here --> <Layout type="PatternLayout" pattern="[%p] [%d{yyyy-MM-dd HH:mm:ss}][%c{10}]%m%n" /> </Appender> </Appenders> <Loggers> <!-- 可加性为false --> <Logger name="test" level="info" additivity="false"> <AppenderRef ref="STDOUT" /> </Logger> <!-- root loggerConfig设置 --> <Root level="info"> <AppenderRef ref="STDOUT" /> </Root> </Loggers> </Configuration>
编写代码
(1)无回调无指定分区以及keypublic class ProducerDemo { public static void main(String[] args) { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { //不带回调的方法 //不指定key,分区使用默认分区:粘性分区 produce.send(new ProducerRecord<String, String>("atguigu","value-->" + i)); } //关闭 produce.close(); } }
(2)采用回调方法
public class ProducerDemo1 { public static void main(String[] args) { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { //待回调的方法 //不指定key,默认使用粘性分区 produce.send(new ProducerRecord<String, String>("atguigu","value-->" + i), new Callback() { public void onCompletion(RecordMetadata recordMetadata, Exception e) { if(e != null){ //信息发送失败 System.out.println(e.getMessage()); }else { //信息发送成功 System.out.println(recordMetadata.topic() + " : " + recordMetadata.partition() + " : " + recordMetadata.offset()); } } }); } //关闭 produce.close(); } }
(3) 指定key或分区
public class ProducerDemo2 { public static void main(String[] args) { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { //不带回调的方法 //指定key,使用key对分区数量取余确定 //produce.send(new ProducerRecord<String, String>("atguigu","key-->" + i,"message" + i)); produce.send(new ProducerRecord<String, String>("atguigu",0,"key-->" + i,"value-->" + i)); } //关闭 produce.close(); } }
(4) 异步发送与同步发送
public class ProducerDemo3 { public static void main(String[] args) throws ExecutionException, InterruptedException { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { //待回调的方法 //不指定key,默认使用粘性分区 //异步发送 // produce.send(new ProducerRecord<String, String>("atguigu","value-->" + i), // new Callback() { // public void onCompletion(RecordMetadata recordMetadata, Exception e) { // System.out.println("消息发送完成"); // if(e != null){ // //信息发送失败 // System.out.println(e.getMessage()); // }else { // //信息发送成功 // System.out.println(recordMetadata.topic() + " : " + recordMetadata.partition() + " : " + recordMetadata.offset()); // } // } // }); // System.out.println("消息发送出去"); //同步发送 produce.send(new ProducerRecord<String, String>("atguigu", "value-->" + i), new Callback() { public void onCompletion(RecordMetadata recordMetadata, Exception e) { System.out.println("消息发送完成...."); if(e != null){ //信息发送失败 System.out.println(e.getMessage()); }else { //信息发送成功 System.out.println(recordMetadata.topic() + " : " + recordMetadata.partition() + " : " + recordMetadata.offset()); } } }).get(); System.out.println("消息发送出去....."); } //关闭 produce.close(); } }
4.1.3 分区器
1)默认的分区器 DefaultPartitioner
2)自定义分区器public class Mypartitioner implements Partitioner { /** * 计算某条消息要发送到那个分区 * @param topic 主题 * @param key 消息的key * @param keyBytes 消息key序列化后的字节数组 * @param value 消息的value * @param valueBytes 消息的value 序列化后的字节数组 * @param cluster * @return */ public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) { if(value.toString().contains("joe")){ return 0; }else if(value.toString().contains("dog")){ return 1; }else { return 2; } } public void close() { } public void configure(Map<String, ?> map) { } }
(3) 指定自定义的分区器
public class ProducerDemo4 { public static void main(String[] args) { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); //指定分区器 properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG,"com.atguigu.kafka.partitioner.Mypartitioner"); //序列化 properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { if(i % 2 == 0){ produce.send(new ProducerRecord<String, String>("atguigu","joe" + i)); }else { produce.send(new ProducerRecord<String, String>("atguigu","dog" + i)); } } //关闭 produce.close(); } }
4.2 Consumer 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。
4.2.1 自动提交offset
1)编写代码
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
2)消费者自动提交offset且重置offsetpublic class ConsumerDemo { public static void main(String[] args) { //设置配置项 Properties prop = new Properties(); prop.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); prop.put(ConsumerConfig.GROUP_ID_CONFIG,"atguigu-group"); //自动提交 prop.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"true"); //自动提交的事件间隔 prop.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,"1000"); //设定key prop.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer"); //设定value prop.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer"); //offset重置问题 /** * auto。offset.reset: * 满足两种情况会重置offset: * 1.当启动的消费者之前没有在kafka中有消费记录(新的组新的人) * 2.当启动的消费者要消费的offset在kafka中已经不存在(例如超时7天会被删除) * * 重置到什么位置: * earliest:目前kafka中topic的分区中最小的offset * latest: 目前lafla中topic的分区中最大的offset */ prop.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest"); //创建消费者对象 KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(prop); //订阅主题 List<String> topics = new ArrayList<String>(); topics.add("atguigu"); topics.add("first"); //若不存在的主题,它会自动创建 //topics.add("second"); consumer.subscribe(topics); //消费数据 while(true){ ConsumerRecords<String, String> records = consumer.poll(Duration.ofSeconds(1)); for (ConsumerRecord<String, String> record : records) { System.out.println("offset : " + record.offset() + "key : " + record.key() + "value" + record.value()); } } } }
4.2.2 手动提交offset
虽然自动提交offset十分简洁便利,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。
1)同步提交offset
由于同步提交有失败重试机制,故更加可靠,以下为同步提交与异步提交offset的示例。public class ConsumerDemo1 { public static void main(String[] args) { //设置配置项 Properties prop = new Properties(); prop.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); prop.put(ConsumerConfig.GROUP_ID_CONFIG,"atguigu-group"); //手动提交 prop.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"false"); //设定key prop.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer"); //设定value prop.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringDeserializer"); //创建消费者对象 KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(prop); //订阅主题 List<String> topics = new ArrayList<String>(); topics.add("atguigu"); topics.add("first"); //若不存在的主题,它会自动创建 //topics.add("second"); consumer.subscribe(topics); //消费数据 while(true){ ConsumerRecords<String, String> records = consumer.poll(Duration.ofSeconds(1)); for (ConsumerRecord<String, String> record : records) { System.out.println("offset : " + record.offset() + "key : " + record.key() + "value" + record.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 consumer.commitAsync(new OffsetCommitCallback() { @Override public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) { if(exception != null){ System.out.println(exception.getMessage()); }else { System.out.println(offsets); } } }); } } }
手动提交的话主要是在特殊业务中才会使用,我们一般使用自动提交就可以了。
3)数据漏消费和重复消费分析
无论是同步提交还是异步提交offset,都有可能造成数据的漏消费或者重复消费。**先提交offset后消费,有可能造成漏消费;而先消费后提交offset,有可能会造成数据的重复消费。
4.3 自定义Interceptor
4.3.1 拦截器原理
Produce拦截器(interceptor)是在Kafka 0.10版本被引入的,主要用于实现clients端的定制化控制化逻辑。
对于produce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而形成一个拦截链(interceptor)。interceptor的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor,其定义方法包括:
(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确保在消息被序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。
4.3.2 拦截器案例
1)需求:
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。
2)案例实操
(1)增加时间戳拦截器public class TimeInterceptor implements ProducerInterceptor<String,String> { /** * 在消息发送前将时间戳信息加到消息value的最前部 * @param record * @return */ @Override public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) { //获取消息的value String value = record.value(); value = System.currentTimeMillis() + " >> " + value; //封装新的消息 ProducerRecord<String,String> newRecord = new ProducerRecord<String, String>(record.topic(),record.partition(),record.key(),value); return newRecord; } @Override public void onAcknowledgement(RecordMetadata metadata, Exception exception) { } @Override public void close() { } @Override public void configure(Map<String, ?> configs) { } }
(2)统计发送消息成功和发送失败消息数,并在producer关闭时打印这两个计数器
public class CountInterceptor implements ProducerInterceptor<String,String> { private Integer success = 0; private Integer fail = 0; @Override public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) { return record; } /** * 在消息发送后更新成功发送消息数或失败发送消息数。 * @param metadata * @param exception */ @Override public void onAcknowledgement(RecordMetadata metadata, Exception exception) { if(exception != null){ //发送失败 fail++; }else { //发送成功 success++; } } @Override public void close() { System.out.println("SUCCESS:" + success); System.out.println("FAIL:" + fail); } @Override public void configure(Map<String, ?> configs) { } }
(3)producer主程序
public class ProducerDemo { public static void main(String[] args) { //获取配置参数 Properties properties = new Properties(); //kafka集群 properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092"); properties.put(ProducerConfig.ACKS_CONFIG,"-1"); //重试次数 properties.put(ProducerConfig.RETRIES_CONFIG,3); //批次大小 properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384); //等待时间 properties.put(ProducerConfig.LINGER_MS_CONFIG,1); //缓冲区大小 properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432); //指定拦截器 List<String> interceptors = new ArrayList<>(); interceptors.add("com.atguigu.kafka.interceptor.TimeInterceptor"); interceptors.add("com.atguigu.kafka.interceptor.CountInterceptor"); properties.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG,interceptors); //指定key和value的序列化器 properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer"); //创建生产者对象 KafkaProducer<String, String> produce = new KafkaProducer<String, String>(properties); for (int i = 0; i < 10; i++) { //待回调的方法 //不指定key,默认使用粘性分区 produce.send(new ProducerRecord<String, String>("atguigu","value-->" + i), new Callback() { public void onCompletion(RecordMetadata recordMetadata, Exception e) { if(e != null){ //信息发送失败 System.out.println(e.getMessage()); }else { //信息发送成功 System.out.println(recordMetadata.topic() + " : " + recordMetadata.partition() + " : " + recordMetadata.offset()); } } }); } //关闭 produce.close(); } }
3)测试
(1)我们可以在启动之前写的消费者,运行测试一下,消费到的数据为:offset : 35,key : null,value1601287826845 >> value-->0 offset : 36,key : null,value1601287827143 >> value-->1 offset : 37,key : null,value1601287827143 >> value-->2 offset : 38,key : null,value1601287827143 >> value-->3 offset : 39,key : null,value1601287827143 >> value-->4 offset : 40,key : null,value1601287827143 >> value-->5 offset : 41,key : null,value1601287827143 >> value-->6 offset : 42,key : null,value1601287827143 >> value-->7 offset : 43,key : null,value1601287827143 >> value-->8 offset : 44,key : null,value1601287827143 >> value-->9
5. Kafka监控
1)修改kafka启动命令
修改kafka-server-start.sh命令中if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G" fi
为
if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then export KAFKA_HEAP_OPTS="-server -Xms2G -Xmx2G -XX:PermSize=128m -XX:+UseG1GC -XX:MaxGCPauseMillis=200 -XX:ParallelGCThreads=8 -XX:ConcGCThreads=5 -XX:InitiatingHeapOccupancyPercent=70" export JMX_PORT="9999" #export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G" fi
注意:修改之后在启动kafka之前要分发给其他节点
2)上传压缩包kafka-eagle-bin-1.4.5.tar.gz到集群/opt/software目录
3)解压到本地[atguigu@hadoop102 software]$ tar -zxvf kafka-eagle-bin-1.4.5.tar.gz
4)进入刚才解压的目录
[atguigu@hadoop102 kafka-eagle-bin-1.4.5]$ ll 总用量 82932 -rw-rw-r--. 1 atguigu atguigu 84920710 8月 13 23:00 kafka-eagle-web-1.4.5-bin.tar.gz
5)将kafka-eagle-web-1.3.7-bin.tar.gz解压至/opt/module
[atguigu@hadoop102 kafka-eagle-bin-1.4.5]$ tar -zxvf kafka-eagle-web-1.4.5-bin.tar.gz -C /opt/module/
6)修改名称
[atguigu@hadoop102 module]$ mv kafka-eagle-web-1.4.5/ eagle
7)给启动文件执行权限
[atguigu@hadoop102 eagle]$ cd bin/ [atguigu@hadoop102 bin]$ ll 总用量 12 -rw-r--r--. 1 atguigu atguigu 1848 8月 22 2017 ke.bat -rw-r--r--. 1 atguigu atguigu 7190 7月 30 20:12 ke.sh [atguigu@hadoop102 bin]$ chmod 777 ke.sh
8)修改配置文件 conf/system-config.properties
###################################### # multi zookeeper&kafka cluster list ###################################### kafka.eagle.zk.cluster.alias=cluster1 cluster1.zk.list=hadoop102:2181,hadoop103:2181,hadoop104:2181 ###################################### # kafka offset storage ###################################### cluster1.kafka.eagle.offset.storage=kafka ###################################### # enable kafka metrics ###################################### kafka.eagle.metrics.charts=true kafka.eagle.sql.fix.error=false ###################################### # kafka jdbc driver address ###################################### kafka.eagle.driver=com.mysql.jdbc.Driver kafka.eagle.url=jdbc:mysql://hadoop102:3306/ke?useUnicode=true&characterEncoding=UTF-8&zeroDateTimeBehavior=convertToNull kafka.eagle.username=root kafka.eagle.password=123456
9)添加环境变量
export KE_HOME=/opt/module/eagle export PATH=$PATH:$KE_HOME/bin
注意:source /etc/profile
10)启动[atguigu@hadoop102 eagle]$ bin/ke.sh start ... ... ... ... ******************************************************************* * Kafka Eagle Service has started success. * Welcome, Now you can visit 'http://192.168.202.102:8048/ke' * Account:admin ,Password:123456 ******************************************************************* * <Usage> ke.sh [start|status|stop|restart|stats] </Usage> * <Usage> https://www.kafka-eagle.org/ </Usage> ******************************************************************* [atguigu@hadoop102 eagle]$
注意:启动之前需要先启动ZK以及KAFKA
11)登录页面查看监控数据
http://192.168.202.102:8048/ke
6. Flume对接Kafka
我们先来看一下拓扑图
上图中清晰的展示了Flume和Kafka的对接是如何实现的,但是我们不需要如此复杂,Kafka中的sink给我们提供了相应的方法,我们只需要如下图所示就可以了:
6.1 配置flume
这些配置flume的官网都会有…
# define a1.sources = r1 a1.sinks = k1 a1.channels = c1 # source a1.sources.r1.type = exec a1.sources.r1.command = tail -F /opt/module/data/flume.log # sink a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink a1.sinks.k1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092 a1.sinks.k1.kafka.topic = first a1.sinks.k1.kafka.flumeBatchSize = 20 a1.sinks.k1.kafka.producer.acks = 1 a1.sinks.k1.kafka.producer.linger.ms = 1 # channel a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # bind a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
2) 启动kafka消费者
3) 进入flume根目录下,启动flume$ bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf
4) 向 /opt/module/data/flume.log里追加数据,查看kafka消费者消费情况
$ echo hello >> /opt/module/data/flume.log
6.2 数据分离
0)需求: 将flume采集的数据按照不同的类型输入到不同的topic中
将日志数据中带有atguigu的,输入到Kafka的first主题中,
将日志数据中带有shangguigu的,输入到Kafka的second主题中,
其他的数据输入到Kafka的third主题中
1)编写Flume的Interceptor
0)需求: 将flume采集的数据按照不同的类型输入到不同的topic中
将日志数据中带有joe的,输入到Kafka的first主题中,
将日志数据中带有dog的,输入到Kafka的atguigu主题中,
其他的数据输入到Kafka的third主题中
1)编写Flume的Interceptorpublic class FlumeKafkaInterceptor implements Interceptor { @Override public void initialize() { } /** * 如果包含“joe”就发送到first主题 * 如果包含“dog”就发送到atguigu主题 * 其他的数据发送到third主题 * @param event * @return */ @Override public Event intercept(Event event) { //获取event的header Map<String, String> headers = event.getHeaders(); //获取event的body String body = new String(event.getBody()); if(body.contains("joe")){ headers.put("topic","first"); }else if(body.contains("dog")) { headers.put("topic","atguigu"); } return event; } @Override public List<Event> intercept(List<Event> events) { for (Event event : events) { intercept(event); } return events; } @Override public void close() { } //获取FlumeKafkaIntercceptor的对象 public static class MyBuilder implements Builder{ @Override public Interceptor build() { return new FlumeKafkaInterceptor(); } @Override public void configure(Context context) { } } }
2)将写好的interceptor打包上传到Flume安装目录的lib目录下
3)配置flume# Name the components on this agent a1.sources = r1 a1.sinks = k1 a1.channels = c1 # Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = hadoop102 a1.sources.r1.port = 6666 # Describe the sink a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink a1.sinks.k1.kafka.topic = third a1.sinks.k1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092 a1.sinks.k1.kafka.flumeBatchSize = 20 a1.sinks.k1.kafka.producer.acks = 1 a1.sinks.k1.kafka.producer.linger.ms = 1 #Interceptor a1.sources.r1.interceptors = i1 a1.sources.r1.interceptors.i1.type = com.atguigu.kafka.flumeInterceptor.FlumeKafkaInterceptor$MyBuilder # # Use a channel which buffers events in memory a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
4) 启动kafka消费者
5) 进入flume根目录下,启动flume$ bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf
6) 向6666端口写数据,查看kafka消费者消费情况
其实Kafka主要是在我们在收集数据时与Flume一起使用,从而起到一个缓存从而可以收集大量数据,Kafka的主要特点就是吞吐量大。。哈哈,学到这里Kafka结束,想学其他的大数据框架,大家接着跟我学哈😄😄😄😄😄😄😄😄