分布式消息队列Kafka

文章目录

分布式消息队列Kafka

架构

组成架构

* 好处

* Api

命令行操作

* Java Api

* 1.producer

          * ）异步提交
          * ）同步提交
      * .Consumer
          * ）自动提交
          * ）手动提交
          * ）自定义存储offset
      * .自定义Interceptor
  * 运行机制

生产者

          * .分区的原因
          * .分区原则
          * .数据的可靠性
          * .ISR机制
          * .ack应答机制
          * .数据的一致性保证（HW、LEO机制）
          * .exactly机制（）
          * .server.properties配置说明
          * .producer配置文件说明
          * .consumer配置文件说明
      * 消费者
          * .消费方式
          * .分区分配策略
          * .offset的维护
          * . 消费者组
      * kafka高效读写数据
          * .顺序写磁盘
          * .零复制拷贝
      * kafka事务
          * .zookeeper在kafka中的作用
          * .producer事务
          * .customer事务

分布式消息队列Kafka

Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。

kafka是最初由linkedin公司开发的，使用scala语言编写，kafka是一个分布式，分区的，多副本的，多订阅者的日志系统（分布式MQ系统），可以用于搜索日志，监控日志，访问日志等

Kafka is a distributed,partitioned,replicated commit logservice。它提供了类似于的特性，但是在实现上完全不同，此外它并不是规范的实现。对消息保存时根据进行归类，发送消息者成为消息接受者成为此外集群有多个实例组成，每个实例成为。无论是集群，还是和都依赖于来保证系统可用性集群保存一些信息

架构

组成架构

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；

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一个消费者消费；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。

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。

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 ；

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；

Replica ：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。

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。

follower: 每个分区多个副本中的从，实时从中同步数据，保持和数据的同步。发生故障时，某个follower

好处

可靠性：分布式的，分区，复制和容错的。

可扩展性：kafka消息传递系统轻松缩放，无需停机。

耐用性：kafka使用分布式提交日志，这意味着消息会尽可能快速的保存在磁盘上，因此它是持久的。

性能：kafka对于发布和订阅消息都具有高吞吐量。即使存储了许多TB的消息，他也爆出稳定的性能。

kafka非常快：保证零停机和零数据丢失。

Api

命令行操作

1.查看所有topic

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

2.创建topic

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

first

3.删除topic

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

4.启用produce发送消息

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

5.消费消息

bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first //读取当前的消息

bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --from-beginning --topic first //读取所有的消息（包含之前的消息）

6.查看某个topic的信息

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

7.修改分区信息

bin/kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6

Java Api

1.producer

Kafka 的 Producer 发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程—main线程和Sender线程，以及一个线程共享变量—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 Kafkabroker。

1）异步提交

需要用到的类：

KafkaProducer：需要创建一个生产者对象，用来发送数据

ProducerConfig：获取所需的一系列配置参数

ProducerRecord：每条数据都要封装成一个ProducerRecord 对象

producer的send方法默认是异步，由两个重载方法组成。带回调函数的方法参数为RecordMetadata 和 Exception。如果Exception为null，说明没有产生异常。

异步提交失败会自动重试。

2）同步提交

send方法返回的是一个Future对象，我们可以利用这一点来实现同步提交。如：send().get(),若提交没有返回结果，则会阻塞当前线程。

2.Consumer

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。

1）自动提交

需要用到的类：

KafkaConsumer：需要创建一个消费者对象，用来消费数据

ConsumerConfig：获取所需的一系列配置参数

ConsuemrRecord：每条数据都要封装成一个ConsumerRecord 对象

我们可以通过设置两个参数来实现自动提交

enable.auto.commit：是否开启自动提交 offset 功能

auto.commit.interval.ms：自动提交 offset 的时间间隔

2）手动提交

手动提交需要先将自动提交关闭。一般使用异步的，因为同步提交会阻塞线程，降低吞吐量

手动提交 offset 的方法有两种：分别是 commitSync（同步提交）和 commitAsync（异步提交）。两者的相同点是，都会将本次 poll 的一批数据最高的偏移量提交；不同点是，

commitSync 阻塞当前线程，一直到提交成功，并且会自动失败重试（由不可控因素导致，也会出现提交失败）；而 commitAsync 则没有失败重试机制，故有可能提交失败。

3）自定义存储offset

Kafka 0.9 版本之前，offset 存储在 zookeeper，0.9 版本及之后，默认将 offset 存储在 Kafka的一个内置的 topic 中。除此之外，Kafka 还可以选择自定义存储 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。

要实现自定义存储 offset需要用到ConsumerRebalanceListener类。

3.自定义Interceptor

自定义拦截器中的方法

（1）configure(configs)

获取配置信息和初始化数据时调用。

（2）onSend(ProducerRecord)：

该方法封装进 KafkaProducer.send 方法中，即它运行在用户主线程中。Producer 确保在消息被序列化以及计算分区前调用该方法。用户可以在该方法中对消息做任何操作，但最好保证不要修改消息所属的 topic 和分区，否则会影响目标分区的计算。

（3）onAcknowledgement(RecordMetadata, Exception)：

该方法会在消息从RecordAccumulator 成功发送到 Kafka Broker 之后，或者在发送过程中失败时调用。并且通常都是在 producer 回调逻辑触发之前。onAcknowledgement 运行在producer 的 IO 线程中，因此不要在该方法中放入很重的逻辑，否则会拖慢 producer 的消息发送效率。

（4）close：

关闭 interceptor，主要用于执行一些资源清理工作.

如前所述，interceptor 可能被运行在多个线程中，因此在具体实现时用户需要自行确保线程安全。另外倘若指定了多个 interceptor，则 producer 将按照指定顺序调用它们，并仅仅是捕获每个 interceptor 可能抛出的异常记录到错误日志中而非在向上传递。这在使用过程中要特别留意。

运行机制

生产者

1.分区的原因

（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic又可以有多个Partition 组成，因此整个集群就可以适应任意大小的数据了；

（2 ）可以提高并发，因为可以以Partition 为单位读写了。

2.分区原则

我们需要将 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）都未指定，使用partitionround-robin策略

3.数据的可靠性

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。

4.ISR机制

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 follower 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。

5.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,但是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：等待的leader的落盘成功后返回，如果在同步成功之前故障，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。

6.数据的一致性保证（HW、LEO机制）

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） follower 故障

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。

（2） leader 故障

leader 发生故障之后，会从中选出一个新的，之后，为保证多个副本之间的数据一致性，其余的会先将各自的文件高于的部分截掉，然后从新的同步数据

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.

7.exactly机制（）

1） kafka的数据消费模型：

exactly once：消费且仅消费一次

at least once：最少消费一次 出现数据重复消费的问题

at most once ： 至多消费一次 出现数据丢失的问题

2） 0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的Exactly Once 语义。即：

​ At Least Once + 幂等性 （开启幂等性需要将 Producer 的参数中 enable.idompotence 设置为 true）

3） 开启幂等性后，发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。

但是PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的Exactly Once。

8.server.properties配置说明

broker.id
num.network.threads
num.io.threads
socket.send.buffer.bytes
socket.receive.buffer.bytes
socket.request.max.bytes
log.dirs/export/data/kafka/
num.partitions
num.recovery.threads.per.data.dir
log.retention.hours
log.roll.hours
log.segment.bytes
log.retention.check.interval.ms
log.cleaner.enabletrue
zookeeper.connectzk01:2181,zk02:2181,zk03:2181
zookeeper.connection.timeout.ms
log.flush.interval.messages
log.flush.interval.ms
delete.topic.enabletrue
host.namekafka01
advertised.host.name.140.128

9.producer配置文件说明

metadata.broker.listnode01:9092,node02:9092,node03:9092
compression.codecnone
serializer.classkafka.serializer.DefaultEncoder
request.required.acks 
request.timeout.ms
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.typesync
queue.buffering.max.ms  
queue.buffering.max.messages
batch.num.messages
queue.enqueue.timeout.ms-1
message.send.max.retries
topic.metadata.refresh.interval.ms

10.consumer配置文件说明

zookeeper.connectzk01:2181,zk02:2181,zk03:2181
zookeeper.session.timeout.ms
zookeeper.connection.timeout.ms
zookeeper.sync.time.ms
group.iditcast
auto.commit.enabletrue
auto.commit.interval.ms
conusmer.idxxx 
client.idxxxx
queued.max.message.chunks
rebalance.max.retries
fetch.min.bytes
fetch.wait.max.ms
socket.receive.buffer.bytes
auto.offset.resetsmallest
derializer.classkafka.serializer.DefaultDecoder

消费者

1.消费方式

kafka支持pull（拉）和push（推）两种方式。但是push有可能会导致customer来不及消费，导致网络拥堵或者拒绝连接。pull由消费者自己选择拉取的数据内容、大小，但如果生产者没有数据，可能会导致死循环，所以我们通常设置一个超时时间来返回。

2.分区分配策略

1.RoundRobin 按照消费者组轮询选择消费的分区

2.Range 按照topic分配分区

3.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 保存在 一个内置的 中，该 topic 为 consumer_offsets。

1）修改配置文件 consumer.properties

exclude.internal.topics=false

2）读取 offset

0.11.0.0 之前版本:

bin/kafka-console-consumer.sh –topic __consumer_offsets – zookeeper hadoop102:2181 --formatter “kafka.coordinator.GroupMetadataManager$OffsetsMessageFormatter” --consumer.config config/consumer.properties --from-beginning

0.11.0.0 之后版本(含):

4. 消费者组

需要修改 consumer.properties 中的group.id

kafka高效读写数据

1.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。

2.零复制拷贝

kafka事务

1.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。

2.producer事务

为了跨分区、跨会话的事务，我们需要引入一个事务id，并将producer获得的pid与之绑定。我们可以通过Transaction Coordinator来获得事务的状态以及将事务写入一个事务topic。

3.customer事务

customer并没有严格的事务，因为customer可以访问任意信息，无法保证commit的事务被精准消费。同一事务的消息重启后可能会被删除。