一、Kafka 概述
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。
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 中不再存储。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。
发布/订阅模式
一对多,消费者消费数据之后不会清除消。
消息生产者(发布)将消息发布到 topic 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。kafka就是基于这种模式
Kafka 基础架构
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。
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;
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。
二、docker 安装 kafka
输入下面两条命令即可快速安装单机zookeeper和kafka
docker run -d --name zookeeper -p 2181:2181 wurstmeister/zookeeper
docker run -d --name kafka -p 9092:9092 -e KAFKA_BROKER_ID=0 -e KAFKA_ZOOKEEPER_CONNECT=zookeeper:2181 --link zookeeper -e KAFKA_ADVERTISED_LISTENERS=PLAINTEXT://192.168.169.129(机器的ip):9092 -e KAFKA_LISTENERS=PLAINTEXT://0.0.0.0:9092 -t wurstmeister/kafka
通过kafka自带工具生产消费消息测试:
1、首先,进入到kafka的docker容器中
docker exec -it kafka sh
2、运行消费者,进行消息的监听
kafka-console-consumer.sh --bootstrap-server 192.168.169.129:9092 --topic kafeidou --from-beginning
3、打开一个新的ssh窗口,同样进入kafka的容器中,执行下面这条命令生产消息
kafka-console-producer.sh --broker-list 192.168.169.129:9092 --topic kafeidou
输入完这条命令后会进入到控制台,可以输入任何想发送的消息,这里发送一个hello
>>
>hello
>
可以看到,在生产者的控制台中输入消息后,消费者的控制台立刻看到了消息,到目前为止,一个kafka完整的hello world就完成了.kafka的部署加上生产者消费者测试。
另一种方式部署
通过docker-compose部署kafka。
首先创建一个docker-compose.yml文件
version: '3.7'
services:
zookeeper:
image: wurstmeister/zookeeper
volumes:
- ./data:/data # 挂载目录,存储zookeeper数据
ports:
- 2182:2181
kafka9094:
image: wurstmeister/kafka
ports:
- 9092:9092
environment:
KAFKA_BROKER_ID: 0
KAFKA_ADVERTISED_LISTENERS: PLAINTEXT://192.168.1.60:9092
KAFKA_CREATE_TOPICS: "kafeidou:2:0" #kafka启动后初始化一个有2个partition(分区)0个副本名叫kafeidou的topic
KAFKA_ZOOKEEPER_CONNECT: zookeeper:2181
KAFKA_LISTENERS: PLAINTEXT://0.0.0.0:9092
volumes:
- ./kafka-logs:/kafka # 挂载目录,存储kafka数据
depends_on:
- zookeeper
部署起来很简单,在docker-compose.yml文件的目录下执行docker-compose up -d就可以了,测试方式和上面的一样。
这个docker-compose做的东西比上面docker方式部署的东西要多一些
- 数据持久化,在当前目录下挂载了两个目录分别存储zookeeper和kafka的数据,当然在docker run 命令中添加 -v
选项也是可以做到这样的效果的 - kafka在启动后会初始化一个有分区的topic,同样的,docker run的时候添加 -e KAFKA_CREATE_TOPICS=kafeidou:2:0 也是可以做到的。
优先推荐docker-compose方式部署:
因为单纯使用docker方式部署的话,如果有改动(例如:修改对外开放的端口号)的情况下,docker需要把容器停止docker stop 容器ID/容器NAME,然后删除容器docker rm 容器ID/容器NAME,最后启动新效果的容器docker run …
而如果在docker-compose部署的情况下如果修改内容只需要修改docker-compose.yml文件对应的地方,例如2181:2181改成2182:2182,然后再次在docker-compose.yml文件对应的目录下执行docker-compose up -d就能达到更新后的效果。
搭建管理界面kafka-manager
docker pull hlebalbau/kafka-manager:latest
docker run -it -d --name kafka-manager -p 9000:9000 -e ZK_HOSTS="192.168.145.129:2181" --net=host hlebalbau/kafka-manager:latest
访问:http://192.168.145.129:9000/
开机自启动:可设可不设
docker update kafka-manager --restart=always
三,kafka常用命令
进入容器
1,查看Kafka 版本
/ # kafka-topics.sh --version
2.8.1 (Commit:839b886f9b732b15)
2,创建 topics
kafka-topics.sh --create --bootstrap-server 127.0.0.1:9092 --replication-factor 1 --partitions 1
3,查看topics信息
kafka-topics.sh --list --bootstrap-server 127.0.0.1:9092
4,生产数据
kafka-console-producer.sh --topic lzhTest01 --broker-list 127.0.0.1:9092
然后输入数据
5,消费数据
kafka-console-consumer.sh --topic test-kafka-01 --bootstrap-server 127.0.0.1:9092
6,指定消费位置提取数据
kafka-console-consumer.sh --topic test-kafka-01 --bootstrap-server 127.0.0.1:9092 --from-beginning 1 2 --partition 1 --max-messages 1
7,修改 topic 的 data 过期时间
kafka-configs.sh --zookeeper ky-node1:2181 --entity-type topics --entity-name test-kafka-01 --alter --add-config retention.ms=86400000
8, 查看消费组消息堆积数量
(1)获取所有的消费组
kafka-consumer-groups.sh --bootstrap-server 127.0.0.1:9092 --list
(2)查询某个消费组的消费情况
kafka-consumer-groups.sh --bootstrap-server 127.0.0.1:9092 --describe --group consumer_group-test-kafka-01
四、Kafka 架构深入
Kafka 工作流程及文件存储机制
Kafka 工作流程:
1、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。
2、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
3、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。
4、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。
Kafka文件存储机制:
1、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。
2、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。
例:
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。
Kafka 生产者
分区策略
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
分区的原则:
生产者发送的消息,发到哪个分区呢?
我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
(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。
生产者发来的消息通过这种方式,就这样分散存储到不同的分区中。
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。
副本数据同步策略
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。
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。
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。
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: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。
面试大厂时,一旦简历上写了Kafka,几乎必然会被问到一个问题:说说acks参数对消息持久化的影响?
数据一致性问题。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,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。
Exactly Once 语义
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,但是不能保证数据不重复,即 At Least Once 语义。
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,但是不能保证数据不丢失,即 At Most Once 语义。
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。
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。
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。
Kafka 消费者
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。
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。
RoundRobin(轮询)
使用的前提是消费组里的消费者订阅的主题都是一样的。面向组
按顺序分配分区给消费者
轮询的方式分配分区时,不是基于同一个topic去分配的,而是把所有分区看成一个整体,TopicAndPartition类就代表着所有topic的分区,TopicAndPartition会根据分区对象的hash值排序,然后把排完序的分区轮询分配给消费者。
这种方式会存在什么问题呢?
如果消费组里的消费者A, 只订阅了topic甲和乙,消费者B订阅的是乙和丙,但是通过轮序后,消费者A就能分配到丙的分区,消费者B就能分配到甲的分区,这就不好了,所以使用轮询的方式,前提是消费组里的消费者都是订阅的相同的主题,这就没问题了。
Range(范围)
默认的消费者分区分配方式。基于同一个主题,分区数 / 消费组里的消费者数,然后均分下去,如果除不均,会有一个消息者多分配分区。面向topic
如果有很多topic, 都除不均, 那么每个topic里多的分区都会分配给同一个消费者,这个消费者相比其他消费者,会更有压力
什么时候触发分区分配策略
当消费者组里的消费者个数发生变化时。
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。
从 0.9 版本开始,consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中,该 topic 为__consumer_offsets。
读取__consumer_offsets里的offset:
1)修改配置文件 consumer.properties
exclude.internal.topics=false
Kafka 中有两个内部的主题: __consumer_offsets 和 __transaction_state。
exclude.internal.topics 用来指定 Kafka 中的内部主题是否可以向消费者公开,默认值为 true。
如果设置为 true,那么只能使用 subscribe(Collection)的方式而不能使用 subscribe(Pattern)的方式来订阅内部主题,设置为 false 则没有这个限制。
2)读取 offset
0.11.0.0 之前版本:
bin/kafka-console-consumer.sh --topic __consumer_offsets --
zookeeper hadoop102:2181 --formatter
"kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter"
--consumer.config config/consumer.properties --from-beginning
0.11.0.0 之后版本(含):
bin/kafka-console-consumer.sh --topic __consumer_offsets --
zookeeper hadoop102:2181 --formatter
"kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageForm
atter" --consumer.config config/consumer.properties --frombeginning
Kafka 高效读写数据
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。
零复制技术
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:
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。
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 Transaction ID,并将 Producer获得的PID 和Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 TransactionID 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。
Consumer 事务:
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。
四、API
Springboot 整合
<!--引入kafka依赖-->
<dependency>
<groupId>org.springframework.kafka</groupId>
<artifactId>spring-kafka</artifactId>
<version>2.4.1.RELEASE</version>
</dependency>
spring:
kafka:
# kafka集群信息 127.0.0.1:9092,127.0.0.1:9093,127.0.0.1:9094
bootstrap-servers: 192.168.169.129:9092
# 生产者配置
producer:
# 设置大于0的值,则客户端会将发送失败的记录重新发送
retries: 3
# 批次大小,16K。只有数据积累到 batch.size 之后,sender 才会发送数据。默认值16K
batch-size: 16384
properties:
# 等待时间,默认0。如果数据迟迟未达到 batch.size,sender 等待 linger.time 之后就会发送数据。
linger.ms: 1
#32M。RecordAccumulator缓冲区大小
buffer-memory: 33554432
# ack应答级别
acks: 1
# 指定消息key和消息体的编解码方式
key-serializer: org.apache.kafka.common.serialization.StringSerializer
value-serializer: org.apache.kafka.common.serialization.StringSerializer
consumer:
# 消费者组Id
group-id: zhTestGroup
# 关闭自动提交
enable-auto-commit: false
# 批量消费时,一次消费的条数,默认500
max-poll-records : 1000
# 两次调用poll方法之间的最大时间间隔,单位毫秒,默认值5分钟
#max-poll-interval-ms: 3000000
# 如果没有达到fetch.min.bytes,所设置的数据量,服务端最多会等待多久,默认为500ms。
#fetch-max-wait: 500
# fetch.min.bytes,poll一次消息拉取的最小数据量,单位:字节,默认1字节。1024字节 = 1KB
#fetch-min-size: 2
# 当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,从头开始消费
auto-offset-reset: earliest
key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
value-deserializer: org.apache.kafka.common.serialization.StringDeserializer
listener:
# 当每一条记录被消费者监听器(ListenerConsumer)处理之后提交
# RECORD
# 当每一批poll()的数据被消费者监听器(ListenerConsumer)处理之后提交
# BATCH
# 当每一批poll()的数据被消费者监听器(ListenerConsumer)处理之后,距离上次提交时间大于TIME时提交
# TIME
# 当每一批poll()的数据被消费者监听器(ListenerConsumer)处理之后,被处理record数量大于等于COUNT时提交
# COUNT
# TIME | COUNT 有一个条件满足时提交
# COUNT_TIME
# 当每一批poll()的数据被消费者监听器(ListenerConsumer)处理之后, 手动调用Acknowledgment.acknowledge()后提交
# MANUAL
# 手动调用Acknowledgment.acknowledge()后立即提交,一般使用这种
# MANUAL_IMMEDIATE
ack-mode: manual_immediate
kafka:
# bootstrap-servers: ${KAFKA_URL:121.89.205.245:9002}
bootstrap-servers: ${KAFKA_HOST:121.89.205.245}:${KAFKA_PORT:9092}
producer:
batch-size: 16
retries: 0
buffer-memory: 33554432
key-serializer: org.apache.kafka.common.serialization.StringSerializer
value-serializer: org.apache.kafka.common.serialization.StringSerializer
properties:
security.protocol: SASL_PLAINTEXT
sasl.mechanism: PLAIN
sasl.jaas.config: org.apache.kafka.common.security.plain.PlainLoginModule required username=${KAFKA_USERNAME:enduser} password=${KAFKA_PASSWORD:u769q83g};
acks: 0
consumer:
group-id: ${KAFKA_CONSUMER_GROUP_ID:devicesGrop-dev-lzh}
auto-offset-reset: earliest
key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
value-deserializer: org.apache.kafka.common.serialization.StringDeserializer
properties:
security.protocol: SASL_PLAINTEXT
sasl.mechanism: PLAIN
sasl.jaas.config: org.apache.kafka.common.security.plain.PlainLoginModule required username=${KAFKA_USERNAME:enduser} password=${KAFKA_PASSWORD:u769q83g};
acks: 0
1、简单的发消息和消费消息:
@Autowired
private KafkaTemplate kafkaTemplate;
@RequestMapping("/send")
public void send() {
kafkaTemplate.send("lzhTest01", "test");
}
@Component
public class MyKafkaConsumer {
@KafkaListener(topics = "lzhTest01", groupId = "zhTestGroup")
public void listenZhugeGroup(ConsumerRecord<String, String> record, Acknowledgment ack) {
String value = record.value();
System.out.println(value);
System.out.println(record);
//手动提交offset
ack.acknowledge();
}
}
2、带回调的生产者
/**
* 带回调的生产者
*/
@RequestMapping("/callback/send")
public void callbackSend() {
for (int i = 0; i < 10; i++) {
// 第二个参数,指定消息发到分区1中
kafkaTemplate.send(TOPIC_NAME,1,"lzh","test" +i).addCallback(new ListenableFutureCallback<SendResult<String, Object>>(){
@Override
public void onSuccess(SendResult<String, Object> stringObjectSendResult) {
RecordMetadata recordMetadata = stringObjectSendResult.getRecordMetadata();
System.out.println(recordMetadata.partition() + " " + recordMetadata.offset());
}
@Override
public void onFailure(Throwable throwable) {
throwable.printStackTrace();
}
});
}
}
3、自定义分区器
发消息不指定分区的话,使用默认的分区器
public class MyPartitioner implements Partitioner {
/**
* 当前消息到topic时,没有指定分区,就通过这个方法分配一个分区
*/
@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, ?> map) {
}
}
同时配置文件指定分区器
4、同步发送生产者
kafkaTemplate.send(TOPIC_NAME, "test" +i).get();
5、批量消费消息
方式一:直接在配置文件中配置,这种方式,消费者的入参都必须是List<ConsumerRecord<?, ?>> list
@Component
public class MyKafkaConsumer {
@KafkaListener(topics = "lzhTest01", groupId = "zhTestGroup")
public void listenZhugeGroup(List<ConsumerRecord<?, ?>> list) {
for (ConsumerRecord<?, ?> consumerRecord : list) {
System.out.println(consumerRecord.key() + " " + consumerRecord.value());
}
}
@KafkaListener(topics = "lzhTest02", groupId = "zhTestGroup")
public void listenZhugeGroup(String message, Acknowledgment ack) {
System.out.println(message);
ack.acknowledge();
}
}
方式二:可能有些消费者就想一条一条的消费,有些消费者想批量消费
@Configuration
public class KafkaConfig {
@Autowired
KafkaAdmin kafkaAdmin;
@Autowired
KafkaProperties properties;
@Bean
public AdminClient adminClient() {
return AdminClient.create(kafkaAdmin.getConfig());
}
/**
* 批量消费配置
* @return
*/
@Bean
public KafkaListenerContainerFactory<?> batchFactory() {
ConcurrentKafkaListenerContainerFactory<String, String> factory = new ConcurrentKafkaListenerContainerFactory<>();
factory.setConsumerFactory(new DefaultKafkaConsumerFactory<>(this.properties.buildConsumerProperties()));
// 开启批量监听
factory.setBatchListener(true);
//设置提交偏移量的方式
factory.getContainerProperties().setAckMode(ContainerProperties.AckMode.MANUAL_IMMEDIATE);
// 多线程消费,设置为等于或小于topic的分区数,如果线程数大于分区数,多余的线程将一直空闲
// factory.setConcurrency(3);
return factory;
}
}
6、重置offset
earliest
当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,从头开始消费
latest
当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,消费新产生的该分区下的数据
none
topic各分区都存在已提交的offset时,从offset后开始消费;只要有一个分区不存在已提交的offset,则抛出异常
# 消费者换了组 或 offset失效了,该配置生效
# earliest当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,从头开始消费
auto-offset-reset: earliest
7、手动提交offset
只有设置了手动提交,且设置了ack-mode,消费者入参才能添加Acknowledgment ack,才能ack.acknowledge();手动提交事务
@KafkaListener(topics = "lzhTest01", groupId = "zhTestGroup")
public void listenZhugeGroup(List<ConsumerRecord<?, ?>> list, Acknowledgment ack) {
for (ConsumerRecord<?, ?> consumerRecord : list) {
System.out.println(consumerRecord.key() + " " + consumerRecord.value());
}
// 如果不提交,就会出现消息消费了,但是offset还是在之前的位置
// ack.acknowledge()后提交。如果消费了消息,还没提交,kafka挂了,因为没提交,offset没移动,会重复消费消息
// ack.acknowledge()先提交,再消费。如果提交了,然后消费失败了,就丢消息
ack.acknowledge();
}
8、操作topic
注入AdminClient
@Configuration
public class KafkaConfig {
@Autowired
KafkaAdmin kafkaAdmin;
@Bean
public AdminClient adminClient() {
return AdminClient.create(kafkaAdmin.getConfig());
}
}
topic工具类:
import org.apache.kafka.clients.admin.*;
import org.apache.kafka.common.KafkaFuture;
import org.apache.kafka.common.Node;
import org.apache.kafka.common.config.ConfigResource;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import java.util.*;
import java.util.concurrent.ExecutionException;
/**
* 主要功能包括:
*
* 创建Topic:createTopics(Collection<NewTopic> newTopics)
* 删除Topic:deleteTopics(Collection<String> topics)
* 显示所有Topic:listTopics()
* 查询Topic:describeTopics(Collection<String> topicNames)
* 查询集群信息:describeCluster()
* 查询ACL信息:describeAcls(AclBindingFilter filter)
* 创建ACL信息:createAcls(Collection<AclBinding> acls)
* 删除ACL信息:deleteAcls(Collection<AclBindingFilter> filters)
* 查询配置信息:describeConfigs(Collection<ConfigResource> resources)
* 修改配置信息:alterConfigs(Map<ConfigResource, Config> configs)
* 修改副本的日志目录:alterReplicaLogDirs(Map<TopicPartitionReplica, String> replicaAssignment)
* 查询节点的日志目录信息:describeLogDirs(Collection<Integer> brokers)
* 查询副本的日志目录信息:describeReplicaLogDirs(Collection<TopicPartitionReplica> replicas)
* 增加分区:createPartitions(Map<String, NewPartitions> newPartitions)
*/
@Component
public class KafkaAdminUtil {
@Autowired
private AdminClient adminClient;
/**
* 创建主题
*/
public CreateTopicsResult createTopic(String topic, int numPartitions) throws InterruptedException {
NewTopic newTopic = new NewTopic(topic, numPartitions, (short) 1);
return adminClient.createTopics(Arrays.asList(newTopic));
}
/**
* 查看主题
*/
public void selectTopicInfo(String topic) throws ExecutionException, InterruptedException {
DescribeTopicsResult result = adminClient.describeTopics(Arrays.asList(topic));
KafkaFuture<Map<String, TopicDescription>> all = result.all();
Map<String, TopicDescription> stringTopicDescriptionMap = all.get();
Set<String> set = stringTopicDescriptionMap.keySet();
for (String k : set) {
TopicDescription topicDescription = stringTopicDescriptionMap.get(k);
System.out.println("k: " + k + " ,v: " + topicDescription.toString() + "\n");
}
}
/**
* 删除主题
*/
public DeleteTopicsResult deleteTopic(String topic){
DeleteTopicsResult deleteTopicsResult = adminClient.deleteTopics(Arrays.asList(topic));
return deleteTopicsResult;
}
/**
* topic配置描述
*/
public void describeConfig() throws ExecutionException, InterruptedException {
DescribeConfigsResult ret = adminClient.describeConfigs(Collections.singleton(new ConfigResource(ConfigResource.Type.TOPIC, "batch_topic")));
Map<ConfigResource, Config> configs = ret.all().get();
for (Map.Entry<ConfigResource, Config> entry : configs.entrySet()) {
ConfigResource key = entry.getKey();
Config value = entry.getValue();
System.out.println(String.format("Resource type: %s, resource name: %s", key.type(), key.name()));
Collection<ConfigEntry> configEntries = value.entries();
for (ConfigEntry each : configEntries) {
System.out.println(each.name() + " = " + each.value());
}
}
}
/**
* 集群描述
*
* @throws ExecutionException
* @throws InterruptedException
*/
public void describeCluster() throws ExecutionException, InterruptedException {
DescribeClusterResult ret = adminClient.describeCluster();
System.out.println(String.format("Cluster id: %s, controller: %s", ret.clusterId().get(), ret.controller().get()));
System.out.println("Current cluster nodes info: ");
for (Node node : ret.nodes().get()) {
System.out.println(node);
}
Thread.sleep(1000);
}
/**
* 更新topic配置
*/
public void alterConfigs() throws ExecutionException, InterruptedException {
Config topicConfig = new Config(Arrays.asList(new ConfigEntry("cleanup.policy", "compact")));
adminClient.alterConfigs(Collections.singletonMap(
new ConfigResource(ConfigResource.Type.TOPIC, "batch_topic"), topicConfig)).all().get();
}
/**
* 删除指定主题
*/
public void deleteTopics() throws ExecutionException, InterruptedException {
KafkaFuture<Void> futures = adminClient.deleteTopics(Arrays.asList("batch_topic")).all();
futures.get();
}
/**
* 描述给定的主题
*/
public void describeTopics() throws ExecutionException, InterruptedException {
DescribeTopicsResult ret = adminClient.describeTopics(Arrays.asList("batch_topic", "__consumer_offsets"));
Map<String, TopicDescription> topics = ret.all().get();
for (Map.Entry<String, TopicDescription> entry : topics.entrySet()) {
System.out.println(entry.getKey() + " ===> " + entry.getValue());
}
}
/**
* 打印集群中的所有主题
*/
public void listAllTopics() throws ExecutionException, InterruptedException {
ListTopicsOptions options = new ListTopicsOptions();
// 包括内部主题,如_consumer_offsets
options.listInternal(true);
ListTopicsResult topics = adminClient.listTopics(options);
Set<String> topicNames = topics.names().get();
System.out.println("Current topics in this cluster: " + topicNames);
}
}
/**
* topic测试
*/
@RequestMapping("/topic/send")
public void topic() throws ExecutionException, InterruptedException {
// DeleteTopicsResult deleteTopicsResult = kafkaAdminUtil.deleteTopic(TOPIC_NAME);
CreateTopicsResult topic = kafkaAdminUtil.createTopic(TOPIC_NAME, 2);
Thread.sleep(100);
kafkaAdminUtil.selectTopicInfo(TOPIC_NAME);
}
Producer API
消息发送流程
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。
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。
生产者设置拦截器
拦截器一:
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
import java.util.Map;
/**
* @ClassName TimeInterceptor
* @Description 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。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 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。
* @Author liuzhihui
* @Date 15/1/2022 下午 9:06
* @Version 1.0
**/
public class TimeInterceptor implements ProducerInterceptor {
/**
* 获取配置信息和初始化数据时调用。
*/
@Override
public void configure(Map<String, ?> map) {
}
/**
* 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。
* @param producerRecord
* @return
*/
@Override
public ProducerRecord onSend(ProducerRecord producerRecord) {
// 需求:给数据加一个时间戳
long time = System.currentTimeMillis();
String value = (String) producerRecord.value();
return new ProducerRecord(producerRecord.topic(),producerRecord.partition()
,producerRecord.key(), time+","+value);
}
/**
* 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。
*/
@Override
public void onAcknowledgement(RecordMetadata recordMetadata, Exception e) {
}
/**
* producer关闭的时候,调用
*/
@Override
public void close() {
}
}
接下来使拦截器生效。
如果想拦截器仅针对部分消息生效,可以在onSend入参中,判断是不是想要发的topic
Kafka的重试机制
生成者重试
1、通过回调函数,retries
retries是生产者在每个分区尝试发送消息的最大次数。默认为0,表示不进行重试。如果设置大于0的值,则表示在发送失败后会重试指定的次数。
// 示例代码
Properties props = new Properties();
props.put("retries", 3);
重试机制的工作原理生产者在发送消息失败后,会根据配置的重试次数和重试时间间隔进行重试。
// 示例代码
producer.send(record, new Callback() {
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception != null) {
System.err.println("Exception occurred while sending message: " + exception);
producer.send(record, this);
} else {
System.out.println("Message sent to partition " + metadata.partition() + " with offset " + metadata.offset());
}
}
});
消费者重试
注意:这个重试机制不是kafka本身的,是spring-kafka包提供的机制。
消费失败会怎么样?当其中一个消息消费异常时,会不会卡住后续队列消息的消费?
在默认配置下,当消费异常会进行重试,重试多次后会跳过当前消息,继续进行后续消息的消费,不会一直卡在当前消息。
默认会重试多少次?
Kafka 消费者在默认配置下会进行最多 10 次 的重试,每次重试的时间间隔为 0,即立即进行重试。如果在 10 次重试后仍然无法成功消费消息,则不再进行重试,消息将被视为消费失败。
如何自定义重试次数以及时间间隔?
默认错误处理器的重试次数以及时间间隔是由 FixedBackOff 控制的,FixedBackOff 是 DefaultErrorHandler 初始化时默认的。所以自定义重试次数以及时间间隔,只需要在 DefaultErrorHandler 初始化的时候传入自定义的 FixedBackOff 即可。重新实现一个 KafkaListenerContainerFactory ,调用 setCommonErrorHandler 设置新的自定义的错误处理器就可以实现。
@Bean
public KafkaListenerContainerFactory kafkaListenerContainerFactory(ConsumerFactory<String, String> consumerFactory) {
ConcurrentKafkaListenerContainerFactory factory = new ConcurrentKafkaListenerContainerFactory();
// 自定义重试时间间隔以及次数
FixedBackOff fixedBackOff = new FixedBackOff(1000, 5);
factory.setCommonErrorHandler(new DefaultErrorHandler(fixedBackOff));
factory.setConsumerFactory(consumerFactory);
return factory;
}
如何在重试失败后进行告警?
自定义重试失败后逻辑,需要手动实现,以下是一个简单的例子,重写 DefaultErrorHandler 的 handleRemaining 函数,加上自定义的告警等操作。
@Slf4j
public class DelErrorHandler extends DefaultErrorHandler {
public DelErrorHandler(FixedBackOff backOff) {
super(null,backOff);
}
@Override
public void handleRemaining(Exception thrownException, List<ConsumerRecord<?, ?>> records, Consumer<?, ?> consumer, MessageListenerContainer container) {
super.handleRemaining(thrownException, records, consumer, container);
log.info("重试多次失败");
// 自定义操作
}
}
DefaultErrorHandler 只是默认的一个错误处理器,Spring Kafka 还提供了 CommonErrorHandler 接口。手动实现 CommonErrorHandler 就可以实现更多的自定义操作,有很高的灵活性。例如根据不同的错误类型,实现不同的重试逻辑以及业务逻辑等。
重试失败后的数据如何再次处理?
当达到最大重试次数后,数据会直接被跳过,继续向后进行。当代码修复后,如何重新消费这些重试失败的数据呢?
死信队列(Dead Letter Queue,简称 DLQ) 是消息中间件中的一种特殊队列。它主要用于处理无法被消费者正确处理的消息,通常是因为消息格式错误、处理失败、消费超时等情况导致的消息被"丢弃"或"死亡"的情况。
如果处理失败,或者超过一定的重试次数仍无法被成功处理,消息可以发送到死信队列中,而不是被永久性地丢弃。在死信队列中,可以进一步分析、处理这些无法正常消费的消息,以便定位问题、修复错误,并采取适当的措施。
@RetryableTopic 是 Spring Kafka 中的一个注解,它用于配置某个 Topic 支持消息重试,更推荐使用这个注解来完成重试。
// 重试 5 次,重试间隔 100 毫秒,最大间隔 1 秒
@RetryableTopic(
attempts = "5",
backoff = @Backoff(delay = 100, maxDelay = 1000)
)
@KafkaListener(topics = {KafkaConst.TEST_TOPIC}, groupId = "apple")
private void customer(String message) {
log.info("kafka customer:{}", message);
Integer n = Integer.parseInt(message);
if (n % 5 == 0) {
throw new RuntimeException();
}
System.out.println(n);
}
当达到最大重试次数后,如果仍然无法成功处理消息,消息会被发送到对应的死信队列中。对于死信队列的处理,既可以用 @DltHandler 处理,也可以使用 @KafkaListener 重新消费。
常见问题
1.Kafka 中的 ISR(InSyncRepli)、OSR(OutSyncRepli)、AR(AllRepli)代表什么?
ISR : 速率和leader相差低于10秒的follower的集合
OSR : 速率和leader相差大于10秒的follower
AR : 所有分区的follower
2.Kafka 中的 HW、LEO 等分别代表什么?
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。
3.Kafka 中是怎么体现消息顺序性的?
每个分区内,每条消息都有offset,所以只能在同一分区内有序,但不同的分区无法做到消息顺序性
4.Kafka 中的分区器、序列化器、拦截器是否了解?它们之间的处理顺序是什么?
拦截器>序列化器>分区器
5.Kafka 生产者客户端的整体结构是什么样子的?使用了几个线程来处理?分别是什么?
使用两个线程:
main线程和sender线程
main线程会依次经过拦截器,序列化器,分区器将数据发送到RecourdAccumlator(线程共享变量)
再由sender线程从RecourdAccumlator中拉取数据发送到kafka broker
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。
6.“消费组中的消费者个数如果超过 topic 的分区,那么就会有消费者消费不到数据”这句
话是否正确?
对的,超过分区数的消费者就不会再接收数据
7.消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset+1?
offset + 1
生产者发送数据offset是从0开始的
消费者消费的数据offset是从offset+1开始的
8.有哪些情形会造成重复消费?
先处理消息,再提交offset。因为可能处理了消息,但是因为kafka挂了或者其他原因,offset提交失败,导致消息重新消费
9.那些情景会造成消息漏消费?
先提交offset,再消费。如果提交了,然后消费失败了,就丢消息
10.当你使用 kafka-topics.sh 创建(删除)了一个 topic 之后,Kafka 背后会执行什么逻辑?
1)会在 zookeeper 中的/brokers/topics 节点下创建一个新的 topic 节点
如:/brokers/topics/first
2)触发 Controller 的监听程序
3)kafka Controller 负责 topic 的创建工作,并更新 metadata cache
11.topic 的分区数可不可以增加?如果可以怎么增加?如果不可以,那又是为什么?
可增; 通过获取当前可用分区,投入到新的生产环境中使用
12.topic 的分区数可不可以减少?如果可以怎么减少?如果不可以,那又是为什么?
不可减;先有的分区数据难以处理
13.Kafka 有内部的 topic 吗?如果有是什么?有什么所用?
__consumer_offsets:作用是保存 Kafka 消费者的位移信息
__transaction_state:用来存储事务日志消息
14.Kafka 分区分配的概念?
Kafka 有两种分配策略,一是 RoundRobin,一是 Range。
15.简述 Kafka 的日志目录结构?
每一个分区对应一个文件夹,命名为topic-0,topic-1,每个文件夹内有.index和.log文件
16.如果我指定了一个 offset,Kafka Controller 怎么查找到对应的消息?
通过二分查找法,找到index文件,扫描index文件,找到数据在log文件中的地址
17.聊一聊 Kafka Controller 的作用?
负责kafka集群的上下线工作,所有topic的副本分区分配和选举leader工作
18.Kafka 中有那些地方需要选举?这些地方的选举策略又有哪些?
在ISR中需要选择,选择策略为先到先得
19.失效副本是指什么?有那些应对措施?
失效副本为速率比leader相差大于10秒的follower
将失效的follower先提出ISR
等速率接近leader10秒内,再加进ISR
20.Kafka 的哪些设计让它有如此高的性能?
1.kafka是分布式的消息队列
2.对log文件进行了segment,并对segment建立了索引
3.(对于单节点)使用了顺序读写,速度可以达到600M/s
4.引用了zero拷贝,在os系统就完成了读写操作