kafka学习

 

概念：

• broker: 1台服务器的kafka进程，它是kafka的工作者。类似Hbase的regionServer，hdfs的Datanode
• topic: 订阅发布模式的kafka中有消息主题
• producer：生产者
• customer：消费者

基础架构：

• 元数据：kafka的部分元数据保存在ZK中
• 数据写入：生产者将它产生的数据按照顺序挨个写入对应主题的各个分区
• 数据读取：消费者会监听它感兴趣的主题的全部分区，从这些分区中取出最新消息

消费的顺序：

kafka一个分区内的消息是按顺序消费的

kafka多个分区之间的消息，消费顺序是无法保证的（因为网络波动）

 

Kafka Shell

• 查看kafka中有哪些Topic

kafka-topics.sh --list --zookeeper zk地址
Zk地址可以一台可以多台

 

 

• 创建topic

kafka-topics.sh --create --zookeeper zk地址 --topic topic名 --partitions num --replication-factor num
--replication-factor 表示副本数。 一个副本最快，2个副本安全好一点，性能下降一点，3个副本安全性最好
--partitions 分区。 分区数量建议是Broker数量的n倍

 

 

• 查看topic详情

kafka-topics.sh --describe --zookeeper zk --topic topicname

 

• 删除topic

kafka-topics.sh --delete --zookeeper zk --topic topicname

 

kafka默认只是标记删除，物理实体没有被删除，如果想要物理清除，那么需要在config/server.properties配置：delete.topic.enable=true。

• 修改topic

只能增加分区数，无法修改副本数

kafka-topics.sh --alter --zookeeper zk --topic topicname --partitions num

 

• 开启一个模拟的生产者

我们可以使用kafka内置的脚本，来模拟生产者发送消息（用于测试）

前提：需要在防火墙开放9092端口

kafka-console-producer.sh --broker-list broker列表 --topic topicname
--broker-list: 如hadoop101:9092,hadoop102:9092,hadoop103:9092
如：kafka-console-producer.sh --broker-list hadoop101:9092,hadoop102:9092,hadoop103:9092 --topic bj61

 

• 开启一个模拟的消费者

kafka-console-consumer.sh --bootstrap-server broker列表 --topic topicname --from-beginning
--bootstrap-server: 如hadoop101:9092,hadoop102:9092,hadoop103:9092
--from-beginning: 可选配置，表示启动从头开始消费。不选，表示接着上一次消费的地方继续消费
如：kafka-console-consumer.sh --bootstrap-server hadoop101:9092,hadoop102:9092,hadoop103:9092 --topic bj61 --from-beginning

Kafka基准测试

测试集群的吞吐量

• 生产者测试：

kafka-producer-perf-test.sh --topic topicname --num-records num --throughput -1 --record-size num --producer-props
--num-records： 测试写入多少条数据
--throughput：指定吞吐量的限流，-1表示不限制
--record-size：每条数据的大小，单位是字节
--producer-props：生产者的属性，可以在这里指定集群的地址和ACK的机制，如：bootstrap.servers=hadoop101:9092,hadoop102:9092,hadoop103:9092 acks=1

 

测试1万条数据，每条数据1000Byte大小

kafka-producer-perf-test.sh --topic bj60 --num-records 10000 --throughput -1 --record-size 1000 --producer-props bootstrap.servers=hadoop101:9092,hadoop102:9092,hadoop103:9092 acks=1

 

• 消费者测试：

kafka-consumer-perf-test.sh --topic topicname --broker-list brokerlist --fetch-size num --messages num
--fetch-size：一次抓取多少
--messages num：总共测试多少条数据

 

一般情况下，消费者速率比生产快很多。

Python API

• 安装库

pip install kafka-python -i https://pypi.tuna.tsinghua.edu.cn/simple

• 生产者

from kafka import KafkaProducer
p = KafkaProducer(bootstrap_servers=['192.168.100.101:9092'])
p.send("bj61", b'nihao')
p.flush()

这边有个问题：本地机器必须配置hosts文件，要不然发送失败，不知为何！

• 消费者

from kafka import KafkaConsumer
c = KafkaConsumer("bj61",
group_id="group_id",
bootstrap_servers=['hadoop101:9092'],
auto_offset_reset='earliest',
enable_auto_commit=True)
for msg in c:# 这个for循环不会停topic=msg.topicpartition=msg.partitionoffset=msg.offsetkey=msg.keyvalue=msg.value.decode("UTF-8") #value是byte，需要解码print("topic是：%s，分区是：%s，offset：%s，key：%s，value：%s" % (topic,partition,offset,key,value))

 

Kafka的数据存储和消费者重复消费的问题

Kafka的数据是不会主动删除的，数据会默认保存7天。可以在server.properties中log.retention.hours=168配置

如果数据不删除，作为消费者来说，肯定不想消费到重复的数据，如：发短信。

这就靠消费者offset记录机制。

enable_auto_commit=True：

表示每隔一段时间就提交一次，记录一下消费到的offset，默认5秒钟一次。如果是False，则需要自己写代码提交。c.commit()

auto_offset_reset='earliest'：

假设系统宕机重新启动，表示启动的时候接着上次消费的地方继续消费。如果不设置默认是latest表示之前的数据都不管，只接受启动后收到的数据。

这边需要指定消费者组，要不然会从头开始消费，如果不指定，有可能是程序启动的时候消费者组变了，所以从头开始消费了。

 

如何确保不重复消费数据

消费者会将当前消费的offset记录下来。有两种方式：

（1）存到内置主题：_consumer_offsets：给消费者去记录自己消费到哪里了。宕机后可以接着上次offset继续消费。

记录机制：（1）每消费一条数据记录一次，性能差 （2）每隔一段时间记录一次，默认5秒钟，适用于对重复消费不敏感的业务。如：业务做了幂等性操作的。

（2）自己管理，自己记录offset，比如记录到mysql，启动的时候，自行提供本次启动从哪个offset开始

Kafka高级----分区和副本

kafka-topics.sh --create --zookeeper zk地址 --topic topic名 --partitions num --replication-factor num
--replication-factor 表示副本数。 一个副本最快，2个副本安全好一点，性能下降一点，3个副本安全性最好
--partitions 分区。 分区数量建议是Broker数量的n倍

如上shell，在创建主题的时候，我们可以通过：

--replication-factor 来设置一个主题的分区有多少副本

分区和副本的架构

 

 

如图：

• 在Kafka中，一个主题，可以有多个分区
• 每一个分区都会有副本，如上图，一个分区有3个副本

Kafka为了安全性，只要broker的数量足够，就会确保副本之间不在同一台机器上。

Broker的数量和副本数量是有关系的。如果有1个broker，就无法设置超过1个副本。因为副本都在同一台机器上，丢了就全部都丢了，没有意义。

• 副本之间会做选举，内部推选出一个leader，剩下的作为follow

数据写入

在多分区，多副本的场景下，数据写入：

• 在分区的选择上，跟随客户端的意愿（代码中可以指定具体写入哪个分区），kafka-python库策略是随机分发。
• 选择好分区后，写入哪个副本？这是固定的，只会写入Leader
• 写入Leader后，Leader和Follow之间同步数据

客户端ACK 如何确保生产者数据不丢失

1. 客户端只能写入Leader

2. Kafka自己会确保Leader和Follow之间的数据同步

那么客户端在写入数据到Leader之后，有3中选择：

• 当写入Leader成功，客户端认为成功（ACK=1），安全性较好。如果Leader磁盘坏了，有可能丢失数据。大多数场景推荐，能接受1%数据丢失的风险。
• 当写入Leader成功，并和Follow同步成功，客户端才认为数据写入成功（ACK=-1）。安全性极佳
• 压根不管是否写入成功，随缘（ACK=0），几乎没有安全性，性能最好，生产环境中，不推荐使用

小总结

• 客户端通过ACK来确保数据写入的过程安全
• 一旦数据进入kafka，kafka本身通过多副本，确保数据在Kafka内的存储安全
• 消费者没有丢失数据的风险，只要数据还在kafka，就能N次消费，只要保证记录的offset别乱就行了

消费者的数据均衡

消费者组

我们的程序在启动的时候，可以告知自己是哪一个消费者组

这是主动的行为（你自己设置）

结论

从分区的视角看：

kafka的一个分区只能给同一个消费者组的一个消费者提供数据。

 

如图，假设有一个python程序，将自己标记为：group1组，开启了4个线程，那么线程4就没有数据

 

如图，在只有1个消费者的情况下，可以消费多个分区。从分区的角度看，它是1对1的。

 

如图：如果消费者组是多个，那么一个分区可以给多个组的消费者提供数据，但依旧要满足只给同一个组的一个消费者提供数据

注意：

在企业内，消费kafka的时候，一定要注意，不要和别人使用的组是同名的。

查看消费者组列表

kafka-consumer-groups.sh --bootstrap-server hadoop101:9092 --list

 

 

查看消费者组详情

./kafka-consumer-groups.sh --bootstrap-server hadoop101:9092 --group group_id --describe

 

图中LAG，表示在这个组内有数据堆压

计算方法是：当前分区最新的offset - 当前分区已提交的消费的offset