kafka
kafka
kafka的介绍
1.Apache Kafka是一个开源消息系统，由Scala写成。是由Apache软件基金会开发的一个开源消息系统项目。
2. Kafka最初是由LinkedIn开发，并于2011年初开源。2012年10月从Apache Incubator毕业。该项目的目标是为处理实时数据提供一个统一、高通量、低等待的平台。
3.Kafka是一个分布式消息队列：生产者、消费者的功能。它提供了类似于JMS的特性，但是在设计实现上完全不同，此外它并不是JMS规范的实现。
4. Kafka对消息保存时根据Topic进行归类，发送消息者称为Producer,消息接受者称为Consumer,此外kafka集群有多个kafka实例组成，每个实例(server)成为broker。
5. 无论是kafka集群，还是producer和consumer都依赖于zookeeper集群保存一些meta信息，来保证系统可用性
kafka与activeMQ的区别
传统的消息队列基于pub与sub的过程，kafka是一种全新的概念，基于push与pull的过程
kafka的架构模型
Producer ：生产者，主要是用于生产我们的数据，与我们activeMQ的生产者类似，数据源主要有flume等
topic：某一类消息的集合，可以总结为这个topic就是我们指定的某一类消息
broker：说白了就是kafka当中的一台台的服务器，叫做broker，也就是我们kafka集群当中一个个的节点
partition：分区的概念，与我们hadoop当中的分区类似，一台服务器存不下我们的所有的消息，所以把消息拆成一个个的分区，分开存放到多台机器上
segment：一个topic有多个分区，一个分区有多个segment，segment就是一个个的日志文件，一个segment由.log于.index两个文件
.log：我们的日志文件
.index：存放我们的偏移量，以及记录我们的消息的信息，索引我们的.log文件，保证我们查找消息快速
zookeeper：主要记录我们kafka集群的一些元数据信息
consumer：消费者，类似于我们activeMQ当中的消费者一样的作用，也是通过指定某一类topic进行消费
kafka当中的消费组的概念
一个partition只能被一个组里面的一个线程消费
一个partition可以被多个组进行消费
offset偏移量：记录我们消费的起始值，也就是说每次我们消费完数据之后，都要更新offset，告诉我们的kafka集群，我消费到哪里来了，下一次来继续上一次的消费，避免造成重复消费的问题
这个offset的记录问题：在kafka当中有两种消费模式，一种是快速消费，这种方式会把我们的offset记录到zookeeper当中去，一种是慢速消费，这种方式会把offset记录到kafka文件当中去，默认使用快速消费
kafka的安装与使用
时间同步：
crontab -e
*/1 * * * * /usr/sbin/ntpdate us.pool.ntp.org;
cdh提供了spark版本，但是spark版本被阉割了一部分功能，sparksql给阉割掉了，如果需要用sparkSQL，需要自己重新编译spark的cdh源码
kafka的下载地址
第一步：下载上传kafka压缩包
第二步：解压kafka压缩包
tar -zxvf kafka_2.11-1.0.0.tgz -C ../servers/
第三步：更改kafka的配置
第一台机器更改配置
broker.id=0
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/export/servers/kafka2.11/logs
num.partitions=2
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.flush.interval.messages=10000
log.flush.interval.ms=1000
log.retention.hours=168
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=node01:2181,node02:2181,node03:2181
zookeeper.connection.timeout.ms=6000
group.initial.rebalance.delay.ms=0
delete.topic.enable=true
host.name=node01
第二台机器更改配置
broker.id=1
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/export/servers/kafka_2.11-1.0.0/logs
num.partitions=2
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.flush.interval.messages=10000
log.flush.interval.ms=1000
log.retention.hours=168
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=node01:2181,node02:2181,node03:2181
zookeeper.connection.timeout.ms=6000
group.initial.rebalance.delay.ms=0
delete.topic.enable=true
host.name=node02
第三台机器更改配置
broker.id=2
num.network.threads=3
num.io.threads=8
socket.send.buffer.bytes=102400
socket.receive.buffer.bytes=102400
socket.request.max.bytes=104857600
log.dirs=/export/servers/kafka_2.11-1.0.0/logs
num.partitions=2
num.recovery.threads.per.data.dir=1
offsets.topic.replication.factor=1
transaction.state.log.replication.factor=1
transaction.state.log.min.isr=1
log.flush.interval.messages=10000
log.flush.interval.ms=1000
log.retention.hours=168
log.segment.bytes=1073741824
log.retention.check.interval.ms=300000
zookeeper.connect=node01:2181,node02:2181,node03:2181
zookeeper.connection.timeout.ms=6000
group.initial.rebalance.delay.ms=0
delete.topic.enable=true
host.name=node03
kafka的启动
nohup bin/kafka-server-start.sh config/server.properties > /dev/null 2>&1 &
nohup 后台启动命令一般与& 搭配使用
/dev/null linux当中的一个类似于黑洞的东西，任何文件或者数据丢进去都会丢失找不到
2>&1 kafka启动时候的标准日志以及错误日志
kafka当中一些命令行的使用
kafka当中创建topic
./kafka-topics.sh --create --partitions 3 --replication-factor 2 --topic test --zookeeper node01:2181,node02:2181,node03:2181
kafka当中生产消息
./kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic test
kafka当中的消息的消费
./kafka-console-consumer.sh --bootstrap-server node01:9092,node02:9092,node03:9092 --from-beginning --topic test
kafka当中的API
第一步：导入jar包的坐标
<dependencies>
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>0.11.0.1</version>
</dependency>
</dependencies>
第二步：生产者实例代码
public class KafkaProducerStudy {
//psvm 快捷键创建main方法
public static void main(String[] args) {
Properties props = new Properties(); //alt + enter 错误提示
props.put("bootstrap.servers", "node01:9092,node02:9092,node03:9092");
props.put("acks", "all"); //ack的取值，可以有三个 1 ， 0 ， -1
props.put("retries", 0);
props.put("batch.size", 16384);
props.put("linger.ms", 1);
props.put("buffer.memory", 33554432);
//如果需要自定义分区，一定要记得手动指定我们的分区类
props.put("partitioner.class", "cn.itcast.partition.MyOwnPartitioner");
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
Producer<String, String> producer = new KafkaProducer<String,String>(props);
for (int i = 0; i < 100; i++){
// new ProducerRecord<String,String>(); //ProducerRecord 有很多构造器，最简单的一个，就是两个参数的，第一个参数表示topic的名字，第二个参数表示我们需要放松的数据
//通过指定分区来进行我们的数据划分
// ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", 2, null, i + "helloworld");
//注意，如果通过key的hash取值来进行分区，那么key的取值，一定要变动，如果不变动，所有的数据都去了一个分区，就会造成数据倾斜
// ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", "1", i + "helloworld");
//没有给定key，也没有指定分区号，通过轮询的方式来进行分区
ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", i + "helloworld");
producer.send(record);
}
producer.close();
}
}
第三步：消费者实例代码
public class KafkaConsumerStudy {
public static void main(String[] args) {
Properties props = new Properties();
props.put("bootstrap.servers", "node01:9092,node02:9092,node03:9092");
props.put("group.id", "yun04");//指定我们的消费组
props.put("enable.auto.commit", "true");//允许自动提交我们的offset 偏移量 记录我们的消费的数据在哪一条，在kafka当中，先提交offset偏移量，再进行消费
props.put("auto.commit.interval.ms", "1000");//指定每秒钟提交我们的offset
props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
KafkaConsumer<String, String> consumer = new KafkaConsumer<String,String>(props);
consumer.subscribe(Arrays.asList("test"));// 定于我们哪一类主题
while (true) {
ConsumerRecords<String, String> records = consumer.poll(100);//通过poll主动拉取数据//meiyou pull
for (ConsumerRecord<String, String> record : records)
// System.out.println("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
}
}
kafka当中的分区策略
第一种分区策略：发送消息的时候没有给定key值，通过手动指定分区号的方式来进行分区
//通过指定分区来进行我们的数据划分
// ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", 2, null, i + "helloworld");
第二种分区策略：通过我们的key的hash取值来进行分区
//注意，如果通过key的hash取值来进行分区，那么key的取值，一定要变动，如果不变动，所有的数据都去了一个分区，就会造成数据倾斜
// ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", "1", i + "helloworld");
第三种分区策略：没有指定分区，也没有给key，就直接轮询的方式来进行分区
//没有给定key，也没有指定分区号，通过轮询的方式来进行分区
ProducerRecord<String, String> record = new ProducerRecord<String, String>("test", i + "helloworld");
第四种：自定义分区策略
第一步：自定义我们的分区类
第二步：再我们生产者当中加上配置
props.put("partitioner.class", "cn.itcast.partition.MyOwnPartitioner");
kafka配置文件的说明
server.proerties的配置文件说明
#broker的全局唯一编号，不能重复
broker.id=0
#用来监听链接的端口，producer或consumer将在此端口建立连接
port=9092
#处理网络请求的线程数量
num.network.threads=3
#用来处理磁盘IO的线程数量
num.io.threads=8
#发送套接字的缓冲区大小
socket.send.buffer.bytes=102400
#接受套接字的缓冲区大小
socket.receive.buffer.bytes=102400
#请求套接字的缓冲区大小
socket.request.max.bytes=104857600
#kafka运行日志存放的路径
log.dirs=/export/data/kafka/
#topic在当前broker上的分片个数
num.partitions=2
#用来恢复和清理data下数据的线程数量
num.recovery.threads.per.data.dir=1
#segment文件保留的最长时间，超时将被删除
log.retention.hours=1
#滚动生成新的segment文件的最大时间
log.roll.hours=1
#日志文件中每个segment的大小，默认为1G
log.segment.bytes=1073741824
#周期性检查文件大小的时间
log.retention.check.interval.ms=300000
#日志清理是否打开
log.cleaner.enable=true
#broker需要使用zookeeper保存meta数据
zookeeper.connect=zk01:2181,zk02:2181,zk03:2181
#zookeeper链接超时时间
zookeeper.connection.timeout.ms=6000
#partion buffer中，消息的条数达到阈值，将触发flush到磁盘
log.flush.interval.messages=10000
#刷新数据到磁盘上越快，我们消费的数据就会越快
#消息buffer的时间，达到阈值，将触发flush到磁盘
log.flush.interval.ms=3000
#删除topic需要server.properties中设置delete.topic.enable=true否则只是标记删除
delete.topic.enable=true
#此处的host.name为本机IP(重要),如果不改,则客户端会抛出:Producer connection to localhost:9092 unsuccessful 错误!
host.name=kafka01
advertised.host.name=192.168.140.128
producer生产者配置文件说明
#指定kafka节点列表，用于获取metadata，不必全部指定
metadata.broker.list=node01:9092,node02:9092,node03:9092
# 指定分区处理类。默认kafka.producer.DefaultPartitioner，表通过key哈希到对应分区
#partitioner.class=kafka.producer.DefaultPartitioner
# 是否压缩，默认0表示不压缩，1表示用gzip压缩，2表示用snappy压缩。压缩后消息中会有头来指明消息压缩类型，故在消费者端消息解压是透明的无需指定。
compression.codec=none
# 指定序列化处理类
serializer.class=kafka.serializer.DefaultEncoder
# 如果要压缩消息，这里指定哪些topic要压缩消息，默认empty，表示不压缩。
#compressed.topics=
# 设置发送数据是否需要服务端的反馈,有三个值0,1,-1
# 0: producer不会等待broker发送ack
# 1: 当leader接收到消息之后发送ack
# -1: 当所有的follower都同步消息成功后发送ack.
request.required.acks=1
# 在向producer发送ack之前,broker允许等待的最大时间 ，如果超时,broker将会向producer发送一个error ACK.意味着上一次消息因为某种原因未能成功(比如follower未能同步成功)
request.timeout.ms=10000
# 同步还是异步发送消息，默认“sync”表同步，"async"表异步。异步可以提高发送吞吐量,
也意味着消息将会在本地buffer中,并适时批量发送，但是也可能导致丢失未发送过去的消息
producer.type=async
# 在async模式下,当message被缓存的时间超过此值后,将会批量发送给broker,默认为5000ms
# 此值和batch.num.messages协同工作.
queue.buffering.max.ms = 1000
# 在async模式下,producer端允许buffer的最大消息量
# 无论如何,producer都无法尽快的将消息发送给broker,从而导致消息在producer端大量沉积
# 此时,如果消息的条数达到阀值,将会导致producer端阻塞或者消息被抛弃，默认为10000
queue.buffering.max.messages=20000
# 如果是异步，指定每次批量发送数据量，默认为200
batch.num.messages=500
# 当消息在producer端沉积的条数达到"queue.buffering.max.meesages"后
# 阻塞一定时间后,队列仍然没有enqueue(producer仍然没有发送出任何消息)
# 此时producer可以继续阻塞或者将消息抛弃,此timeout值用于控制"阻塞"的时间
# -1: 无阻塞超时限制,消息不会被抛弃
# 0:立即清空队列,消息被抛弃
queue.enqueue.timeout.ms=-1
# 当producer接收到error ACK,或者没有接收到ACK时,允许消息重发的次数
# 因为broker并没有完整的机制来避免消息重复,所以当网络异常时(比如ACK丢失)
# 有可能导致broker接收到重复的消息,默认值为3.
message.send.max.retries=3
# producer刷新topic metada的时间间隔,producer需要知道partition leader的位置,以及当前topic的情况
# 因此producer需要一个机制来获取最新的metadata,当producer遇到特定错误时,将会立即刷新
# (比如topic失效,partition丢失,leader失效等),此外也可以通过此参数来配置额外的刷新机制，默认值600000
topic.metadata.refresh.interval.ms=60000
consumer消费者配置详细说明
# zookeeper连接服务器地址
zookeeper.connect=zk01:2181,zk02:2181,zk03:2181
# zookeeper的session过期时间，默认5000ms，用于检测消费者是否挂掉
zookeeper.session.timeout.ms=5000
#当消费者挂掉，其他消费者要等该指定时间才能检查到并且触发重新负载均衡
zookeeper.connection.timeout.ms=10000
# 指定多久消费者更新offset到zookeeper中。注意offset更新时基于time而不是每次获得的消息。一旦在更新zookeeper发生异常并重启，将可能拿到已拿到过的消息
zookeeper.sync.time.ms=2000
#指定消费
group.id=itcast
# 当consumer消费一定量的消息之后,将会自动向zookeeper提交offset信息
# 注意offset信息并不是每消费一次消息就向zk提交一次,而是现在本地保存(内存),并定期提交,默认为true
auto.commit.enable=true
# 自动更新时间。默认60 * 1000
auto.commit.interval.ms=1000
# 当前consumer的标识,可以设定,也可以有系统生成,主要用来跟踪消息消费情况,便于观察
conusmer.id=xxx
# 消费者客户端编号，用于区分不同客户端，默认客户端程序自动产生
client.id=xxxx
# 最大取多少块缓存到消费者(默认10)
queued.max.message.chunks=50
# 当有新的consumer加入到group时,将会reblance,此后将会有partitions的消费端迁移到新 的consumer上,如果一个consumer获得了某个partition的消费权限,那么它将会向zk注册 "Partition Owner registry"节点信息,但是有可能此时旧的consumer尚没有释放此节点, 此值用于控制,注册节点的重试次数.
rebalance.max.retries=5
# 获取消息的最大尺寸,broker不会像consumer输出大于此值的消息chunk 每次feth将得到多条消息,此值为总大小,提升此值,将会消耗更多的consumer端内存
fetch.min.bytes=6553600
# 当消息的尺寸不足时,server阻塞的时间,如果超时,消息将立即发送给consumer
fetch.wait.max.ms=5000
socket.receive.buffer.bytes=655360
# 如果zookeeper没有offset值或offset值超出范围。那么就给个初始的offset。有smallest、largest、anything可选，分别表示给当前最小的offset、当前最大的offset、抛异常。默认largest
auto.offset.reset=smallest
# 指定序列化处理类
derializer.class=kafka.serializer.DefaultDecoder
kafka当中的ack机制
在kafka当中，我们可以通过配置ack保证我们的生产者的数据不丢失
request.required.acks=0
这个配置有三个取值：
0：消息发送没有确认机制
1：如果配置成1表示主节点确认保存好了消息
-1： 如果配置成-1，表示主节点和从节点都保存好了消息才会继续发送
kafka为什么那么快
第一点：顺序读写文件
第二点：pageCache页缓存
kafka与flume的整合
第一步：flume下载地址
http://archive.apache.org/dist/flume/1.8.0/apache-flume-1.8.0-bin.tar.gz
第二步：上传解压flume
第三步：配置flume.conf
#为我们的source channel sink起名
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#指定我们的source收集到的数据发送到哪个管道
a1.sources.r1.channels = c1
#指定我们的source数据收集策略
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /export/servers/flumedata
a1.sources.r1.deletePolicy = never
a1.sources.r1.fileSuffix = .COMPLETED
a1.sources.r1.ignorePattern = ^(.)*\\.tmp$
a1.sources.r1.inputCharset = GBK
#指定我们的channel为memory,即表示所有的数据都装进memory当中
a1.channels.c1.type = memory
#指定我们的sink为kafka sink，并指定我们的sink从哪个channel当中读取数据
a1.sinks.k1.channel = c1
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.topic = test
a1.sinks.k1.kafka.bootstrap.servers = node01:9092,node02:9092,node03:9092
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
启动flume
bin/flume-ng agent --conf conf --conf-file conf/flume.conf --name a1 -Dflume.root.logger=INFO,console
kafka如何保证数据的不丢失
生产者如何保证数据的不丢失：
分为两种模式，同步模式与异步模式
同步模式：配置ack，发送一条确认一条，然后再发送下一条数据
异步模式：配置ack，发送一批，确认一批，如果哪一条数据出问题，再单独重新发发送这一条数据即可
broker如何保证数据不丢失：数据备份，副本机制
consumer如何保证数据不丢失：offset，配置offset提交的时间长短，offset数据量的大小，记录了我们每次消费到了哪一条数据来了，下一次过来接着上一次的消费记录进行消费即可
kafkaManager监控工具的安装与使用
第一步：上传压缩包并解压
unzip kafka-manager-1.3.3.7.zip -d ../servers/
第二步：更改application.conf配置里面的zk连接地址
kafka-manager.zkhosts="node01:2181,node02:2181,node03:2181"
第三步：启动kafkaManager
nohup ./kafka-manager -Dconfig.file=/export/servers/kafka-manager-1.3.3.7/conf/application.conf -Dhttp.port=8070 >/dev/null 2>&1 &
第四步：webUI页面访问
