大数据:kafka

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

2消息队列的两种模式

1、点对点模式(一对一,消费者主动拉取数据,消息收到后消息消除)

消息生产者生产消息发送到队列中,然后消息消费者从队列中取出并且消费消息。

消息被消费以后,queue中不再有存储,所以消息消费者不可能消费到已经被消费的消息。Queue支持存在多个消费者,但是对一个消息而言,只会有一个消费者可以消费。

2、发布/订阅(一对多,消费者消费数据之后不会清除消息)

消息生产者(发布)将消息发布到topic中,同时有多个消息消费者(订阅)消费该消息。和点对点方式不同,发布到topic的消息会被所有订阅者消费。

3、kafka基础架构

为方便扩展,并提高,一个topic分为多个partition

配合分区的设计,提出消费者组的的概念,组内每个消费者并行消费

为了提高可用性,为每个parttion增加若干副本。

(1)prodcuer:消息生产者,就是向kafka broker发消息的客户端

  (2) 消息消费者,向kafka broker 取消息的客户端。

(3)consumer group:消费者组,多个consumer组成,消费者组内每个消费负责消费不同分区的数据,一个分区只能由一个消费者消费,消费者组之间互不影响。所有的消费者者属于消费者组,即消费者是逻辑上一个订阅者。

(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) parttion为了实现扩展性,一个非常大的topic可以分布到多个broker服务器上,一个topic可以分为多个parttiion,每个parttiion是一个有序的队列。

(7)replica:副本,为保证集群中某个节点发生故障时,该节点上的parttiion数据不会丢失,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followr.

(8) leader:每个分区多个副本为主,生产者发送数据的对象以及消费者消费数据对象者是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会成新的follower

配置文件内容:
#broker的全局唯一编号,不能重复
broker.id=0
#删除topic功能使能
delete.topic.enable=true
#处理网络请求的线程数量
num.network.threads=3
#用来处理磁盘IO的现成数量
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运行日志存放的路径	
log.dirs=/opt/module/kafka/logs
#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
#segment文件保留的最长时间,超时将被删除
log.retention.hours=168
#配置连接Zookeeper集群地址
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181


启动命令
bin/kafka-server-start.sh -daemon  config/server.properties

kafka命令行操作
查看当前服务器中的所有topic
bin/kafka-topics.sh --zookeeper lwbd1:2181 --list
创建topic 
bin/kafka-topics.sh --zookeeper lwbd1:2181 --create  --replication-factor 3 --partitions 3 --topic first
--topic 定义topic名
--replication-factor  定义副本数
--partitions  定义分区数
delete.topic.enable=true  需要设置删除
bin/kafka-topics.sh --zookeeper lwbd1:2181 --delete --topic first

发送消息

#发送消息 
bin/kafka-console-producer.sh  --broker-list 172.16.108.64:6667  lwbd6:6667 --topic first

#消费消息
bin/kafka-console-consumer.sh   --bootstrap-server lwbd6:6667 --from-beginning --topic first

##查看某个Topic的详情

 bin/kafka-topics.sh  --zookeeper lwbd1:2181 --describe --topic first

###修改分区数
bin/kafka-topics.sh  --zookeeper lwbd1:2181 --alter --topic first --partitions 100

####副本个数不能大于broker个数
bin/kafka-topics.sh --zookeeper lwbd1:2181 --create  --replication-factor 13 --partitions 3 --topic first1
Error while executing topic command : Replication factor: 13 larger than available brokers: 3.
[2020-02-17 16:31:54,042] ERROR org.apache.kafka.common.errors.InvalidReplicationFactorException: Replication factor: 13 larger than available brokers: 3.
 (kafka.admin.TopicCommand$)

kafka架构深入

kafka中消息是以topic进行分类,生产者生产消息,消费者消费,都是面向topic的。

topic是逻辑上的概念,而partition是物理上的概念,每个parttiion对应于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,每条数据都有自已的offset.消费者中的每个消费者,都会实时记录自已消费的了哪个offeset,以便出错恢复时,从上次的位置继续消费。

一个kafka topic有多个分区,每个分区有多个segment,每个segment对应两个文件“index”和log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这个topic三个分区。则对应的文件夹为first-0,first-1,first-2

index和log文件以当前segment的第一消息的offset命名,下图为index文件和log文件结构示意图

“index”文件存储大量的索引信息,log文件存储大量的数据,索引文件中的元数据指向对应数据文件中message的物理偏移地址。

kafka生产者

分区策略

分区的原因

方便在集群中扩展,每个分区可以通过调整以适应所在的机器,而一个topic又可以多个分区组成,因此整个集群就可以适应任意大小的数据了。

可以提高并发,因为可以以分区为单位读写了。

分区的原则

我们需要将product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parttion值

(2)没有指明partition的key的情况下,将key的hash值与topic的partition数进行取余得到partition值

(3)即没有partition值又没有key的值情况,第一次调用时随机生成一个整数,将这个值与parttion总得到parttion值,也就是常说的round-robin算法

数值可靠性保证

为保证producer发送的数据,能可靠发送到指定topic,topic每个partition收到producer发送的数据后,都需要向producer发送ack,如果producer收到ack,就会进行下一轮的发送,否则重新发送数据。

1)副本数据同步策略

方案

优点

缺点

半数以上完成同步,就发送ack

延迟低

选举新的leader时,容忍n台节点的故障,需要2n+1个副本

全部完成同步,才发送ack

选举新的leader时,容忍n台节点的故障,需要n+1个副本

延迟高

Kafka选择了第二种方案,原因如下:

1.同样为了容忍n台节点的故障,第一种方案需要2n+1个副本,而第二种方案只需要n+1个副本,而Kafka的每个分区都有大量的数据,第一种方案会造成大量数据的冗余。

2.虽然第二种方案的网络延迟会比较高,但网络延迟对Kafka的影响较小。

2)ISR

采用第二种方案之后,设想以下情景:leader收到数据,所有follower都开始同步数据,但有一个follower,因为某种故障,迟迟不能与leader进行同步,那leader就要一直等下去,直到它完成同步,才能发送ack。这个问题怎么解决呢?

       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。

3)ack应答机制

对于某些不太重要的数据,对数据的可靠性要求不是很高,能够容忍数据的少量丢失,所以没必要等ISR中的follower全部接收成功。

所以Kafka为用户提供了三种可靠性级别,用户根据对可靠性和延迟的要求进行权衡,选择以下的配置。

acks参数配置:

acks

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:producer等待broker的ack,partition的leader落盘成功后返回ack,如果在follower同步成功之前leader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

(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ISR中选出一个新的leader,之后,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。

 

 Exactly Once语义

对于某些比较重要的消息,我们需要保证exactly once语义,即保证每条消息被发送且仅被发送一次。

在0.11版本之后,Kafka引入了幂等性机制(idempotent),配合acks = -1时的at least once语义,实现了producer到broker的exactly once语义。

idempotent + at least once = exactly once

使用时,只需将enable.idempotence属性设置为true,kafka自动将acks属性设为-1。

消费方式

consumer采用pull(拉)模式从broker中读取数据。

push(推)模式很难适应消费速率不同的消费者,因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息,但是这样很容易造成consumer来不及处理消息,典型的表现就是拒绝服务以及网络拥塞。而pull模式则可以根据consumer的消费能力以适当的速率消费消息。

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。针对这一点,Kafka的消费者在消费数据时会传入一个时长参数timeout,如果当前没有数据可供消费,consumer会等待一段时间之后再返回,这段时长即为timeout。

区分配策略

一个consumer group中有多个consumer,一个 topic有多个partition,所以必然会涉及到partition的分配问题,即确定那个partition由哪个consumer来消费。

Kafka有两种分配策略,一是roundrobin,一是range。

1)roundrobin

 

 

 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)零复制技术:不走用户空间,只走内核空间

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。

Controller的管理工作都是依赖于Zookeeper的。

       以下为partition的leader选举过程:

 

Kafka API:

producer API:

消息发送流程

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Kafka broker。

相关参数:

batch.size只有数据积累到batch.size之后,sender才会发送数据。

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。

import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.clients.producer.ProducerRecord;

import java.util.Properties;
//不带回调函数的API
public class CustomProducer {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        props.put("retries", 1);//重试次数
        props.put("batch.size", 16384);//批次大小
        props.put("linger.ms", 1);//等待时间
        props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        Producerproducer = new KafkaProducer<>(props);
        for (int i = 0; i < 100; i++) {
            producer.send(new ProducerRecord("first", "message11"+i));
        }
        producer.close();
    }

}

异步发送API

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

带回调函数的API
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RecordMetadata和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。

import org.apache.kafka.clients.producer.*;

import java.util.Properties;
import java.util.concurrent.ExecutionException;

public class NIOCustomProducer {
    public static void main(String[] args) throws ExecutionException, InterruptedException {
        Properties props = new Properties();
        props.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        props.put("acks", "all");
        props.put("retries", 1);//重试次数
        props.put("batch.size", 16384);//批次大小
        props.put("linger.ms", 1);//等待时间
        props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        Producerproducer = new KafkaProducer<>(props);


        for (int i = 0; i < 100; i++) {
            producer.send(new ProducerRecord("first",  "wjj"+Integer.toString(i)), new Callback() {
                @Override
                public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                    if(e == null){
                        System.out.println("successufl->"+recordMetadata.offset());
                    }else{
                        e.printStackTrace();
                    }
                }
            });

        }
        producer.close();
    }
}

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

同步

import org.apache.kafka.clients.producer.*;

import java.util.Properties;
import java.util.concurrent.ExecutionException;

public class NIOCustomProducer {
    public static void main(String[] args) throws ExecutionException, InterruptedException {
        Properties props = new Properties();
        props.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        props.put("acks", "all");
        props.put("retries", 1);//重试次数
        props.put("batch.size", 16384);//批次大小
        props.put("linger.ms", 1);//等待时间
        props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        Producerproducer = new KafkaProducer<>(props);


        for (int i = 0; i < 100; i++) {
            producer.send(new ProducerRecord("first",  "wjj"+Integer.toString(i)), new Callback() {
                @Override
                public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                    if(e == null){
                        System.out.println("successufl->"+recordMetadata.offset());
                    }else{
                        e.printStackTrace();
                    }
                }
            }).get();

        }
        producer.close();
    }
}

同步发送的意思就是,一条消息发送之后,会阻塞当前线程,直至返回ack。

由于send方法返回的是一个Future对象,根据Futrue对象的特点,我们也可以实现同步发送的效果,只需在调用Future对象的get方发即可。

consumer API

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。

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

import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;

import java.util.Arrays;
import java.util.Properties;

public class ConsumerAutoofferset {
    public static void main(String[] args) {
        Properties properties = new Properties();
        properties.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        properties.put("group.id","wjj");
        //消费者组,只要group.id相同,就属于同一个消费者组
        properties.put("enable.auto.commit", "false");
        //自动提交offset
        properties.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        properties.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumerkafkaConsumer = new KafkaConsumer<>(properties);
        kafkaConsumer.subscribe(Arrays.asList("first"));
        while (true){
            ConsumerRecordsrecords = kafkaConsumer.poll(100);
            for (ConsumerRecordrecord : records) {
                System.out.println(record.offset() + ":" + record.key() + ":" + record.value());
            }
            kafkaConsumer.commitAsync(); //异步同步
            //同步消费
            //kafkaConsumer.commitSync();
        }
    }
}

为了使我们能够专注于自己的业务逻辑,Kafka提供了自动提交offset的功能。

自动提交offset的相关参数:

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

以下为自动提交offset的代码:

import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;

import java.util.Arrays;
import java.util.Properties;

public class ConsumerAutoofferset {
    public static void main(String[] args) {
        Properties properties = new Properties();
        properties.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        properties.put("group.id","wjj");
        //消费者组,只要group.id相同,就属于同一个消费者组
        properties.put("enable.auto.commit", "true");
        //自动提交offset
        properties.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        properties.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumerkafkaConsumer = new KafkaConsumer<>(properties);
        kafkaConsumer.subscribe(Arrays.asList("first"));
        while (true){
            ConsumerRecordsrecords = kafkaConsumer.poll(100);
            for (ConsumerRecordrecord : records) {
                System.out.println("111111111111111111111111111111111111"+record.offset() + ":" + record.key() + ":" + record.value());
            }
            //kafkaConsumer.commitAsync(); //异步同步
            //同步消费
            //kafkaConsumer.commitSync();
        }
    }
}

拦截器原理

producer拦截器是在kafka 0.10版本被引入的,主要用于实现clients端的定制化控制逻辑

对于producer而言,interceptor使用用户

对于producer而言,interceptor使得用户在消息发送前以及producer回调逻辑前有机会对消息做一些定制化需求,比如修改消息等。同时,producer允许用户指定多个interceptor按序作用于同一条消息从而形成一个拦截链(interceptor chain)。Intercetpor的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor,其定义的方法包括:

(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。

拦截器案例

1)需求:

实现一个简单的双interceptor组成的拦截链。第一个interceptor会在消息发送前将时间戳信息加到消息value的最前部;第二个interceptor会在消息发送后更新成功发送消息数或失败发送消息数。

import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;

import java.util.Map;

public class CounterInterceptor implements ProducerInterceptor{
    private int errorCounter = 0;
    private int successCounter = 0;

    @Override
    public void configure(Mapconfigs) {

    }

    @Override
    public ProducerRecordonSend(ProducerRecordrecord) {
        return record;
    }

    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
        // 统计成功和失败的次数
        if (exception == null) {
            successCounter++;
        } else {
            errorCounter++;
        }
    }

    @Override
    public void close() {
        // 保存结果
        System.out.println("Successful sent: " + successCounter);
        System.out.println("Failed sent: " + errorCounter);
    }
}


package com.wangjunji.interceptor;

import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;

import java.util.Map;

public class TimeInterceptor implements ProducerInterceptor{

    @Override
    public void configure(Mapconfigs) {

    }

    @Override
    public ProducerRecordonSend(ProducerRecordrecord) {
        // 创建一个新的record,把时间戳写入消息体的最前部
        return new ProducerRecord(record.topic(), record.partition(), record.timestamp(), record.key(),
                System.currentTimeMillis() + "," + record.value().toString());
    }

    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {

    }

    @Override
    public void close() {

    }
}


import org.apache.kafka.clients.producer.*;

import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
import java.util.concurrent.ExecutionException;

public class IOCustomProducer {
    public static void main(String[] args) throws ExecutionException, InterruptedException {
        Properties props = new Properties();
        props.put("bootstrap.servers","lwbd1:6667,lwbd2:6667,lwbd6:6667");
        props.put("acks", "all");
        props.put("retries", 1);//重试次数
        props.put("batch.size", 16384);//批次大小
        props.put("linger.ms", 1);//等待时间
        props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        Producerproducer = new KafkaProducer<>(props);
        ArrayListinterceptorArrayList = new ArrayList<>();
        interceptorArrayList.add("com.wangjunji.interceptor.CounterInterceptor");
        interceptorArrayList.add("com.wangjunji.interceptor.TimeInterceptor");
        props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG,interceptorArrayList);


        for (int i = 0; i < 100; i++) {
            producer.send(new ProducerRecord("first",  "wjj111111111111111111111111111"+Integer.toString(i)), new Callback() {
                @Override
                public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                    if(e == null){
                        System.out.println("successufl->"+recordMetadata.offset());
                    }else{
                        e.printStackTrace();
                    }
                }
            }) ;

        }
        producer.close();
    }
}

               

上一篇:RocketMQ的发送模式和消费模式


下一篇:Kafka