KafKa学习笔记
（1）什么是Kafka
①什么是消息队列
消息队列中间件就是用来存储消息的软件（组件）。举个例子来理解，为了分析网站的用户行为，我们需要记录用户的访问日志。这些一条条的日志，可以看成是一条条的消息，我们可以将它们保存到消息队列中。将来有一些应用程序需要处理这些日志，就可以随时将这些消息取出来处理。目前市面上的消息队列有很多，例如：Kafka、RabbitMQ、ActiveMQ、RocketMQ、ZeroMQ等。以下是两种模式：
以下是KafKa的应用场景：
（2）Kafka的一些核心概念
①broker
②zookeeper（KafKa正在去Zookeeper）
（1）ZK用来管理和协调broker，存储了Kafka的元数据（例如：有多少topic、partition、consumer）
（2）ZK主要用于通知生产者和消费者Kafka集群中有新的broker加入、或者Kafka集群中出现故障的broker。
③生产者和消费者
producer（生产者）生产者负责将数据推送给broker的topic
consumer（消费者） 消费者负责从broker的topic中拉取数据，并自己进行处理
④主题和分区
Topic（主题）是Kafka中最核心的概念之一，可以理解为消息的类别或分类
1 分区（Partitions）：每个Topic可以被分成多个分区，这是Kafka实现横向扩展和高并发的关键
2 消息顺序保证; 在单个分区内：消息是有序的（先进先出），跨分区的话消息顺序不保证
3 持久化存储：消息会持久化到磁盘，即使消费者离线，回来还能继续消费。
⑤副本
⑥Offset偏移量
⑦Kafka生产者幂等性与事务
（1）Kafka幂等性：生产者发送消息时，即使重复发送，Broker也只会存储一次。
（2）Kafka事务：2017年Kafka 0.11.0.0引入的新特性。类似于数据库的事务。Kafka事务指的是生产者生产消息以及消费者提交offset的操作可以在一个原子操作中，要么都成功，要么都失败。
（3）Kafka的一些命令
#!/bin/bash
# Kafka常用命令大全
# 文件名: kafka_commands.sh# 1. 创建Topic
bin/kafka-topics.sh --create --bootstrap-server 192.168.10.102:9092 --partitions 3 --replication-factor 1 --topic my-topic# 2. 查看所有Topic
bin/kafka-topics.sh --list --bootstrap-server 192.168.10.102:9092# 3. 查看Topic详情
bin/kafka-topics.sh --describe --bootstrap-server 192.168.10.102:9092 --topic my-topic# 4. 删除Topic
bin/kafka-topics.sh --delete --bootstrap-server 192.168.10.102:9092 --topic my-topic# 5. 修改Topic分区数
bin/kafka-topics.sh --alter --bootstrap-server 192.168.10.102:9092 --partitions 5 --topic my-topic# 6. 启动控制台生产者
bin/kafka-console-producer.sh --broker-list 192.168.10.102:9092 --topic my-topic# 7. 启动控制台消费者（从开始消费）
bin/kafka-console-consumer.sh --bootstrap-server 192.168.10.102:9092 --topic my-topic --from-beginning# 8. 消费者（只消费新消息）
bin/kafka-console-consumer.sh --bootstrap-server 192.168.10.102:9092 --topic my-topic# 9. 消费者（带key显示）
bin/kafka-console-consumer.sh --bootstrap-server 192.168.10.102:9092 --topic my-topic --property print.key=true --property key.separator=" : " --from-beginning# 10. 查看所有消费者组
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.10.102:9092 --list# 11. 查看消费者组详情
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.10.102:9092 --describe --group my-consumer-group# 12. 重置消费者偏移量（到最早）
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.10.102:9092 --group my-consumer-group --reset-offsets --to-earliest --execute --topic my-topic# 13. 重置到最新位置
bin/kafka-consumer-groups.sh --bootstrap-server 192.168.10.102:9092 --group my-consumer-group --reset-offsets --to-latest --execute --topic my-topic# 14. 查看Topic消息数量
bin/kafka-run-class.sh kafka.tools.GetOffsetShell --broker-list 192.168.10.102:9092 --topic my-topic --time -1# 15. 查看Broker配置
bin/kafka-configs.sh --bootstrap-server 192.168.10.102:9092 --entity-type brokers --entity-name 0 --describe# 16. 查看Topic配置
bin/kafka-configs.sh --bootstrap-server 192.168.10.102:9092 --entity-type topics --entity-name my-topic --describe# 17. 查看集群ID
bin/kafka-cluster.sh --bootstrap-server 192.168.10.102:9092 --cluster-id# 18. 查看Broker信息
bin/zookeeper-shell.sh localhost:2181 ls /brokers/ids# 19. 查看Topic在Zookeeper中的信息
bin/zookeeper-shell.sh localhost:2181 ls /brokers/topics# 20. 生产者性能测试
bin/kafka-producer-perf-test.sh --topic test-perf --num-records 1000000 --record-size 1000 --throughput -1 --producer-props bootstrap.servers=192.168.10.102:9092# 21. 消费者性能测试
bin/kafka-consumer-perf-test.sh --topic test-perf --bootstrap-server 192.168.10.102:9092 --messages 1000000
（4）Kafka Java API开发
生产者程序开发
- 创建连接
- bootstrap.servers：Kafka的服务器地址
- acks：表示当生产者生产数据到Kafka中，Kafka中会以什么样的策略返回
- key.serializer：Kafka中的消息是以key、value键值对存储的，而且生产者生产的消息是需要在网络上传到的，这里指定的是StringSerializer方式，就是以字符串方式发送（将来还可以使用其他的一些序列化框架：Google ProtoBuf、Avro）
- value.serializer：同上
- 创建一个生产者对象KafkaProducer
- 调用send方法发送消息（ProducerRecor，封装是key-value键值对）
- 调用Future.get表示等带服务端的响应
- 关闭生产者
public class KafkaProducerTest {public static void main(String[] args) throws ExecutionException, InterruptedException {// 1. 创建用于连接Kafka的Properties配置Properties props = new Properties();props.put("bootstrap.servers", "node1.itcast.cn:9092");props.put("acks", "all");props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");// 2. 创建一个生产者对象KafkaProducerKafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(props);// 3. 发送1-100的消息到指定的topic中for(int i = 0; i < 100; ++i) {// 构建一条消息，直接new ProducerRecordProducerRecord<String, String> producerRecord = new ProducerRecord<>("test", null, i + "");Future<RecordMetadata> future = kafkaProducer.send(producerRecord);// 调用Future的get方法等待响应future.get();System.out.println("第" + i + "条消息写入成功！");}// 4.关闭生产者kafkaProducer.close();}
}
PS：代码类的详解
(1)KafkaProducer:KafkaProducer 是 Kafka 的 Java 客户端生产者类，用于向 Kafka 集群发送消息
KafkaProducer<String, String> 中的两个 String 分别代表：Key的类型,Value的类型Key：决定消息发送到哪个分区,相同Key的消息会被发送到同一分区，保证顺序性便于按Key进行数据处理和聚合Value:实际消息内容：要传递的业务数据(2)ProducerRecord ：Kafka 生产者用来封装要发送的消息的核心类，它包含了消息的所有元数据和内容。public class ProducerRecord<K, V> {private final String topic; // 目标Topicprivate final Integer partition; // 指定分区（可选）private final K key; // 消息Keyprivate final V value; // 消息Valueprivate final Long timestamp; // 时间戳（可选）private final Iterable<Header> headers; // 消息头（可选）
}以下是最基本的创建ProducerRecord的方法:
// Key用于决定消息去往哪个分区
ProducerRecord<String, String> record1 = new ProducerRecord<>("orders", // topic"user-123", // Key: 用户ID ← 第一个String"订单创建: order-001" // Value: 消息内容
);ProducerRecord<String, String> record2 = new ProducerRecord<>("orders", // topic"user-456", // 不同Key，可能去往不同分区"订单创建: order-002" // Value: 消息内容
);
再接下来是一个经典的应用场景日志收集：
// Key: 服务器名称, Value: 日志内容
ProducerRecord<String, String> record = new ProducerRecord<>("app-logs","web-server-01", // ← 按服务器分区"ERROR: Database connection failed"
);(3)Future 是 Java 并发编程中一个极其重要的接口，它代表一个异步计算的结果
(4)RecordMetadata 是 Kafka 生产者发送消息后返回的元数据信息，它包含了消息在 Kafka 集群中的存储详情。
消费者程序开发
- group.id：消费者组的概念，可以在一个消费组中包含多个消费者。如果若干个消费者的group.id是一样的，表示它们就在一个组中，一个组中的消费者是共同消费Kafka中topic的数据。
- Kafka是一种拉消息模式的消息队列，在消费者中会有一个offset，表示从哪条消息开始拉取数据
- kafkaConsumer.poll：Kafka的消费者API是一批一批数据的拉取
/*** 消费者程序** 1.创建Kafka消费者配置* Properties props = new Properties();* props.setProperty("bootstrap.servers", "node1.itcast.cn:9092");* props.setProperty("group.id", "test");* props.setProperty("enable.auto.commit", "true");* props.setProperty("auto.commit.interval.ms", "1000");* props.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");* props.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");** 2.创建Kafka消费者* 3.订阅要消费的主题* 4.使用一个while循环，不断从Kafka的topic中拉取消息* 5.将将记录（record）的offset、key、value都打印出来*/
public class KafkaConsumerTest {public static void main(String[] args) {// 1.创建Kafka消费者配置Properties props = new Properties();props.setProperty("bootstrap.servers", "node1.itcast.cn:9092");// 消费者组（可以使用消费者组将若干个消费者组织到一起），共同消费Kafka中topic的数据// 每一个消费者需要指定一个消费者组，如果消费者的组名是一样的，表示这几个消费者是一个组中的props.setProperty("group.id", "test");// 自动提交offsetprops.setProperty("enable.auto.commit", "true");// 自动提交offset的时间间隔props.setProperty("auto.commit.interval.ms", "1000");// 拉取的key、value数据的props.setProperty("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");props.setProperty("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");// 2.创建Kafka消费者KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(props);// 3. 订阅要消费的主题// 指定消费者从哪个topic中拉取数据kafkaConsumer.subscribe(Arrays.asList("test"));// 4.使用一个while循环，不断从Kafka的topic中拉取消息while(true) {// Kafka的消费者一次拉取一批的数据ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(5));// 5.将将记录（record）的offset、key、value都打印出来for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {// 主题String topic = consumerRecord.topic();// offset：这条消息处于Kafka分区中的哪个位置long offset = consumerRecord.offset();// key\valueString key = consumerRecord.key();String value = consumerRecord.value();System.out.println("topic: " + topic + " offset:" + offset + " key:" + key + " value:" + value);}}}
}消费者的那些类可以类比生产者
生产者使用异步方式生产消息
- 使用匿名内部类实现Callback接口，该接口中表示Kafka服务器响应给客户端，会自动调用onCompletion方法
- metadata：消息的元数据（属于哪个topic、属于哪个partition、对应的offset是什么）
- exception：这个对象Kafka生产消息封装了出现的异常，如果为null，表示发送成功，如果不为null，表示出现异常。
// 二、使用异步回调的方式发送消息
ProducerRecord<String, String> producerRecord = new ProducerRecord<>("test", null, i + "");
kafkaProducer.send(producerRecord, new Callback() {@Overridepublic void onCompletion(RecordMetadata metadata, Exception exception) {// 1. 判断发送消息是否成功if(exception == null) {// 发送成功// 主题String topic = metadata.topic();// 分区idint partition = metadata.partition();// 偏移量long offset = metadata.offset();System.out.println("topic:" + topic + " 分区id：" + partition + " 偏移量：" + offset);}else {// 发送出现错误System.out.println("生产消息出现异常！");// 打印异常消息System.out.println(exception.getMessage());// 打印调用栈System.out.println(exception.getStackTrace());}}
});
Kafka中的分区副本机制
生产者的分区写入策略
- 轮询（按照消息尽量保证每个分区的负载）策略，消息会均匀地分布到每个partition
- 写入消息的时候，key为null的时候，默认使用的是轮询策略
- 随机策略（不使用）
- 按key写入策略，key.hash() % 分区的数量
- 自定义分区策略（类似于MapReduce指定分区）
乱序问题
- 在Kafka中生产者是有写入策略，如果topic有多个分区，就会将数据分散在不同的partition中存储
- 当partition数量大于1的时候，数据（消息）会打散分布在不同的partition中
- 如果只有一个分区，消息是有序的
消费组Consumer Group Rebalance机制
- 再均衡：在某些情况下，消费者组中的消费者消费的分区会产生变化，会导致消费者分配不均匀（例如：有两个消费者消费3个，因为某个partition崩溃了，还有一个消费者当前没有分区要削峰），Kafka Consumer Group就会启用rebalance机制，重新平衡这个Consumer Group内的消费者消费的分区分配。
- 触发时机
- 消费者数量发生变化
- 某个消费者crash
- 新增消费者
- topic的数量发生变化
- 某个topic被删除
- partition的数量发生变化
- 删除partition
- 新增partition
- 消费者数量发生变化
- 不良影响
- 发生rebalance，所有的consumer将不再工作，共同来参与再均衡，直到每个消费者都已经被成功分配所需要消费的分区为止（rebalance结束）
消费者的分区分配策略
分区分配策略：保障每个消费者尽量能够均衡地消费分区的数据，不能出现某个消费者消费分区的数量特别多，某个消费者消费的分区特别少
- Range分配策略（范围分配策略）：Kafka默认的分配策略
- n：分区的数量 / 消费者数量
- m：分区的数量 % 消费者数量
- 前m个消费者消费n+1个分区
- 剩余的消费者消费n个分区
- RoundRobin分配策略（轮询分配策略）
- 消费者挨个分配消费的分区
- Striky粘性分配策略
- 在没有发生rebalance跟轮询分配策略是一致的
- 发生了rebalance，轮询分配策略，重新走一遍轮询分配的过程。而粘性会保证跟上一次的尽量一致，只是将新的需要分配的分区，均匀的分配到现有可用的消费者中即可
- 减少上下文的切换
副本的ACK机制
producer是不断地往Kafka中写入数据，写入数据会有一个返回结果，表示是否写入成功。这里对应有一个ACKs的配置。
- acks = 0：生产者只管写入，不管是否写入成功，可能会数据丢失。性能是最好的
- acks = 1：生产者会等到leader分区写入成功后，返回成功，接着发送下一条
- acks = -1/all：确保消息写入到leader分区、还确保消息写入到对应副本都成功后，接着发送下一条，性能是最差的
根据业务情况来选择ack机制，是要求性能最高，一部分数据丢失影响不大，可以选择0/1。如果要求数据一定不能丢失，就得配置为-1/all。
分区中是有leader和follower的概念，为了确保消费者消费的数据是一致的，只能从分区leader去读写消息，follower做的事情就是同步数据，Backup。
高级API（High-Level API）、低级API（Low-Level API）
- 高级API就是直接让Kafka帮助管理、处理分配、数据
- offset存储在ZK中
- 由kafka的rebalance来控制消费者分配的分区
- 开发起来比较简单，无需开发者关注底层细节
- 无法做到细粒度的控制
- 低级API：由编写的程序自己控制逻辑
- 自己来管理Offset，可以将offset存储在ZK、MySQL、Redis、HBase、Flink的状态存储
- 指定消费者拉取某个分区的数据
- 可以做到细粒度的控制
- 原有的Kafka的策略会失效，需要我们自己来实现消费机制
Kafka原理
leader和follower
- Kafka中的leader和follower是相对分区有意义，不是相对broker
- Kafka在创建topic的时候，会尽量分配分区的leader在不同的broker中，其实就是负载均衡
- leader职责：读写数据
- follower职责：同步数据、参与选举（leader crash之后，会选举一个follower重新成为分区的leader
- 注意和ZooKeeper区分
- ZK的leader负责读、写，follower可以读取
- Kafka的leader负责读写、follower不能读写数据（确保每个消费者消费的数据是一致的），Kafka一个topic有多个分区leader，一样可以实现数据操作的负载均衡
AR\ISR\OSR
- AR表示一个topic下的所有副本
- ISR：In Sync Replicas，正在同步的副本（可以理解为当前有几个follower是存活的）
- OSR：Out of Sync Replicas，不再同步的副本
- AR = ISR + OSR
leader选举
-
Controller：controller是kafka集群的老大，是针对Broker的一个角色
- Controller是高可用的，是用过ZK来进行选举
-
Leader：是针对partition的一个角色
- Leader是通过ISR来进行快速选举
-
如果Kafka是基于ZK来进行选举，ZK的压力可能会比较大。例如：某个节点崩溃，这个节点上不仅仅只有一个leader，是有不少的leader需要选举。通过ISR快速进行选举。
-
leader的负载均衡
- 如果某个broker crash之后，就可能会导致partition的leader分布不均匀，就是一个broker上存在一个topic下不同partition的leader
- 通过以下指令，可以将leader分配到优先的leader对应的broker，确保leader是均匀分配的
bin/kafka-leader-election.sh --bootstrap-server node1.itcast.cn:9092 --topic test --partition=2 --election-type preferred
Kafka读写流程
- 写流程
- 通过ZooKeeper找partition对应的leader，leader是负责写的
- producer开始写入数据
- ISR里面的follower开始同步数据，并返回给leader ACK
- 返回给producer ACK
- 读流程
- 通过ZooKeeper找partition对应的leader，leader是负责读的
- 通过ZooKeeper找到消费者对应的offset
- 然后开始从offset往后顺序拉取数据
- 提交offset（自动提交——每隔多少秒提交一次offset、手动提交——放入到事务中提交）
Kafka的物理存储
- Kafka的数据组织结构
- topic
- partition
- segment
- .log数据文件
- .index（稀疏索引）
- .timeindex（根据时间做的索引）
- 深入了解读数据的流程
- 消费者的offset是一个针对partition全局offset
- 可以根据这个offset找到segment段
- 接着需要将全局的offset转换成segment的局部offset
- 根据局部的offset，就可以从（.index稀疏索引）找到对应的数据位置
- 开始顺序读取
消息传递的语义性
Flink里面有对应的每种不同机制的保证，提供Exactly-Once保障（二阶段事务提交方式）
- At-most once：最多一次（只管把数据消费到，不管有没有成功，可能会有数据丢失）
- At-least once：最少一次（有可能会出现重复消费）
- Exactly-Once：仅有一次（事务性性的保障，保证消息有且仅被处理一次）
Kafka的消息不丢失
- broker消息不丢失：因为有副本relicas的存在，会不断地从leader中同步副本，所以，一个broker crash，不会导致数据丢失，除非是只有一个副本。
- 生产者消息不丢失：ACK机制（配置成ALL/-1）、配置0或者1有可能会存在丢失
- 消费者消费不丢失：重点控制offset
- At-least once：一种数据可能会重复消费
- Exactly-Once：仅被一次消费
数据积压
- 数据积压指的是消费者因为有一些外部的IO、一些比较耗时的操作（Full GC——Stop the world），就会造成消息在partition中一直存在得不到消费，就会产生数据积压
- 在企业中，我们要有监控系统，如果出现这种情况，需要尽快处理。虽然后续的Spark Streaming/Flink可以实现背压机制，但是数据累积太多一定对实时系统它的实时性是有说影响的
数据清理&配额限速
- 数据清理
- Log Deletion（日志删除）：如果消息达到一定的条件（时间、日志大小、offset大小），Kafka就会自动将日志设置为待删除（segment端的后缀名会以 .delete结尾），日志管理程序会定期清理这些日志
- 默认是7天过期
- Log Compaction（日志合并）
- 如果在一些key-value数据中，一个key可以对应多个不同版本的value
- 经过日志合并，就会只保留最新的一个版本
- Log Deletion（日志删除）：如果消息达到一定的条件（时间、日志大小、offset大小），Kafka就会自动将日志设置为待删除（segment端的后缀名会以 .delete结尾），日志管理程序会定期清理这些日志
- 配额限速
- 可以限制Producer、Consumer的速率
- 防止Kafka的速度过快，占用整个服务器（broker）的所有IO资源