MQ知识笔记-------Kafka

MQ知识笔记-------Kafka

kafka是什么

Kafka是最初由Linkedin公司开发，是一个分布式、支持分区的（partition）、多副本的（replica），基于zookeeper协调的分布式消息系统，它的最大的特性就是可以实时的处理大量数据以满足各种需求场景：比如基于hadoop的批处理系统、低延时的实时系统、Storm/Spark流式处理引擎，web/nignx日志、访问日志、消息服务等等。kafka用scala语言编写，Linkedin于2010年贡献给了Apache基金会并成为了顶级开源项目。

kafka的使用场景

• 日志收集：可以用Kafka收集各种服务的log，通过kafka以统一接口服务的方式开放给各种consumer，例如hadoop、Hbase、Solr等。
• 消息系统：解耦和生产者和消费者、缓存消息等。
• 用户活动跟踪：Kafka经常被用来记录web用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后订阅者通过订阅这些topic来做实时的监控分析，或者装载到hadoop、数据仓库中做离线分析和挖掘。
• 运营指标：Kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告。

kafka基本概念

kafka是一个分布式的，分区的消息(官方称之为commit log)服务。它提供一个消息系统应该具备的功能，但是确有着独特的设计。可以这样来说，Kafka借鉴了JMS规范的思想，但是确并没有完全遵循JMS规范。

基础的消息(Message)相关术语：

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

因此，从一个较高的层面上来看，producer通过网络发送消息到Kafka集群，然后consumer来进行消费，如下图：

服务端（brokers）和客户端（producer和consumer）之间通信通过TCP协议来完成。

环境安装

jdk安装

由于Kafka是用Scala语言开发的，运行在JVM上，因此在安装Kafka之前需要先安装JDK。
步骤省略

zookeeper安装

kafka依赖于zookeeper，所以需要先安装zookeeper。

# 下载zookeeper
wget https://dlcdn.apache.org/zookeeper/zookeeper-3.5.9/apache-zookeeper-3.5.9-bin.tar.gz

# 解压
tar -zxvf apache-zookeeper-3.5.9-bin.tar.gz

# 进入conf目录，复制配置文件
cp zoo_sample.cfg zoo.cfg

# 编辑配置文件，dataDir、dataLogDir
vim zoo.cfg

# 最后在/etc/profile中加入环境变量
vim /etc/profile

export ZOOKEEPER_INSTALL=/opt/apache-zookeeper-3.5.8-bin/
export PATH=$PATH:$ZOOKEEPER_INSTALL/bin

# 资源文件立即生效
source /etc/profile

启动

# 启动zookeeper服务端
./zkServer.sh start

# 启动zookeeper客户端
./zkCil.sh -server localhost:2181

准备工作，kafka安装

# 下载kafka 2.11是scala的版本，2.4.1是kafka的版本
wget https://archive.apache.org/dist/kafka/2.4.1/kafka_2.11-2.4.1.tgz

# 解压
tar -zxvf kafka_2.11-2.4.1.tgz

# 进入修改配置文件 /congif/server.properties
# broker.id属性在kafka集群中必须要是唯一
broker.id=0
# kafka部署的机器ip和提供服务的端口号
listeners=PLAINTEXT://localhost:9092   
# kafka的消息存储文件
log.dir=/usr/local/data/kafka-logs
# kafka连接zookeeper的地址
zookeeper.connect=localhost:2181

启动kafka

# 启动kafka，运行日志在logs目录的server.log文件里
# -daemon 后台启动，不会打印日志到控制台
bin/kafka-server-start.sh -daemon config/server.properties   
# 或者用
bin/kafka-server-start.sh config/server.properties &

# ------
# 进入zookeeper目录通过zookeeper客户端查看下zookeeper的目录树
bin/zkCli.sh 
# 查看zk的根目录kafka相关节点
ls /		
# 查看kafka节点
ls /brokers/ids	

# ------
# 停止kafka
bin/kafka-server-stop.sh

server.properties配置文件详解：

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

创建主题

刚才准备工作完成，现在创建主题（topic），这个topic只有一个分区（partiton），备份因子（replication-factor）也设置为1

# 创建主题
./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test

# 查看kafka中的topic
./kafka-topics.sh --list --zookeeper localhost:2181 

除了手动创建topic，当producer发送一个消息到某个指定的topic，如果这个topic不存在，也会自动创建此topic。

# 删除主题
./kafka-topics.sh --delete --topic test --zookeeper localhost:2181

发送消息

kafka自带了一个producer命令客户端，可以从本地文件中读取内容，或者我们也可以以命令行中直接输入内容，并将这些内容以消息的形式发送到kafka集群中。在默认情况下，每一个行会被当做成一个独立的消息。

# 发送消息
./kafka-console-producer.sh --broker-list localhost:9092 --topic test
>test
>test1 

消费消息

对于consumer，kafka同样也携带了一个命令行客户端，会将获取到内容在命令中进行输出，默认是消费最新的消息：

# 消费消息
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic test

# 如果想要消费之前的消息可以通过--from-beginning参数指定，如下命令
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --from-beginning --topic test

# 消费多主题
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --whitelist "test|test-2"

单播消息

一条消息只能被某一个消费者消费的模式，类似queue模式，只需让所有消费者在同一个消费组里即可。
分别在两个客户端执行如下消费命令，然后往主题里发送消息，结果只有一个客户端能收到消息。

./kafka-console-consumer.sh --bootstrap-server localhost:9092  --consumer-property group.id=testGroup --topic test

多播消息

一条消息能被多个消费者消费的模式，类似publish-subscribe模式费，针对Kafka同一条消息只能被同一个消费组下的某一个消费者消费的特性，要实现多播只要保证这些消费者属于不同的消费组即可。我们再增加一个消费者，该消费者属于testGroup-2消费组，结果两个客户端都能收到消息。

./kafka-console-consumer.sh --bootstrap-server localhost:9092 --consumer-property group.id=testGroup-2 --topic test

查看消费组名

./kafka-consumer-groups.sh --bootstrap-server localhost:9092 --list 

查看消费组的消费偏移量

./kafka-consumer-groups.sh --bootstrap-server localhost:9092 --describe --group testGroup

• current-offset：当前消费组的已消费偏移量
• log-end-offset：主题对应分区消息的结束偏移量(HW)
• lag：当前消费组未消费的消息数

---

分区（partition）

可以理解Topic是一个类别的名称，同类消息发送到同一个Topic下面。对于每一个Topic，下面可以有多个分区(Partition)日志文件:

partiton是一个有序的message序列，这些message按顺序添加到一个叫做commit log的文件中。 每个partition中的消息都有一个唯一的编号，称之为offset，用来唯一标示某个分区中的message。

每个partition，都有一个对应的commit log文件。一个partition中的message的offset都是唯一的，但是不同的partition中的message饿offset可能是相同的。

kafka一般不会删除消息，不管这些消息有没有被消费。只会根据配置的日志保留时间(log.retention.hours)确认消息多久被删除，默认保留近一周的消息。kafka的性能与保留的消息数据量大小没有关系，因此保存大量的数据消息日志信息不会有什么影响。

每个consumer是基于自己在commit log中的消费进度(offset)来进行工作的。 在kafka中，消费offset由consumer自己来维护；一般情况下我们按照顺序逐条消费commit log中的消息，当然我可以通过指定offset来重复消费某些消息，或者跳过某些消息。
这意味kafka中的consumer对集群的影响是非常小的，添加一个或者减少一个consumer，对于集群或者其他consumer来说，都是没有影响的，因为每个consumer维护各自的消费offset。

创建多个分区的主题

./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 2 --topic test1

查看主题详情

./kafka-topics.sh --describe --zookeeper localhost:2181 --topic test1

第一行是分区的概要信息，下面每一行表示每一个partition的信息

• leader节点负责给定partition的所有读写请求
• replicas表示某个partition在哪几个节点上存在备份。不管这几个节点是否还是leader，甚至这个节点挂了，也会被列出。
• isr是replicas的子集，它只列出当前还存活着的，并且已同步备份了该partition的节点。

进入kafka的数据文件存储目录，查看消息日志文件：

消息日志文件主要存放在分区文件夹里的以log结尾的日志文件里，如下是test1主题对应的分区0的消息日志：

增加分区数量（目前kafka不支持减少分区）：

# 增加分区
./kafka-topics.sh -alter --partitions 3 --zookeeper localhost:2181 --topic test

topic、partition和broker

一个topic，代表逻辑上的一个业务数据集，比如按数据库里不同表的数据操作消息区分放入不同topic，订单相关操作消息放入订单topic，用户相关操作消息放入用户topic，对于大型网站来说，后端数据都是海量的，订单消息很可能是非常巨量的，比如有几百个G甚至达到TB级别，如果把这么多数据都放在一台机器上可定会有容量限制问题，那么就可以在topic内部划分多个partition来分片存储数据，不同的partition可以位于不同的机器上，每台机器上都运行一个Kafka的进程Broker。

为什么要对Topic下数据进行分区存储？

1. commit log文件会受到所在机器的文件系统大小的限制，分区之后可以将不同的分区放在不同的机器上，相当于对数据做了分布式存储，理论上一个topic可以处理任意数量的数据。
2. 为了提高并行度。

---

Kafka集群

对于kafka来说，一个单独的broker意味着kafka集群中只有一个节点。要想增加kafka集群中的节点数量，只需要多启动几个broker实例即可。为了有更好的理解，现在我们在一台机器上同时启动三个broker实例，只需要复制两份配置文件再启动，过程略。

配置文件1：

#broker.id属性在kafka集群中必须要是唯一
broker.id=1
#kafka部署的机器ip和提供服务的端口号
listeners=PLAINTEXT://localhost:9093   
log.dir=/usr/local/data/kafka-logs-1
#kafka连接zookeeper的地址，要把多个kafka实例组成集群，对应连接的zookeeper必须相同
zookeeper.connect=localhost:2181

配置文件2：

#broker.id属性在kafka集群中必须要是唯一
broker.id=1
#kafka部署的机器ip和提供服务的端口号
listeners=PLAINTEXT://localhost:9094   
log.dir=/usr/local/data/kafka-logs-2
#kafka连接zookeeper的地址，要把多个kafka实例组成集群，对应连接的zookeeper必须相同
zookeeper.connect=localhost:2181

查看zookeeper确认集群节点信息

# zk中查看
ls /brokers/ids

创建新的topic，副本数设置为3，分区数设置为2：

# 创建新的topic
./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 3 --partitions 2 --topic my-replicated-topic

查看topic的情况

# 查看topic
./kafka-topics.sh --describe --zookeeper localhost:2181 --topic my-replicated-topic

• leader节点负责给定partition的所有读写请求，同一个主题不同分区leader副本一般不一样(为了容灾)
• replicas 表示某个partition在哪几个broker上存在备份。不管这个几点是不是”leader“，甚至这个节点挂了，也会列出。
• isr 是replicas的一个子集，它只列出当前还存活着的，并且已同步备份了该partition的节点。

向新建的topic发送message：

# 可以加上全部节点
./kafka-console-producer.sh --broker-list localhost:9092,localhost:9093,localhost:9094 --topic my-replicated-topic

消费消息：

./kafka-console-consumer.sh --bootstrap-server localhost:9092,localhost:9093,localhost:9094 --from-beginning --topic my-replicated-topic

现在我们来测试我们容错性，因为broker1目前是my-replicated-topic的分区0的leader，所以我们要将其kill,再查看topic详情：

./kafka-topics.sh --describe --zookeeper localhost:2181 --topic my-replicated-topic

我们可以看到，分区0的leader节点已经变成了broker 0。要注意的是，在Isr中，已经没有了1号节点。leader的选举也是从ISR(in-sync replica)中进行的。
此时，我们依然可以消费新消息：

./kafka-console-consumer.sh --bootstrap-server localhost:9092,localhost:9093,localhost:9094 --from-beginning --topic my-replicated-topic

查看主题分区对应的leader信息：

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

---

集群消费

log的partitions分布在kafka集群中不同的broker上，每个broker可以请求备份其他broker上partition上的数据。kafka集群支持配置一个partition备份的数量。
针对每个partition，都有一个broker起到 “leader” 的作用，0个或多个其他的broker作为 “follwers” 的作用。leader处理所有的针对这个partition的读写请求，而followers被动复制leader的结果，不提供读写(主要是为了保证多副本数据与消费的一致性)。 如果这个leader失效了，其中的一个follower将会自动的变成新的leader。

Producers

生产者将消息发送到topic中去，同时负责选择将message发送到topic的哪一个partition中。通过round-robin做简单的负载均衡。也可以根据消息中的某一个关键字来进行区分。通常第二种方式使用的更多。

Consumers

传统的消息传递模式有2种：队列( queue) 和（publish-subscribe）

• queue模式：多个consumer从服务器中读取数据，消息只会到达一个consumer。
• publish-subscribe模式：消息会被广播给所有的consumer。

Kafka基于这2种模式提供了一种consumer的抽象概念：consumer group。

• queue模式：所有的consumer都位于同一个consumer group 下。
• publish-subscribe模式：所有的consumer都有着自己唯一的consumer group。

上图说明：由2个broker组成的kafka集群，某个主题总共有4个partition(P0-P3)，分别位于不同的broker上。这个集群由2个Consumer Group消费， A有2个consumer instances ，B有4个。
通常一个topic会有几个consumer group，每个consumer group都是一个逻辑上的订阅者（ logical subscriber ）。每个consumer group由多个consumer instance组成，从而达到可扩展和容灾的功能。

消费顺序

一个partition同一个时刻在一个consumer group中只能有一个consumer instance在消费，从而保证消费顺序。

consumer group中的consumer instance的数量不能比一个Topic中的partition的数量多，否则，多出来的consumer消费不到消息。

Kafka只在partition的范围内保证消息消费的局部顺序性，不能在同一个topic中的多个partition中保证总的消费顺序性。

如果有在总体上保证消费顺序的需求，那么我们可以通过将topic的partition数量设置为1，将consumer group中的consumer instance数量也设置为1，但是这样会影响性能，所以kafka的顺序消费很少用。

Kafka日志分段

kafka一个分区的消息数据对应存储在一个文件夹下，以topic名称+分区号命名，消息在分区内是分段（segment）存储，每个段的消息存储在不一样的log文件里，这种特性方便old segment file快速删除，kafka规定了一个段位的log文件最大为1G，做这个限制目的是为了方便把log文件加载到内存去操作：

这个9936472之类的数字，就是代表了这个日志段文件里包含的起始offset，也就是说明这个分区里至少都写入了近1000万的数据了。

Kafka Broker有一个参数，log.segment.bytes，限定了每个日志段文件的大小，最大就是1GB。

一个日志段文件满了，就自动开一个新的日志段文件来写入，避免单个文件过大，影响文件的读写性能，这个过程叫做log rolling ，正在被写入的那个日志段文件，叫做active log segment。

SpringBoot集成demo

码云：demo示例

---

踩过的坑

1. 阿里云服务器搭建kafka。 配置文件:
   • listeners=PLAINTEXT:阿里云私网ip:9092。不要写公网ip，否则kafka启动报错。 listeners=PLAINTEXT:localhost:9092，在服务器端正常，但是会导致外部应用程序无法连接。listeners就是主要用来定义Kafka Broker的Listener的配置项。
   • advertised.listeners=PLAINTEXT:阿里云公网ip:9092，advertised.listeners参数的作用就是将Broker的Listener信息发布到Zookeeper中。为什么要配置这个？ 在项目连接时，消费者的监听其实是从zookeeper中获取的ip和端口，如果不配置，项目中读到的就会是上条记录的私网ip，从而连接不上。