大数据之Kafka（二）

最新推荐文章于 2022-08-08 17:32:10 发布

爱学习的老冰棍

最新推荐文章于 2022-08-08 17:32:10 发布

阅读量1.4k

点赞数 6

分类专栏： Kafka 大数据文章标签： kafka

本文链接：https://blog.csdn.net/qq_43182741/article/details/108835745

版权

大数据同时被 2 个专栏收录

15 篇文章 0 订阅

订阅专栏

Kafka

3 篇文章 0 订阅

订阅专栏

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…

在这里插入图片描述

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

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topic
bin/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key

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);

       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offset

public 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
在这里插入图片描述
(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Interceptor

public 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😄😄😄😄😄😄😄😄

爱学习的老冰棍

关注

6
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
大数据之Kafka（二）

大数据之Kafka（二）3. Kafka架构深入3.1 Kafka 工作流程及文件存储机制3.2 Kafak生产者3.2.1 分区策略3.2.2 数据可靠性保证3.2.3 Exactly Once语义3.3 Kafka消费者3.3.1 消费方式3.3.2 分区分配策略3.3.3 offset的维护不排除内部的topic3.3.4 消费者组案例3.4 Kafka 高效读写数据3.5 Zookeeper在Kafka中的作用3.6 Kafka事务3.6.1 Producer 事务3.6.2 Consumer事务（
复制链接

扫一扫

专栏目录