hadoop生态圈，kafka详细部署教程

一站式大数据平台XSailboat简介--Hadoop、Hive、Flink、DataStudio、数据服务、API网关、认证中心、数据可视化、离线分析、实时计算、应用引擎等_OkGogooXSailboat的博客-CSDN博客

场景

        本场景是由XCloud150、XCloud151、XCloud152、XCloud153、XCloud154，合计5台服务器构成的hadoop生态圈。各个服务器均部署了zookeeper，XCloud150、XCloud151运行hadoop的namenode、resourcemanger等服务，其余三台服务器运行hadoop的datanode、nodemanager等服务。

        本文将基于该hadoop生态圈，在XCloud150、XCloud151、XCloud152、XCloud153服务器上部署kafka集群。

1、安装步骤

        注意：kafka集群的4台服务器均需执行以下安装操作。

        1）下载kafka安装包，如“kafka_2.13-3.0.0.tgz”，官网地址：Apache Kafka。

        2）将kafka的安装包拷贝到安装目录/xcloud下，解压。

         3）解压后，将解压目录重命名为kafka。

         4）在“/xcloud/kafka/config”目录下，修改server.properties配置文件。

         5）修改内容如下：

        broker.id：kafka集群的节点id，各个节点的id不可重复。

        port ：broker server服务端口，不配置时，默认9092。

        log.dirs：原位置在63行，注释掉重新写，或者直接在原来的位置修改

        注意：zookeeper.connect按上图配置时，kafka在zookeeper中的存储将存在多个顶级节点，如cluster、brokers、config等。但zookeeper下不仅有kafka，还有hadoop、hbase等软件的存储，这就导致了多个kafka的目录与其它软件的根目录同级别存在，如图：

         这样的结构不利于区分各软件的存储目录。所以就需要将多个kafka的存储目录放在一个根目录下，因此修改配置如下：

         效果：

         num.partitions : 每个主题的日志分区数，默认1。更多的分区允许更大的并行性，但这也会导致代理之间的文件更多。

         log.retention.hours ：日志保存时间。

        log.cleanup.polict=delete：超时处理策略

         在其它主机节点上，重复执行以上步骤。要注意的是，各个主机上的server.properties配置文件的broker.id不可重复。

        6）在各主机上，启动kafka集群。命令及输出如下：

cd /xcloud/kafka/bin # -daemon 以后台方式启动 ./kafka-server-start.sh  -daemon /xcloud/kafka/config/server.properties

 2、创建kafka主题

./kafka-topics.sh --create --topic test

./kafka-topics.sh --describe --topic test

​​​​​​​3、删除kafka主题

./kafka-topics.sh --delete --topic t_words --bootstrap-server localhost:9092

​​​​​​​4、kafka配置参数说明

参数	说明(解释)
broker.id =0	每一个broker在集群中的唯一表示，要求是正数。当该服务器的IP地址发生改变时，broker.id没有变化，则不会影响consumers的消息情况
log.dirs=/data/kafka-logs	kafka数据的存放地址，多个地址的话用逗号分割,多个目录分布在不同磁盘上可以提高读写性能。 如：  /data/kafka-logs-1，/data/kafka-logs-2
port =9092	broker server服务端口，默认9092
message.max.bytes =6525000	表示消息体的最大大小，单位是字节
num.network.threads =4	broker处理消息的最大线程数，一般情况下数量为cpu核数
num.io.threads =8	broker处理磁盘IO的线程数，数值为cpu核数2倍
background.threads =4	一些后台任务处理的线程数，例如过期消息文件的删除等，一般情况下不需要去做修改
queued.max.requests =500	等待IO线程处理的请求队列最大数，若是等待IO的请求超过这个数值，那么会停止接受外部消息，应该是一种自我保护机制。
host.name	broker的主机地址，若是设置了，那么会绑定到这个地址上，若是没有，会绑定到所有的接口上，并将其中之一发送到ZK，一般不设置
socket.send.buffer.bytes=100*1024	socket的发送缓冲区，socket的调优参数SO_SNDBUFF
socket.receive.buffer.bytes =100*1024	socket的接受缓冲区，socket的调优参数SO_RCVBUFF
socket.request.max.bytes =100*1024*1024	socket请求的最大数值，防止serverOOM，message.max.bytes必然要小于socket.request.max.bytes，会被topic创建时的指定参数覆盖
log.segment.bytes =1024*1024*1024	topic的分区是以一堆segment文件存储的，这个控制每个segment的大小，会被topic创建时的指定参数覆盖
log.roll.hours =24*7	这个参数会在日志segment没有达到log.segment.bytes设置的大小，也会强制新建一个segment会被 topic创建时的指定参数覆盖
log.cleanup.policy = delete	日志清理策略选择有：delete和compact主要针对过期数据的处理，或是日志文件达到限制的额度，会被 topic创建时的指定参数覆盖
log.retention.minutes=300 或 log.retention.hours=24	数据文件保留多长时间， 存储的最大时间超过这个时间，会根据log.cleanup.policy设置数据清除策略 log.retention.bytes和log.retention.minutes或log.retention.hours任意一个达到要求，都会执行删除
log.retention.bytes=-1	topic每个分区的最大文件大小，一个topic的大小限制 = 分区数*log.retention.bytes。-1没有大小限log.retention.bytes和log.retention.minutes任意一个达到要求，都会执行删除，会被topic创建时的指定参数覆盖
log.retention.check.interval.ms=5minutes	检查是否可以按 log.cleanup.policy 策略删除文件的周期
log.cleaner.enable=false	是否开启日志清理
log.cleaner.threads = 2	日志清理运行的线程数
log.cleaner.io.max.bytes.per.second=None	日志清理时候处理的最大大小
log.cleaner.dedupe.buffer.size =500*1024*1024	日志清理去重时候的缓存空间，在空间允许的情况下，越大越好
log.cleaner.io.buffer.size=512*1024	日志清理时候用到的IO块大小，一般不需要修改
log.cleaner.io.buffer.load.factor =0.9	日志清理中hash表的扩大因子，一般不需要修改
log.cleaner.backoff.ms =15000	检查是否处罚日志清理的间隔
log.cleaner.min.cleanable.ratio=0.5	日志清理的频率控制，越大意味着更高效的清理， 同时会存在一些空间上的浪费，会被topic创建时的指定参数覆盖
log.cleaner.delete.retention.ms =1day	对于压缩的日志保留的最长时间，也是客户端消费消息的最长时间，同log.retention.minutes的区别在于：一个控制未压缩数据，一个控制压缩后的数据。 会被topic创建时的指定参数覆盖
log.index.size.max.bytes =10*1024*1024	对于segment日志的索引文件大小限制，会被topic创建时的指定参数覆盖
log.index.interval.bytes =4096	当执行一个fetch操作后，需要一定的空间来扫描最近的offset大小，设置越大，代表扫描速度越快，但是也更好内存，一般情况下不需要搭理这个参数
log.flush.interval.messages=None 例如log.flush.interval.messages=1000 表示每当消息记录数达到1000时 flush一次数据到磁盘	log文件”sync”到磁盘之前累积的消息条数，因为磁盘IO操作是一个慢操作，但又是一个”数据可靠性"的必要手段，所以此参数的设置，需要在"数据可靠性"与"性能"之间做必要的权衡，如果此值过大，将会导致每次"fsync"的时间较长(IO阻塞)，如果此值过小，将会导致"fsync"的次数较多，这也意味着整体的client请求有一定的延迟。物理server故障，将会导致没有fsync的消息丢失。
log.flush.scheduler.interval.ms =3000	检查是否需要固化到硬盘的时间间隔
log.flush.interval.ms = None 例如：log.flush.interval.ms=1000 表示每间隔1000毫秒flush一次数据到磁盘	仅仅通过interval来控制消息的磁盘写入时机, 是不足的。此参数用于控制"fsync"的时间间隔, 如果消息量始终没有达到阀值，但是离上一次磁盘同步的时间间隔达到阀值，也将触发.
log.delete.delay.ms =60000	文件在索引中清除后保留的时间 一般不需要去修改
log.flush.offset.checkpoint.interval.ms =60000	控制上次固化硬盘的时间点，以便于数据恢复。 一般不需要去修改
auto.create.topics.enable =true	是否允许自动创建topic，若是false，就需要通过命令创建topic
default.replication.factor =1
num.partitions =1	每个topic的分区个数，若是在topic创建时候没有指定的话，会被topic创建时的指定参数覆盖
以下是kafka中Leader,replicas配置参数
controller.socket.timeout.ms =30000	partition leader与replicas之间通讯时，socket的超时时间
controller.message.queue.size=10	partition leader与replicas数据同步时，消息的队列尺寸
replica.lag.time.max.ms =10000	replicas响应partition leader的最长等待时间， 若是超过这个时间，就将replicas列入ISR(in-sync replicas)，并认为它是死的，不会再加入管理中
replica.lag.max.messages =4000	如果follower落后与leader太多，将会认为此follower [或者说partition relicas]已经失效。 通常,在follower与leader通讯时，因为网络延迟或者链接断开，总会导致replicas中消息同步滞后。 ##如果消息之后太多，leader将认为此follower网络延迟较大，或者消息吞吐能力有限，将会把此replicas迁移到其他follower中。 在broker数量较少，或者网络不足的环境中，建议提高此值。
replica.socket.timeout.ms=30*1000	follower与leader之间的socket超时时间
replica.socket.receive.buffer.bytes=64*1024	leader复制时候的socket缓存大小
replica.fetch.max.bytes =1024*1024	replicas每次获取数据的最大大小
replica.fetch.wait.max.ms =500	replicas同leader之间通信的最大等待时间，失败了会重试
replica.fetch.min.bytes =1	fetch的最小数据尺寸，如果leader中尚未同步的数据不足此值，将会阻塞,直到满足条件
num.replica.fetchers=1	leader进行复制的线程数，增大这个数值会增加follower的IO
replica.high.watermark.checkpoint.interval.ms =5000	每个replica 检查是否将最高水位进行固化的频率
controlled.shutdown.enable =false	是否允许控制器关闭broker ，若是设置为true，会关闭所有在这个broker上的leader，并转移到其他broker
controlled.shutdown.max.retries =3	控制器关闭的尝试次数
controlled.shutdown.retry.backoff.ms =5000	每次关闭尝试的时间间隔
leader.imbalance.per.broker.percentage =10	leader的不平衡比例，若是超过这个数值，会对分区进行重新的平衡
leader.imbalance.check.interval.seconds =300	检查leader是否不平衡的时间间隔
offset.metadata.max.bytes	客户端保留offset信息的最大空间大小
kafka中zookeeper参数配置
zookeeper.connect = localhost:2181	zookeeper集群的地址，可以是多个，多个之间用逗号分割 。如hostname1:port1,hostname2:port2
zookeeper.session.timeout.ms =6000	ZooKeeper的最大超时时间，就是心跳的间隔， 若是没有反映，那么认为已经死了，不易过大
zookeeper.connection.timeout.ms =6000	ZooKeeper的连接超时时间
zookeeper.sync.time.ms =2000	ZooKeeper集群中，leader和follower之间的同步时间间隔

​​​​​​​5、kafka集群扩展

        扩展Kafka集群，只需按照“安装步骤”章节里的操作，一步步执行即可。

        在修改配置文件的时候，从已经部署好的Kafka节点中复制相应的配置文件，然后把里面的broker id修改成全局唯一的。

        最后启动这个节点即可将它加入到现有Kafka集群中。

        注意：新添加的Kafka节点并不会自动地分配数据，所以无法分担集群的负载，除非我们新建一个topic，或者将已有topic的部分分区，手动迁移到新添加的Kafka节点上。

​​​​​​​6、kafka手动分区

        Kafka内部提供了相关的工具来重新分布某个topic的分区。

        查看集群中的所有主题。

        命令：./kafka-topics.sh --list -bootstrap-server 192.168.0.150:9092

         查看指定topic的分区的分布位置。

        命令：./kafka-topics.sh --topic test --describe -bootstrap-server 192.168.0.150:9092

         Kafka自带的kafka-reassign-partitions.sh工具来重新分布分区。该工具有三种使用模式：

1. generate模式，给定需要重新分配的Topic，自动生成reassign plan（并不执行）
2. execute模式，根据指定的reassign plan重新分配Partition
3. verify模式，验证重新分配Partition是否成功

        使用kafka-reassign-partitions.sh工具生成的reassign plan只是一个建议，方便，但不一定是我们想要的，所以我们可以自己编辑一个reassign plan，然后执行它。如：

{     "version": 1,     "partitions": [         {             "topic": "test",             "partition": 0,             "replicas": [                 3,                 0             ]         },         {             "topic": "iteblog",             "partition": 1,             "replicas": [                 0,                 4             ]         }     ] }

        将上面的json数据文件保存到result.json（文件自定义，文件格式也不一定要以json为结尾，只要保证内容是json即可） 文件中。

        执行分区计划，命令：

        ./kafka-reassign-partitions.sh

        -bootstrap-server 192.168.0.150:9092

        --reassignment-json-file result.json --execute

        验证分区计划是否执行成功，命令：

        ./kafka-reassign-partitions.sh

        -bootstrap-server 192.168.0.150:9092

        --reassignment-json-file result.json --verify

        查看指定topic的分区，是否按计划重新分布。

        命令：

        ./kafka-topics.sh --topic test --describe -bootstrap-server 192.168.0.150:9092

        参考资料：

​​​​​​​https://www.cnblogs.com/xionggeclub/p/9390037.html

 

Kafka系列之broker-list,bootstrap-server以及zookeeper_kafka boostrap是什么_lucasma.eth的博客-CSDN博客

7、 kafka常用命令

1）kafka查看使用的topic

./kafka-topics.sh --list -bootstrap-server 192.168.0.150:9092  

2）kafka查看使用消费组

bin/kafka-consumer-groups.sh --bootstrap-server 192.168.0.151:9092 --list  

3）kafka查看指定消费组下topic阻塞情况

kafka查看数据_Kafka 数据积压情况查看

bin/kafka-consumer-groups.sh --bootstrap-server 192.168.0.151:9092 --describe --group Group  

4）kafka查看制定topic下的数据

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.151:9092 --topic hospital --from-beginning

--from-beginning：表示从头开始接收数据

8、Kafka数据导入导出

1)    进入到.../kafka/bin目录，创建一个文件hospital.txt，随便初始化一些数据，如：

2)    在kafka中创建一个topic，名称是hospital，分区一个，副本1个（无备份）

bin/kafka-topics.sh --bootstrap-server 192.168.0.150:9092 --create --topic hospital --partitions 1 --replication-factor 1  

3)    消费者监听 hospital 主题

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.150:9092 --topic hospital --from-beginning

        该命令执行后，即打开了一个监听窗口，当执行后续的数据导入命令时，该窗口即可输出导入的数据。

4)    导入数据。另开一个终端窗口，将 hospital.txt 中的数据导入 kafka 的 hospital 主题。

bin/kafka-console-producer.sh --broker-list 192.168.0.150:9092 --topic hospital < hospital.txt  

5)    导出数据 导出数据到文件output.txt 到logs 目录下

bin/kafka-console-consumer.sh --bootstrap-server 192.168.0.150:9092 --topic hospital--from-beginning > logs/output.txt

一站式大数据平台XSailboat简介--Hadoop、Hive、Flink、DataStudio、数据服务、API网关、认证中心、数据可视化、离线分析、实时计算、应用引擎等_OkGogooXSailboat的博客-CSDN博客