初学Kafka
第一章 Kafka概述
1.1 基本概念
Kafka传统定义：Kafka是一个分布式的基于发布/订阅模式的消息队列（MessageQueue），主要应用于大数据实时处理领域。
Kafka最新定义： Kafka是 一个开源的分布式事件流平台 （Event Streaming Platform），被数千家公司用于高性能数据管道、流分析、数据集成和关键任务应用。
发布/订阅：消息的发布者不会将消息直接发送给特定的订阅者，而是将发布的消息分为不同的类别，订阅者只接收感兴趣的消息。
1.2 消息队列
常见的消息队列产品：Kafka、ActiveMQ 、RabbitMQ 、RocketMQ
1.2.1 消息队列应用场景
主要应用场景包括：缓存/削峰、解耦、异步
消息队列应用场景——缓存/削峰
缓存/削峰：有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致的情况。
消息队列的应用场景——解耦
解耦：允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
消息队列的应用场景——异步通信
异步通信：允许用户把一个消息放入队列，但并不立即处理它，然后在需要的时候再去处理它们。
1.2.2 消息队列两种模式
点对点模式
消费者主动拉取数据，消息收到后清除消息
发布/订阅模式
可以有多个topic主题（浏览、点赞、收藏、评论等）
消费者消费数据之后，不删除数据
每个消费者相互独立，都可以消费到数据
1.3 基本架构
- 为方便扩展，并提高吞吐量，一个topic分为多个partition
- 配合分区的设计，提出消费者组的概念，组内每个消费者并行消费
- 为提高可用性，为每个partition增加若干副本，类似NameNode HA
- ZK中记录谁是leader，Kafka 2.8.0以后也可以配置不采用ZK
（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。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 Leader。
第二章 Kafka快速入门
2.1 安装部署
2.1.1 集群规划
| 172.18.85.248(kafka01) | 172.18.85.249(kafka02) | 172.18.85.250(kafka03) |
|---|---|---|
| zookeeper | zookeeper | zookeeper |
| kafka | kafka | kafka |
2.1.2 集群部署
解压压缩包：
tar -zxvf kafka_2.12-3.0.0.tgz修改解压后的文件夹名称：
mv kafka_2.12-3.0.0/ kafkakafka目录结构：
├── bin 脚本命令 ├── config 配置文件 ├── libs 第三方包 ├── LICENSE ├── licenses ├── NOTICE └── site-docs查看配置文件server.properties
#broker 的全局唯一编号，不能重复，只能是数字。 broker.id=0 #开启远程调用 listeners=PLAINTEXT://:9092 advertised.listeners=PLAINTEXT://47.107.70.222:9092 #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 #接收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(数据)存放的路径，路径不需要提前创建，kafka 自动帮你创建，可以 配置多个磁盘路径，路径与路径之间可以用"，"分隔 log.dirs=/root/kafka/data #topic 在当前 broker 上的分区个数 num.partitions=1 #用来恢复和清理 data 下数据的线程数量 num.recovery.threads.per.data.dir=1 # 每个 topic 创建时的副本数，默认时 1 个副本 offsets.topic.replication.factor=1 #segment 文件保留的最长时间，超时将被删除 log.retention.hours=168 #每个 segment 文件的大小，默认最大 1G log.segment.bytes=1073741824 # 检查过期数据的时间，默认 5 分钟检查一次是否数据过期 log.retention.check.interval.ms=300000 #配置连接 Zookeeper 集群地址（在 zk 根目录下创建/kafka，方便管理） zookeeper.connect=172.18.85.248:2181,172.18.85.249:2181,172.18.85.250:2181/kafka分发kafka安装包，在另外两台机器部署
./xsync kafkaxsync脚本如下：
#!/bin/bash #1. 判断参数个数 if [ $# -lt 1 ] then echo Not Enough Arguement! exit; fi #2. 遍历集群所有机器 for host in kafka01 kafka02 kafka03 do echo ==================== $host ==================== #3. 遍历所有目录，挨个发送 for file in $@ do #4. 判断文件是否存在 if [ -e $file ] then #5. 获取父目录 pdir=$(cd -P $(dirname $file); pwd) #6. 获取当前文件的名称 fname=$(basename $file) ssh $host "mkdir -p $pdir" rsync -av $pdir/$fname $host:$pdir else echo $file does not exists! fi done done在172.18.85.249、172.18.85.250上修改配置文件/root/kafka/config/server.properties中的
broker.id=2 broker.id=3注：broker.id 不得重复，整个集群中唯一。
配置环境变量
在/etc/profile文件中增加kafka环境变量配置：
vim /etc/profile增加如下内容：
# KAFKA_HOME export KAFKA_HOME=/root/kafka export PATH=$PATH:$KAFKA_HOME/bin刷新环境变量：
source /etc/profile
启动集群
先启动zookeeper集群，再启动kafka
./zkServer.start /root/zookeeper/conf/zoo.cfg依次在kafka01、kafka02、kafka03节点上启动kafka
kafka-server-start.sh -daemon /root/kafka/config/server.properties
注意：配置文件的路径要能够到 server.properties
关闭集群
kafka-server-stop.sh注意：关闭集群时要先关闭kafka，再关闭zookeeper集群
2.2 Kafka命令行操作
2.2.1 主题命令行操作
查看操作主题命令
kafka-topics.sh参数 描述 --bootstrap-server <String: server toconnect to> 连接的 Kafka Broker 主机名称和端口号 --topic <String: topic> 操作的 topic 名称 --create 创建主题 --delete 删除主题 --alter 修改主题 --list 查看所有主题 --describe 查看主题详细描述 --partitions <Integer: # of partitions> 设置分区数 --replication-factor<Integer: replication factor> 设置分区副本 --config <String: name=value> 更新系统默认的配置 查看当前服务器所有的topic
kafka-topics.sh --bootstrap-server kafka01:9092 --list创建 hello topic
kafka-topics.sh --bootstrap-server kafka01:9092 --create --partitions 1 --replication-factor 3 --topic hello选项说明：
--topic 定义 topic 名
--replication-factor 定义副本数
--partitions 定义分区数
查看 hello 主题的详情
kafka-topics.sh --bootstrap-server kafka01:9092 --describe --topic helloTopic: hello TopicId: yYLpdO8UQL2jWZyFcn0TVA PartitionCount: 1 ReplicationFactor: 3 Configs: segment.bytes=1073741824 Topic: hello Partition: 0 Leader: 0 Replicas: 0,2,1 Isr: 0,2,1修改分区数（注意：分区数只能增加，不能减少）
kafka-topics.sh --bootstrap-server kafka01:9092 --alter --partitions 3 --topic hello再次查看 first 主题的详情
Topic: hello TopicId: yYLpdO8UQL2jWZyFcn0TVA PartitionCount: 3 ReplicationFactor: 3 Configs: segment.bytes=1073741824 Topic: hello Partition: 0 Leader: 0 Replicas: 0,2,1 Isr: 0,2,1 Topic: hello Partition: 1 Leader: 1 Replicas: 1,2,0 Isr: 1,2,0 Topic: hello Partition: 2 Leader: 2 Replicas: 2,0,1 Isr: 2,0,1删除 topic
kafka-topics.sh --bootstrap-server kafka01:9092 --delete --topic hello
2.2.2 生产者命令行操作
查看操作生产者命令参数
kafka-console-producer.sh参数 描述 --bootstrap-server <String: server toconnect to> 连接的 Kafka Broker 主机名称和端口号 --topic <String: topic> 操作的 topic 名称 发送消息
kafka-console-producer.sh --bootstrap-server kafka01:9092 --topic hello
2.3.3 消费者命令行操作
查看操作消费者命令参数
kafka-console-consumer.sh参数 描述 --bootstrap-server <String: server toconnect to> 连接的 Kafka Broker 主机名称和端口号 --topic <String: topic> 操作的 topic 名称 --from-beginning 从头开始消费 --group <String: consumer group id> 指定消费者组名称 消费消息
消费 first 主题中的数据
kafka-console-consumer.sh --bootstrap-server kafka01:9092 --topic hello把主题中所有的数据都读取出来（包括历史数据）
kafka-console-consumer.sh --bootstrap-server kafka01:9092 --from-beginning --topic hello
第三章 Kafka生产者
3.1 生产者发送消息流程
3.1.1 发送原理
在消息发送的过程中，涉及到了两个线程——main 线程和 Sender 线程。在 main 线程中创建了一个双端队列 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。
3.1.2 生产者重要参数列表
| 参数名称 | 描述 |
|---|---|
| bootstrap.servers | 生产者连接集群所需的 broker 地址清单.例 如kfaka01:9092，kfaka02:9092，kfaka03:9092，可以设置 1 个或者多个，中间用逗号隔开。注意这里并非需要所有的 broker 地址，因为生产者从给定的 broker里查找到其他 broker 信息。 |
| key.serializer 和 value.serializer | 指定发送消息的 key 和 value 的序列化类型，一定要写全类名。 |
| buffer.memory | RecordAccumulator 缓冲区总大小，默认 32m。 |
| batch.size | 缓冲区一批数据最大值，默认16k。适当增加该值，可以提高吞吐量，但是如果该值设置太大，会导致数据传输延迟增加。 |
| 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。单位 ms，默认值是 0ms，表示没有延迟。生产环境建议该值大小为 5-100ms 之间。 |
| acks | 0：生产者发送过来的数据，不需要等数据落盘应答。1：生产者发送过来的数据，Leader 收到数据后应答。-1（all）：生产者发送过来的数据，Leader+和 isr 队列里面的所有节点收齐数据后应答。默认值是-1，-1 和all 是等价的。 |
| max.in.flight.requests.per.connection | 允许最多没有返回 ack 的次数，默认为 5，开启幂等性要保证该值是 1-5 的数字。 |
| retries | 当消息发送出现错误的时候，系统会重发消息。retries表示重试次数，默认是 int 最大值，2147483647。如果设置了重试，还想保证消息的有序性，需要设置MAX_IN_FLIGHT_REQUESTS_PER_CONNECTION=1，否则在重试此失败消息的时候，其他的消息可能发送成功了。 |
| retry.backoff.ms | 两次重试之间的时间间隔，默认是 100ms。 |
| enable.idempotence | 是否开启幂等性，默认 true。 |
| compression.type | 生产者发送的所有数据的压缩方式，默认是 none，也就是不压缩。支持压缩类型：none、gzip、snappy、lz4 和 zstd。 |
3.2 异步发送API
3.2.1 普通异步发送
需求：创建 Kafka 生产者，采用异步的方式发送到 Kafka Broker
代码编写
创建maven工程kafka
导入依赖
<dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka-clients</artifactId> <version>3.0.0</version> </dependency>创建包：com.kafka.producer
编写不带回调函数的异步API
package com.kafka.producer; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.ProducerConfig; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.common.serialization.StringSerializer; import java.util.Properties; /** * @author cyl * @date 2022-02-19 21:06 * @description kafka不带回调函数异步发送生产者 */ public class CustomProducer { public static void main(String[] args) { //0.添加配置信息 Properties properties = new Properties(); //配置bootstrap.server---- properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"39.108.62.189:9092"); //key、value设置序列化器 //properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); //1.创建kafka生产者对象 KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties); //2.调用send方法，发送消息 for (int i = 0; i < 5; i++) { producer.send(new ProducerRecord<>("hello","hello world" + i)); } //3.关闭资源 producer.close(); } }测试
在kafka上开启消费者，成功消费消息
kafka-console-consumer.sh --bootstrap-server kafka01:9092 --topic hello
3.2.2 带回调函数异步发送
回调函数会在 producer 收到 ack 时调用，为异步调用，该方法有两个参数，分别是元数据信息（RecordMetadata）和异常信息（Exception），如果 Exception 为 null，说明消息发送成功，如果 Exception 不为 null，说明消息发送失败。
注意：消息发送失败会自动重试，不需要我们在回调函数中手动重试。
//2.调用send方法，发送消息
for (int i = 0; i < 5; i++) {
//设置回调
producer.send(new ProducerRecord<>("hello", "hello world" + i), new Callback() {
@Override
public void onCompletion(RecordMetadata recordMetadata, Exception e) {
if (e == null) {
//没有异常
String topic = recordMetadata.topic();
int partition = recordMetadata.partition();
System.out.println("****主题:" + topic + "->分区:" + partition + "*****");
}
}
});
//延迟一会会看到消息发往不同分区
Thread.sleep(200);
}
测试
在kafka上开启消费者，成功消费消息
kafka-console-consumer.sh --bootstrap-server kafka01:9092 --topic helloidea控制台打印
****主题:hello->分区:0*****
****主题:hello->分区:0*****
****主题:hello->分区:0*****
****主题:hello->分区:0*****
****主题:hello->分区:0*****
3.3 同步发送API
只需在异步发送的基础上，再调用一下 get()方法即可。
//2.调用send方法，发送消息
for (int i = 0; i < 5; i++) {
//异步发送
//producer.send(new ProducerRecord<>("hello","hello world" + i));
//同步发送
producer.send(new ProducerRecord<>("hello","hello world" + i)).get();
}
测试
在kafka上开启消费者，成功消费消息
kafka-console-consumer.sh --bootstrap-server kafka01:9092 --topic hello
3.4 生产者分区
3.4.1 分区的好处
便于合理使用存储资源，每个Partition在一个Broker上存储，可以把海量的数据按照分区切割成一块一块数据存储在多台Broker上。合理控制分区的任务，可以实现负载均衡的效果。
提高并行度，生产者可以以分区为单位发送数据；消费者可以以分区为单位进行消费数据。
3.4.2 分区策略
默认的分区器DefaultPartitioner
public class DefaultPartitioner implements Partitioner { private final StickyPartitionCache stickyPartitionCache = new StickyPartitionCache(); public DefaultPartitioner() { } public void configure(Map<String, ?> configs) { } public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) { return this.partition(topic, key, keyBytes, value, valueBytes, cluster, cluster.partitionsForTopic(topic).size()); } public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster, int numPartitions) { return keyBytes == null ? this.stickyPartitionCache.partition(topic, cluster) : Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions; } public void close() { } public void onNewBatch(String topic, Cluster cluster, int prevPartition) { this.stickyPartitionCache.nextPartition(topic, cluster, prevPartition); } }ProducerRecord类，在类中可以看到如下构造方法：
//指明partition的情况下，直接将指明的值作为partition值；例如partition=0，所有数据写入分区0 public ProducerRecord(String topic, Integer partition, Long timestamp, K key, V value, Iterable<Header> headers) { ... ... } public ProducerRecord(String topic, Integer partition, Long timestamp, K key, V value) { ... ... } public ProducerRecord(String topic, Integer partition, K key, V value, Iterable<Header> headers) { ... ... } public ProducerRecord(String topic, Integer partition, K key, V value) { ... ... } //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； //例如：key1的hash值=5， key2的hash值=6 ，topic的partition数=2，那 么key1 对应的value1写入1号分区，key2对应的value2写入0号分区 public ProducerRecord(String topic, K key, V value) { ... ... } //既没有partition值又没有key值的情况下，Kafka采用Sticky Partition（黏性分区器），会随机选择一个分区，并尽可能一直使用该分区，待该分区的batch已满 //或者已完成，Kafka再随机一个分区进行使用（和上一次的分区不同）。 //例如：第一次随机选择0号分区，等0号分区当前批次满了（默认16k）或者linger.ms设置的时间到， Kafka再随机一个分区进行使用（如果还是0会继续随机） public ProducerRecord(String topic, V value) { ... ... }案例一
将数据发往指定 partition 的情况下，例如，将所有数据发往分区 1 中。
//2.调用send()方法，发送消息 for (int i = 0; i < 5; i++) { //指定发送数据到1号分区 producer.send(new ProducerRecord<>("hello", 1, null, "hello world" + i), new Callback() { @Override public void onCompletion(RecordMetadata recordMetadata, Exception e) { if (e == null) { //没有异常 String topic = recordMetadata.topic(); int partition = recordMetadata.partition(); System.out.println("****主题:" + topic + "->分区:" + partition + "*****"); } } }); }测试
idea控制台打印
****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1*****案例二
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。
// 依次指定 key 值为 a,b,f ，数据 key 的 hash 值与 3 个分区求余，分别发往 1、2、0 producer.send(new ProducerRecord<>("hello", 1, "a", "hello world" + i), new Callback() { @Override public void onCompletion(RecordMetadata recordMetadata, Exception e) { if (e == null) { //没有异常 String topic = recordMetadata.topic(); int partition = recordMetadata.partition(); System.out.println("****主题:" + topic + "->分区:" + partition + "*****"); } } });测试
idea控制台打印
****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1*****
3.4.3 自定义分区器
如果研发人员可以根据企业需求，自己重新实现分区器。
需求
例如我们实现一个分区器实现，发送过来的数据中如果包含hello，就发往0号分区，不包含hello，就发往1号分区。
实现步骤
定义类实现 Partitioner 接口
重写 partition()方法
package com.kafka.producer; import org.apache.kafka.clients.producer.Partitioner; import org.apache.kafka.common.Cluster; import java.util.Map; /** * @author cyl * @date 2022-02-20 13:21 * @description 自定义分区器 */ public class CustomPartitioner implements Partitioner { @Override public int partition(String s, Object o, byte[] bytes, Object o1, byte[] bytes1, Cluster cluster) { //1.获取消息 String value = o1.toString(); //2.创建partition int partition; if (value.contains("hello")) { partition = 0; } else { partition = 1; } return partition; } @Override public void close() { } @Override public void configure(Map<String, ?> map) { } }使用分区器的方法，在生产者的配置中添加分区器参数
//指定分区器为自定义分区器 properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG, CustomPartitioner.class.getName()); //1.创建生产者对象 KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties); //2.调用send()方法，发送消息 for (int i = 0; i < 5; i++) { producer.send(new ProducerRecord<>("hello", 1, null, "world" + i), new Callback() { @Override public void onCompletion(RecordMetadata recordMetadata, Exception e) { if (e == null) { //没有异常 String topic = recordMetadata.topic(); int partition = recordMetadata.partition(); System.out.println("****主题:" + topic + "->分区:" + partition + "*****"); } } }); }测试
idea控制台打印
****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1***** ****主题:hello->分区:1*****
3.5 生产者提高吞吐量
package com.kafka.producer;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerConfig;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.common.serialization.StringSerializer;
import java.util.Properties;
/**
* @author cyl
* @date 2022-02-20 13:37
* @description kafka生产者提高吞吐量
*/
public class CustomProducerParameters {
public static void main(String[] args) {
//0.配置连接信息等
Properties properties = new Properties();
//配置bootstrap.server
properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "120.25.193.19:9092");
//配置key序列化器
properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
//配置value序列化器
properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
//设置批次大小，默认:16k
properties.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
//等待事件，默认:0
properties.put(ProducerConfig.LINGER_MS_CONFIG, 1);
//缓冲区大小，默认:32M
properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
//压缩，默认:none，可配置gzip、snappy、lz4 和 zstd
properties.put(ProducerConfig.COMPRESSION_TYPE_CONFIG, "snappy");
//1.创建生产者对象
KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);
//2.调用send()方法，发送消息
for (int i = 0; i < 5; i++) {
producer.send(new ProducerRecord<>("hello", "hello world" + i));
}
//3.关闭资源
producer.close();
}
}
3.6 数据可靠性
回顾发送流程
ack应答原理
数据完全可靠条件 = ACK级别设置为-1 + 分区副本大于等于2 + ISR里应答的最小副本数量大于等于2
可靠性总结：
acks=0，生产者发送过来数据就不管了，可靠性差，效率高；
acks=1，生产者发送过来数据Leader应答，可靠性中等，效率中等；
acks=-1，生产者发送过来数据Leader和ISR队列里面所有Follwer应答，可靠性高，效率低； 在生产环境中，acks=0很少使用；acks=1，一般用于传输普通日志，允许丢个别数据；acks=-1，一般用于传输和钱相关的数据，对可靠性要求比较高的场景。
数据重复分析：
acks： -1（all）：生产者发送过来的数据，Leader和ISR队列里面的所有节点收齐数据后应答。
代码
//设置acks properties.put(ProducerConfig.ACKS_CONFIG, "all"); //设置重试次数，默认:int的最大值 2147483647 properties.put(ProducerConfig.RETRIES_CONFIG, 3);
3.7 数据去重
3.7.1 数据传递语义
至少一次（At Least Once）= ACK级别设置为-1 + 分区副本大于等于2 + ISR里应答的最小副本数量大于等于2
最多一次（At Most Once）= ACK级别设置为0
总结： At Least Once可以保证数据不丢失，但是不能保证数据不重复； At Most Once可以保证数据不重复，但是不能保证数据不丢失。
精确一次（Exactly Once）：对于一些非常重要的信息，比如和钱相关的数据，要求数据既不能重复也不丢失。
Kafka 0.11版本以后，引入了一项重大特性：幂等性和事务。
3.7.2 幂等性
幂等性原理
幂等性就是指Producer不论向Broker发送多少次重复数据，Broker端都只会持久化一条，保证了不重复。 精确一次（Exactly Once） = 幂等性 + 至少一次（ ack=-1 + 分区副本数>=2 + ISR最小副本数量>=2） 。 重复数据的判断标准：具有<PID, Partition, SeqNumber>相同主键的消息提交时，Broker只会持久化一条。其 中PID是Kafka每次重启都会分配一个新的；Partition 表示分区号；Sequence Number是单调自增的。 所以幂等性只能保证的是在单分区单会话内不重复。
如何使用幂等性
开启参数 enable.idempotence 默认为 true，false 关闭。
3.7.3 事务
事务原理
说明：开启事务，必须开启幂等性。
事务API
// 1 初始化事务 void initTransactions(); // 2 开启事务 void beginTransaction() throws ProducerFencedException; // 3 在事务内提交已经消费的偏移量（主要用于消费者） void sendOffsetsToTransaction(Map<TopicPartition, OffsetAndMetadata> offsets, String consumerGroupId) throws ProducerFencedException; // 4 提交事务 void commitTransaction() throws ProducerFencedException; // 5 放弃事务（类似于回滚事务的操作） void abortTransaction() throws ProducerFencedException;单个 Producer，使用事务保证消息的仅一次发送
package com.kafka.producer; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.ProducerConfig; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.common.serialization.StringSerializer; import java.util.Properties; /** * @author cyl * @date 2022-02-19 21:06 * @description kafka生产者事务 */ public class CustomProducerTransaction { public static void main(String[] args) { //0.添加配置信息 Properties properties = new Properties(); //配置bootstrap.server---- properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "120.25.193.19:9092"); //key、value设置序列化器 //properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer"); properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); //事务id，一定要设置且全局唯一 properties.put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "transaction_id_0"); //1.创建kafka生产者对象 KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties); //初始化事务 producer.initTransactions(); //开启事务 producer.beginTransaction(); //2.调用send方法，发送消息 try { for (int i = 0; i < 5; i++) { producer.send(new ProducerRecord<>("hello", "hello world" + i)); } //int i = 10 / 0; //提交事务 producer.commitTransaction(); } catch (Exception e) { e.printStackTrace(); //终止事务 producer.abortTransaction(); } finally { //3.关闭资源 producer.close(); } } }
3.8 数据有序
3.9 数据乱序
kafka在1.x版本之前保证数据单分区有序，条件如下：
max.in.flight.requests.per.connection=1（不需要考虑是否开启幂等性）
kafka在1.x及以后版本保证数据单分区有序，条件如下：
未开启幂等性
max.in.flight.requests.per.connection需要设置为1
开启幂等性
max.in.flight.requests.per.connection需要设置小于等于5 原因说明：因为在kafka1.x以后，启用幂等后，kafka服务端会缓存producer发来的最近5个request的元数据，故无论如何，都可以保证最近5个request的数据都是有序的。
第四章 Kafka Broker
4.1 Broker工作流程
4.1.1 Zookeeper存储的Kafka信息
启动zookeeper客户端
通过ls命令查看Kafka相关信息
4.1.2 Broker总体工作流程
模拟 Kafka 上下线，Zookeeper 中数据变化
查看/kafka/brokers/ids 路径上的节点
查看/kafka/controller 路径上的数据
查看/kafka/brokers/topics/first/partitions/0/state 路径上的数据
停止 kafka03 上的 kafka
再次查看/kafka/brokers/ids 路径上的节点
再次查看/kafka/controller 路径上的数据
再次查看/kafka/brokers/topics/first/partitions/0/state 路径上的数据
启动 kafka03 上的 kafka
4.1.3 Broker重要参数
| 参数名称 | 描述 |
|---|---|
| replica.lag.time.max.ms | ISR 中，如果 Follower 长时间未向 Leader 发送通信请求或同步数据，则该 Follower 将被踢出 ISR。该时间阈值，默认 30s。 |
| auto.leader.rebalance.enable | 默认是 true。 自动 Leader Partition 平衡。 |
| leader.imbalance.per.broker.percentage | 默认是 10%。每个 broker 允许的不平衡的 leader的比率。如果每个 broker 超过了这个值，控制器会触发 leader 的平衡。 |
| leader.imbalance.check.interval.seconds | 默认值 300 秒。检查 leader 负载是否平衡的间隔时间。 |
| log.segment.bytes | Kafka 中 log 日志是分成一块块存储的，此配置是指 log 日志划分 成块的大小，默认值 1G。 |
| log.index.interval.bytes | 默认 4kb，kafka 里面每当写入了 4kb 大小的日志（.log），然后就往 index 文件里面记录一个索引。 |
| log.retention.hours | Kafka 中数据保存的时间，默认 7 天。 |
| log.retention.minutes | Kafka 中数据保存的时间，分钟级别，默认关闭。 |
| log.retention.ms | Kafka 中数据保存的时间，毫秒级别，默认关闭。 |
| log.retention.check.interval.ms | 检查数据是否保存超时的间隔，默认是 5 分钟。 |
| log.retention.bytes | 默认等于-1，表示无穷大。超过设置的所有日志总大小，删除最早的 segment。 |
| log.cleanup.policy | 默认是 delete，表示所有数据启用删除策略；如果设置值为 compact，表示所有数据启用压缩策略。 |
| num.io.threads | 默认是 8。负责写磁盘的线程数。整个参数值要占总核数的 50%。 |
| num.replica.fetchers | 副本拉取线程数，这个参数占总核数的 50%的 1/3 |
| num.network.threads | 默认是 3。数据传输线程数，这个参数占总核数的50%的 2/3 。 |
| log.flush.interval.messages | 强制页缓存刷写到磁盘的条数，默认是 long 的最大值，9223372036854775807。一般不建议修改，交给系统自己管理。 |
| log.flush.interval.ms | 每隔多久，刷数据到磁盘，默认是 null。一般不建议修改，交给系统自己管理。 |
4.2 节点服役和退役
4.2.1 服役新节点
准备新节点
执行负载均衡操作
创建一个要均衡的主题
生成一个负载均衡的计划
创建副本存储计划（所有副本存储在 broker0、broker1、broker2、broker3 中）
执行副本存储计划
验证副本存储计划
4.2.2 退役旧节点
执行负载均衡操作
先按照退役一台节点，生成执行计划，然后按照服役时操作流程执行负载均衡。
创建一个要均衡的主题
创建执行计划
创建副本存储计划（所有副本存储在 broker0、broker1、broker2 中）
执行副本存储计划
验证副本存储计划
执行停止命令
4.3 Kafka副本
4.3.1 副本基本信息
- Kafka 副本作用：提高数据可靠性。
- Kafka 默认副本 1 个，生产环境一般配置为 2 个，保证数据可靠性；太多副本会增加磁盘存储空间，增加网络上数据传输，降低效率。
- Kafka 中副本分为：Leader 和 Follower。Kafka 生产者只会把数据发往 Leader，然后 Follower 找 Leader 进行同步数据。
- Kafka 分区中的所有副本统称为 AR（Assigned Repllicas）。 AR = ISR + OSR **ISR：**表示和 Leader 保持同步的 Follower 集合。如果 Follower 长时间未向 Leader 发送通信请求或同步数据，则该 Follower 将被踢出 ISR。该时间阈值由 replica.lag.time.max.ms参数设定，默认 30s。Leader 发生故障之后，就会从 ISR 中选举新的 Leader。 **OSR：**表示 Follower 与 Leader 副本同步时，延迟过多的副本。
4.3.2 Leader选举流程
Kafka 集群中有一个 broker 的 Controller 会被选举为 Controller Leader，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 的信息同步工作是依赖于 Zookeeper 的。
创建一个新的 topic，4 个分区，4 个副本
查看 Leader 分布情况
停止掉 hadoop105 的 kafka 进程，并查看 Leader 分区情况
停止掉 hadoop104 的 kafka 进程，并查看 Leader 分区情况
启动 hadoop105 的 kafka 进程，并查看 Leader 分区情况
启动 hadoop104 的 kafka 进程，并查看 Leader 分区情况
停止掉 hadoop103 的 kafka 进程，并查看 Leader 分区情况
4.3.3 Leader和Follower故障处理细节
LEO（Log End Offset）：每个副本的最后一个offset，LEO其实就是最新的offset + 1。 HW（High Watermark）：所有副本中最小的LEO 。
Follower故障
Follower发生故障后会被临时踢出ISR
这个期间Leader和Follower继续接收数据
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。
Leader故障
Leader发生故障之后，会从ISR中选出一个新的Leader
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。
4.3.4 分区副本分配
如果 kafka 服务器只有 4 个节点，那么设置 kafka 的分区数大于服务器台数，在 kafka底层如何分配存储副本呢？
创建 16 分区，3 个副本
创建一个新的 topic，名称为 second
查看分区和副本情况
4.3.5 手动调整分区副本存储
在生产环境中，每台服务器的配置和性能不一致，但是Kafka只会根据自己的代码规则创建对应的分区副本，就会导致个别服务器存储压力较大。所有需要手动调整分区副本的存储。
需求：创建一个新的topic，4个分区，两个副本，名称为three。将 该topic的所有副本都存储到broker0和broker1两台服务器上。
手动调整分区副本存储的步骤如下：
创建一个新的 topic，名称为 three
查看分区副本存储情况
创建副本存储计划（所有副本都指定存储在 broker0、broker1 中）
执行副本存储计划
验证副本存储计划
查看分区副本存储情况
4.3.6 Leader Partition负载均衡
正常情况下，Kafka本身会自动把Leader Partition均匀分散在各个机器上，来保证每台机器的读写吞吐量都是均匀的。但是如果某 些broker宕机，会导致Leader Partition过于集中在其他少部分几台broker上，这会导致少数几台broker的读写请求压力过高，其他宕机的 broker重启之后都是follower partition，读写请求很低，造成集群负载不均衡。
| 参数名称 | 描述 |
|---|---|
| auto.leader.rebalance.enable | 默认是 true。 自动 Leader Partition 平衡。生产环境中，leader 重选举的代价比较大，可能会带来性能影响，建议设置为 false 关闭。 |
| leader.imbalance.per.broker.percentage | 默认是 10%。每个 broker 允许的不平衡的 leader的比率。如果每个 broker 超过了这个值，控制器会触发 leader 的平衡。 |
| leader.imbalance.check.interval.seconds | 默认值 300 秒。检查 leader 负载是否平衡的间隔 |
4.3.7 增加副本因子
生产环境当中，由于某个主题的重要等级需要提升，我们考虑增加副本。副本数的增加需要先制定计划，然后根据计划执行。
创建 topic
手动增加副本存储
创建副本存储计划（所有副本都指定存储在 broker0、broker1、broker2 中）
执行副本存储计划
4.4 文件存储
4.4.1 文件存储机制
Topic数据的存储机制
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。Producer生产的数据会被不断追加到该log文件末端，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包括：“.index”文件、“.log”文件和.timeindex等文件。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-0。
思考：Topic 数据到底存储在什么位置？
启动生产者，并发送消息
查看 hadoop102（或者 hadoop103、hadoop104）的/opt/module/kafka/datas/first-1 （first-0、first-2）路径上的文件
直接查看 log 日志
通过工具查看 index 和 log 信息
index 文件和 log 文件详解
说明：日志存储参数配置
| 参数 | 描述 |
|---|---|
| log.segment.bytes | Kafka 中 log 日志是分成一块块存储的，此配置是指 log 日志划分成块的大小，默认值 1G。 |
| log.index.interval.bytes | 默认 4kb，kafka 里面每当写入了 4kb 大小的日志（.log），然后就往 index 文件里面记录一个索引。 稀疏索引。 |
4.4.2 文件清理策略
Kafka 中默认的日志保存时间为 7 天，可以通过调整如下参数修改保存时间。
log.retention.hours，最低优先级小时，默认 7 天。
log.retention.minutes，分钟。
log.retention.ms，最高优先级毫秒。
log.retention.check.interval.ms，负责设置检查周期，默认 5 分钟。
那么日志一旦超过了设置的时间，怎么处理呢？
Kafka 中提供的日志清理策略有 delete 和 compact 两种
delete 日志删除：将过期数据删除
log.cleanup.policy = delete 所有数据启用删除策略
基于时间：默认打开。以 segment 中所有记录中的最大时间戳作为该文件时间戳。
基于大小：默认关闭。超过设置的所有日志总大小，删除最早的 segment。
log.retention.bytes，默认等于-1，表示无穷大。
compact 日志压缩
compact日志压缩：对于相同key的不同value值，只保留最后一个版本。
log.cleanup.policy = compact 所有数据启用压缩策略
压缩后的offset可能是不连续的，比如上图中没有6，当从这些offset消费消息时，将会拿到比这个offset大 的offset对应的消息，实际上会拿到offset为7的消息，并从这个位置开始消费。
这种策略只适合特殊场景，比如消息的key是用户ID，value是用户的资料，通过这种压缩策略，整个消息 集里就保存了所有用户最新的资料。
4.5 高效读写数据
Kafka 本身是分布式集群，可以采用分区技术，并行度高
读数据采用稀疏索引，可以快速定位要消费的数据
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。
页缓存 + 零拷贝技术
零拷贝：Kafka的数据加工处理操作交由Kafka生产者和Kafka消费者处理。Kafka Broker应用层不关心存储的数据，所以就不用 走应用层，传输效率高。 PageCache页缓存：Kafka重度依赖底层操作系统提供的PageCache功 能。当上层有写操作时，操作系统只是将数据写PageCache。当读操作发生时，先从PageCache中查找，如果找不到，再去磁盘中读取。实际上PageCache是把尽可能多的空闲内存都当做了磁盘缓存来使用。
参数 描述 log.flush.interval.messages 强制页缓存刷写到磁盘的条数，默认是 long 的最大值，9223372036854775807。一般不建议修改，交给系统自己管理。 log.flush.interval.ms 每隔多久，刷数据到磁盘，默认是 null。一般不建议修改，交给系统自己管理。
第五章 Kafka消费者
5.1 Kafka消费方式
pull（拉）模式：
consumer采用从broker中主动拉取数据，Kafka采用这种方式。
push（推）模式：
Kafka没有采用这种方式，因为由broker决定消息发送速率，很难适应所有消费者的消费速率。如下图所示，例如推送的速度50m/s，Consumer1、Consumer2就来不及处理消息。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。
5.2 Kafka消费者工作流程
5.2.1 消费者总体工作流程
5.2.2 消费者组原理
Consumer Group（CG）：消费者组，由多个consumer组成。形成一个消费者组的条件，是所有消费者的groupid相同。
- 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。
- 如果向消费组中添加更多的消费者，超过主题分区数量，则有一部分消费者就会闲置，不会接收任何消息。
消费者组初始化流程
coordinator：辅助实现消费者组的初始化和分区的分配。 coordinator节点选择 = groupid的hashcode值 % 50（ consumer_offsets的分区数量） 例如： groupid的hashcode值 = 1，1% 50 = 1，那么__consumer_offsets 主题的1号分区，在哪个broker上，就选择这个节点的coordinator 作为这个消费者组的老大。消费者组下的所有的消费者提交offset的时候就往这个分区去提交offset。
5.2.3 消费者重要参数
参数名称 描述 bootstrap.servers 向 Kafka 集群建立初始连接用到的 host/port 列表 key.deserializer 和 value.deserializer 指定接收消息的 key 和 value 的反序列化类型，一定要写全类名 group.id 标记消费者所属的消费者组 enable.auto.commit 默认值为 true，消费者会自动周期性地向服务器提交偏移量 auto.commit.interval.ms 如果设置了 enable.auto.commit 的值为 true， 则该值定义了消费者偏移量向 Kafka 提交的频率，默认 5s auto.offset.reset 当 Kafka 中没有初始偏移量或当前偏移量在服务器中不存在（如，数据被删除了），该如何处理？ earliest：自动重置偏移量到最早的偏移量。 latest：默认，自动重置偏移量为最新的偏移量。 none：如果消费组原来的（previous）偏移量不存在，则向消费者抛异常。 anything：向消费者抛异常 offsets.topic.num.partitions __consumer_offsets 的分区数，默认是 50 个分区 heartbeat.interval.ms Kafka 消费者和 coordinator 之间的心跳时间，默认 3s。该条目的值必须小于 session.timeout.ms ，也不应该高于session.timeout.ms 的 1/3。 session.timeout.ms Kafka 消费者和 coordinator 之间连接超时时间，默认 45s。超过该值，该消费者被移除，消费者组执行再平衡 max.poll.interval.ms 消费者处理消息的最大时长，默认是 5 分钟。超过该值，该消费者被移除，消费者组执行再平衡。 fetch.min.bytes 默认 1 个字节。消费者获取服务器端一批消息最小的字节数。 fetch.max.wait.ms 默认 500ms。如果没有从服务器端获取到一批数据的最小字节数。该时间到，仍然会返回数据。 fetch.max.bytes 默认 Default: 52428800（50 m）。消费者获取服务器端一批消息最大的字节数。如果服务器端一批次的数据大于该值（50m）仍然可以拉取回来这批数据，因此，这不是一个绝对最大值。一批次的大小受 message.max.bytes （broker config）or max.message.bytes （topic config）影响。 max.poll.records 一次 poll 拉取数据返回消息的最大条数，默认是 500 条。
5.3 消费者 API
5.3.1 独立消费者案例（订阅主题）
需求：创建一个独立消费者，消费 first 主题中数据。 注意：在消费者 API 代码中必须配置消费者组 id，命令行启动消费者不填写消费者组id会被自动填写随机的消费者组 id。
代码实现
测试
5.3.2 独立消费者案例（订阅分区）
- 需求：创建一个独立消费者，消费 first 主题 0 号分区的数据。
- 代码实现
- 测试
5.3.3 消费者组案例
需求：测试同一个主题的分区数据，只能由一个消费者组中的一个消费。
代码实现
测试
5.4 生产经验——分区的分配以及再平衡
- 一个consumer group中有多个consumer组成，一个 topic有多个partition组成，现在的问题是，到底由哪个consumer来消费哪个partition的数据。
- Kafka有四种主流的分区分配策略： Range、RoundRobin、Sticky、CooperativeSticky。可以通过配置参数partition.assignment.strategy，修改分区的分配策略。默认策略是Range + CooperativeSticky。Kafka可以同时使用多个分区分配策略。
| 参数名称 | 描述 |
|---|---|
| heartbeat.interval.ms | Kafka 消费者和 coordinator 之间的心跳时间，默认 3s。该条目的值必须小于 session.timeout.ms，也不应该高于session.timeout.ms 的 1/3。 |
| session.timeout.ms | Kafka 消费者和 coordinator 之间连接超时时间，默认 45s。超过该值，该消费者被移除，消费者组执行再平衡。 |
| max.poll.interval.ms | 消费者处理消息的最大时长，默认是 5 分钟。超过该值，该消费者被移除，消费者组执行再平衡。 |
| partition.assignment.strategy | 消 费 者 分 区 分 配 策 略 ， 默 认 策 略 是 Range +CooperativeSticky。Kafka 可以同时使用多个分区分配策略。可 以 选 择 的 策 略 包 括 ： Range 、 RoundRobin 、 Sticky 、CooperativeSticky |
5.4.1 Range以及再平衡
- Range分区策略原理
- Range 分区分配策略案例
- Range 分区分配再平衡案例
5.4.2 RoundRobin 以及再平衡
- RoundRobin 分区策略原理
- RoundRobin 分区分配策略案例
- RoundRobin 分区分配再平衡案例
5.4.3 Sticky 以及再平衡
- 需求
- 步骤
- Sticky 分区分配再平衡案例
5.5 offset 位移
5.5.1 offset 的默认维护位置
- 消费 offset 案例
5.5.2 自动提交 offset
- 消费者自动提交 offset
5.5.3 手动提交 offset
- 同步提交 offset
- 异步提交 offset