Kafka基础

巨人之肩
164 阅读8分钟

重要的配置文件： /opt/module/kafka/config/server.properties

#broker的全局唯一编号，不能重复.一台kafka服务器就是一个broker
broker.id=0
#删除topic功能使能
delete.topic.enable=true
#kafka运行日志存放的路径 (log也是存放topic的位置)
log.dirs=/opt/module/kafka/logs
#segment文件保留的最长时间，超时将被删除 （默认7天)
log.retention.hours=168
#配置连接Zookeeper集群地址
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181
#文件大小达到1G后滚动.log文件,log文件以当前segment的第一条消息的offset命名
log.segment.bytes=1073741824

基础架构： consumer_group 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 一个topic的每个分区都有若干个副本，一个leader和若干个follower

启动集群： 依次在hadoop102、hadoop103、hadoop104节点上启动kafka ，指定配置文件 bin/kafka-server-start.sh -daemon config/server.properties

关闭集群： bin/kafka-server-stop.sh stop

kafka群起脚本略.

1.创建topic

bin/kafka-topics.sh --zookeeper hadoop102:2181 --create --replication-factor 3 --partitions 1 --topic first

  1. 生产者

    bin/kafka-console-producer.sh --topic first --broker-list hadoop102:9092

  2. 消费者(保存offset到zk或本地) /从头消费

    ①.bin/kafka-console-consumer.sh --topic first  --zookeeper hadoop102:2181 --from-beginning
②.bin/kafka-console-consumer.sh --topic first  --bootstrap-server  hadoop102:9092  （0.9版本后维护到本地）

存到本地，kafka的log文件下会有50个文件，代表50个分区，topic名是 _consumer_offset-，消费者消费数据时，会将offset写入_consumer_offset-的topic里，相当于这个topic的生产者

4.查看当前服务器中的所有topic

bin/kafka-topics.sh --zookeeper hadoop102:2181 --list

5.查看某个Topic的详情

bin/kafka-topics.sh --zookeeper hadoop102:2181 --describe --topic first

6.删除Topic

bin/kafka-topics.sh --delete --topic gx_topic --zookeeper hadoop102:2181

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 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。 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

生产者分区策略

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

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

1）副本数据同步策略 1.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 2.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producer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

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

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）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 （2）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，就可以重新加入ISR了

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

Kafka消费者

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，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。 2）分区分配策略 RoundRobin 前提：一个consumer group中有多个consumer订阅的主题是一样的， 因为roundrobin默认会把消费者组订阅的所有topic当做一个整体轮询给到所有的消费者，这样某些消费者可能会消费到他没订阅的topic的partition Range 以topic为单位分配分区，是kafka默认的消费者分区策略

offset的维护 Kafka 0.9版本之前，consumer默认将offset保存在Zookeeper中，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

维护在zk时， get /consumers/消费者组/offsets/topic名/partition号 （gtp）

维护在本地，修改配置文件consumer.properties exclude.internal.topics=false

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\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

消费者组案例 修改/opt/module/kafka/config/consumer.properties配置文件中的group.id属性为任意组名

bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first --consumer.config config/consumer.properties （指定配置文件）

Kafka 高效读写数据 顺序写磁盘 零复制技术(linux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

Kafka API

ProducerConfig ConsumerConfig CommonClientConfig

默认分区器 DefaultPartitioner

//byte[] keyBytes和 byte[] valueBytes是key，value序列化后得到的字节数组

 public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
if (keyBytes == null) {
    ...
    轮询
    // no partitions are available, give a non-available partition
    return Utils.toPositive(nextValue) % numPartitions;
} else {
            // hash the keyBytes to choose a partition
            return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;
        }

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

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，都有可能会造成数据的漏消费或者重复消费。先提交offset后消费，有可能造成数据的漏消费；而先消费后提交offset，有可能会造成数据的重复消费

自定义存储offset

offset的维护是相当繁琐的，因为需要考虑到消费者的Rebalace。 当有新的消费者加入消费者组、已有的消费者推出消费者组或者所订阅的主题的分区发生变化，就会触发到分区的重新分配，重新分配的过程叫做Rebalance。 消费者发生Rebalance之后，每个消费者消费的分区就会发生变化。因此消费者要首先获取到自己被重新分配到的分区，并且定位到每个分区最近提交的offset位置继续消费

拦截器略.

avatar
文章
阅读
粉丝