8、Kafka總結

一 Kafka概述

1.1 Kafka是什麼

在流式計算中，Kafka通常用來緩存數據，Storm經過消費Kafka的數據進行計算。

1）Apache Kafka是一個開源消息系統，由Scala寫成。是由Apache軟件基金會開發的一個開源消息系統項目。

2）Kafka最初是由LinkedIn開發，並於2011年初開源。2012年10月從Apache Incubator畢業。該項目的目標是爲處理實時數據提供一個統1、高通量、低等待的平臺。

3）Kafka是一個分佈式消息隊列。Kafka對消息保存時根據Topic進行歸類，發送消息者稱爲Producer，消息接受者稱爲Consumer，此外kafka集羣有多個kafka實例組成，每一個實例(server)成爲broker。

4）不管是kafka集羣，仍是producer和consumer都依賴於zookeeper集羣保存一些meta信息，來保證系統可用性。

1.2 Kafka內部實現原理

 

 

（1）點對點模式（一對一，消費者主動拉取數據，消息收到後消息清除）

點對點模型一般是一個基於拉取或者輪詢的消息傳送模型，這種模型從隊列中請求信息，而不是將消息推送到客戶端。這個模型的特色是發送到隊列的消息被一個且只有一個接收者接收處理，即便有多個消息監聽者也是如此。

（2）發佈/訂閱模式（一對多，數據生產後，推送給全部訂閱者）

發佈訂閱模型則是一個基於推送的消息傳送模型。發佈訂閱模型能夠有多種不一樣的訂閱者，臨時訂閱者只在主動監聽主題時才接收消息，而持久訂閱者則監聽主題的全部消息，即便當前訂閱者不可用，處於離線狀態。

1.2 爲何須要消息隊列

1）解耦：

　　容許你獨立的擴展或修改兩邊的處理過程，只要確保它們遵照一樣的接口約束。

2）冗餘：

消息隊列把數據進行持久化直到它們已經被徹底處理，經過這一方式規避了數據丟失風險。許多消息隊列所採用的"插入-獲取-刪除"範式中，在把一個消息從隊列中刪除以前，須要你的處理系統明確的指出該消息已經被處理完畢，從而確保你的數據被安全的保存直到你使用完畢。

3）擴展性：

由於消息隊列解耦了你的處理過程，因此增大消息入隊和處理的頻率是很容易的，只要另外增長處理過程便可。

4）靈活性 & 峯值處理能力：

在訪問量劇增的狀況下，應用仍然須要繼續發揮做用，可是這樣的突發流量並不常見。若是爲以能處理這類峯值訪問爲標準來投入資源隨時待命無疑是巨大的浪費。使用消息隊列可以使關鍵組件頂住突發的訪問壓力，而不會由於突發的超負荷的請求而徹底崩潰。

5）可恢復性：

系統的一部分組件失效時，不會影響到整個系統。消息隊列下降了進程間的耦合度，因此即便一個處理消息的進程掛掉，加入隊列中的消息仍然能夠在系統恢復後被處理。

6）順序保證：

在大多使用場景下，數據處理的順序都很重要。大部分消息隊列原本就是排序的，而且能保證數據會按照特定的順序來處理。（Kafka保證一個Partition內的消息的有序性）

7）緩衝：

有助於控制和優化數據流通過系統的速度，解決生產消息和消費消息的處理速度不一致的狀況。

8）異步通訊：

不少時候，用戶不想也不須要當即處理消息。消息隊列提供了異步處理機制，容許用戶把一個消息放入隊列，但並不當即處理它。想向隊列中放入多少消息就放多少，而後在須要的時候再去處理它們。

1.3 Kafka架構

 

 

1）Producer ：消息生產者，就是向kafka broker發消息的客戶端。

2）Consumer ：消息消費者，向kafka broker取消息的客戶端

3）Topic ：能夠理解爲一個隊列。

4） Consumer Group （CG）：這是kafka用來實現一個topic消息的廣播（發給全部的consumer）和單播（發給任意一個consumer）的手段。一個topic能夠有多個CG。topic的消息會複製（不是真的複製，是概念上的）到全部的CG，但每一個partion只會把消息發給該CG中的一個consumer。若是須要實現廣播，只要每一個consumer有一個獨立的CG就能夠了。要實現單播只要全部的consumer在同一個CG。用CG還能夠將consumer進行自由的分組而不須要屢次發送消息到不一樣的topic。

5）Broker ：一臺kafka服務器就是一個broker。一個集羣由多個broker組成。一個broker能夠容納多個topic。

6）Partition：爲了實現擴展性，一個很是大的topic能夠分佈到多個broker（即服務器）上，一個topic能夠分爲多個partition，每一個partition是一個有序的隊列。partition中的每條消息都會被分配一個有序的id（offset）。kafka只保證按一個partition中的順序將消息發給consumer，不保證一個topic的總體（多個partition間）的順序。

7）Offset：kafka的存儲文件都是按照offset.kafka來命名，用offset作名字的好處是方便查找。例如你想找位於2049的位置，只要找到2048.kafka的文件便可。固然the first offset就是00000000000.kafka

二 Kafka集羣部署

2.1 環境準備

2.1.1 集羣規劃

hadoop102                                  hadoop103                           hadoop104

zk                                              zk                                       zk

kafka                                         kafka                                  kafka

2.1.2 jar包下載

http://kafka.apache.org/downloads.html

 

 

2.1.3 虛擬機準備

1）準備3臺虛擬機

2）配置ip地址

3）配置主機名稱

4）3臺主機分別關閉防火牆

[root@hadoop102 atguigu]# chkconfig iptables off

[root@hadoop103 atguigu]# chkconfig iptables off

[root@hadoop104 atguigu]# chkconfig iptables off

2.1.4 安裝jdk

2.1.5 安裝Zookeeper

0）集羣規劃

在hadoop10二、hadoop103和hadoop104三個節點上部署Zookeeper。

1）解壓安裝

（1）解壓zookeeper安裝包到/opt/module/目錄下

[atguigu@hadoop102 software]$ tar -zxvf zookeeper-3.4.10.tar.gz -C /opt/module/

（2）在/opt/module/zookeeper-3.4.10/這個目錄下建立zkData

       mkdir -p zkData

（3）重命名/opt/module/zookeeper-3.4.10/conf這個目錄下的zoo_sample.cfg爲zoo.cfg

       mv zoo_sample.cfg zoo.cfg

2）配置zoo.cfg文件

       （1）具體配置

       dataDir=/opt/module/zookeeper-3.4.10/zkData

       增長以下配置

       #######################cluster##########################

server.2=hadoop102:2888:3888

server.3=hadoop103:2888:3888

server.4=hadoop104:2888:3888

（2）配置參數解讀

Server.A=B:C:D。

A是一個數字，表示這個是第幾號服務器；

B是這個服務器的ip地址；

C是這個服務器與集羣中的Leader服務器交換信息的端口；

D是萬一集羣中的Leader服務器掛了，須要一個端口來從新進行選舉，選出一個新的Leader，而這個端口就是用來執行選舉時服務器相互通訊的端口。

集羣模式下配置一個文件myid，這個文件在dataDir目錄下，這個文件裏面有一個數據就是A的值，Zookeeper啓動時讀取此文件，拿到裏面的數據與zoo.cfg裏面的配置信息比較從而判斷究竟是哪一個server。

3）集羣操做

（1）在/opt/module/zookeeper-3.4.10/zkData目錄下建立一個myid的文件

       touch myid

添加myid文件，注意必定要在linux裏面建立，在notepad++裏面極可能亂碼

（2）編輯myid文件

       vi myid

       在文件中添加與server對應的編號：如2

（3）拷貝配置好的zookeeper到其餘機器上

       scp -r zookeeper-3.4.10/ root@hadoop103.atguigu.com:/opt/app/

       scp -r zookeeper-3.4.10/ root@hadoop104.atguigu.com:/opt/app/

       並分別修改myid文件中內容爲三、4

（4）分別啓動zookeeper

       [root@hadoop102 zookeeper-3.4.10]# bin/zkServer.sh start

[root@hadoop103 zookeeper-3.4.10]# bin/zkServer.sh start

[root@hadoop104 zookeeper-3.4.10]# bin/zkServer.sh start

（5）查看狀態

[root@hadoop102 zookeeper-3.4.10]# bin/zkServer.sh status

JMX enabled by default

Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg

Mode: follower

[root@hadoop103 zookeeper-3.4.10]# bin/zkServer.sh status

JMX enabled by default

Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg

Mode: leader

[root@hadoop104 zookeeper-3.4.5]# bin/zkServer.sh status

JMX enabled by default

Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg

Mode: follower

2.2 Kafka集羣部署

1）解壓安裝包

[atguigu@hadoop102 software]$ tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/

2）修改解壓後的文件名稱

[atguigu@hadoop102 module]$ mv kafka_2.11-0.11.0.0/ kafka

3）在/opt/module/kafka目錄下建立logs文件夾

[atguigu@hadoop102 kafka]$ mkdir logs

4）修改配置文件

[atguigu@hadoop102 kafka]$ cd config/

[atguigu@hadoop102 config]$ vi server.properties

輸入如下內容：

#broker的全局惟一編號，不能重複 broker.id=0 #刪除topic功能使能 delete.topic.enable=true #處理網絡請求的線程數量 num.network.threads=3 #用來處理磁盤IO的現成數量 num.io.threads=8 #發送套接字的緩衝區大小 socket.send.buffer.bytes=102400 #接收套接字的緩衝區大小 socket.receive.buffer.bytes=102400 #請求套接字的緩衝區大小 socket.request.max.bytes=104857600 #kafka運行日誌存放的路徑 log.dirs=/opt/module/kafka/logs #topic在當前broker上的分區個數 num.partitions=1 #用來恢復和清理data下數據的線程數量 num.recovery.threads.per.data.dir=1 #segment文件保留的最長時間，超時將被刪除 log.retention.hours=168 #配置鏈接Zookeeper集羣地址 zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181

5）配置環境變量

[root@hadoop102 module]# vi /etc/profile

#KAFKA_HOME export KAFKA_HOME=/opt/module/kafka export PATH=$PATH:$KAFKA_HOME/bin

[root@hadoop102 module]# source /etc/profile

6）分發安裝包

[root@hadoop102 etc]# xsync profile

[atguigu@hadoop102 module]$ xsync kafka/

7）分別在hadoop103和hadoop104上修改配置文件/opt/module/kafka/config/server.properties中的broker.id=一、broker.id=2

       注：broker.id不得重複

8）啓動集羣

依次在hadoop10二、hadoop10三、hadoop104節點上啓動kafka

[atguigu@hadoop102 kafka]$ bin/kafka-server-start.sh config/server.properties &

[atguigu@hadoop103 kafka]$ bin/kafka-server-start.sh config/server.properties &

[atguigu@hadoop104 kafka]$ bin/kafka-server-start.sh config/server.properties &

2.3 Kafka命令行操做

1）查看當前服務器中的全部topic

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --list --zookeeper hadoop102:2181

2）建立topic

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --create --zookeeper hadoop102:2181 --replication-factor 3 --partitions 1 --topic first

選項說明：

--topic 定義topic名

--replication-factor  定義副本數

--partitions  定義分區數

3）  刪除topic

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --delete --zookeeper hadoop102:2181 --topic first

須要server.properties中設置delete.topic.enable=true不然只是標記刪除或者直接重啓。

4）發送消息

[atguigu@hadoop102 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

>hello world

>atguigu  atguigu

5）消費消息

[atguigu@hadoop103 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --from-beginning --topic first

6）查看某個Topic的詳情

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --topic first --describe --zookeeper hadoop102:2181

2.4 Kafka配置信息

2.4.1 Broker配置信息

屬性	默認值	描述
broker.id		必填參數，broker的惟一標識
log.dirs	/tmp/kafka-logs	Kafka數據存放的目錄。能夠指定多個目錄，中間用逗號分隔，當新partition被建立的時會被存放到當前存放partition最少的目錄。
port	9092	BrokerServer接受客戶端鏈接的端口號
zookeeper.connect	null	Zookeeper的鏈接串，格式爲：hostname1:port1,hostname2:port2,hostname3:port3。能夠填一個或多個，爲了提升可靠性，建議都填上。注意，此配置容許咱們指定一個zookeeper路徑來存放此kafka集羣的全部數據，爲了與其餘應用集羣區分開，建議在此配置中指定本集羣存放目錄，格式爲：hostname1:port1,hostname2:port2,hostname3:port3/chroot/path 。須要注意的是，消費者的參數要和此參數一致。
message.max.bytes	1000000	服務器能夠接收到的最大的消息大小。注意此參數要和consumer的maximum.message.size大小一致，不然會由於生產者生產的消息太大致使消費者沒法消費。
num.io.threads	8	服務器用來執行讀寫請求的IO線程數，此參數的數量至少要等於服務器上磁盤的數量。
queued.max.requests	500	I/O線程能夠處理請求的隊列大小，若實際請求數超過此大小，網絡線程將中止接收新的請求。
socket.send.buffer.bytes	100 * 1024	The SO_SNDBUFF buffer the server prefers for socket connections.
socket.receive.buffer.bytes	100 * 1024	The SO_RCVBUFF buffer the server prefers for socket connections.
socket.request.max.bytes	100 * 1024 * 1024	服務器容許請求的最大值， 用來防止內存溢出，其值應該小於 Java heap size.
num.partitions	1	默認partition數量，若是topic在建立時沒有指定partition數量，默認使用此值，建議改成5
log.segment.bytes	1024 * 1024 * 1024	Segment文件的大小，超過此值將會自動新建一個segment，此值能夠被topic級別的參數覆蓋。
log.roll.{ms,hours}	24 * 7 hours	新建segment文件的時間，此值能夠被topic級別的參數覆蓋。
log.retention.{ms,minutes,hours}	7 days	Kafka segment log的保存週期，保存週期超過此時間日誌就會被刪除。此參數能夠被topic級別參數覆蓋。數據量大時，建議減少此值。
log.retention.bytes	-1	每一個partition的最大容量，若數據量超過此值，partition數據將會被刪除。注意這個參數控制的是每一個partition而不是topic。此參數能夠被log級別參數覆蓋。
log.retention.check.interval.ms	5 minutes	刪除策略的檢查週期
auto.create.topics.enable	true	自動建立topic參數，建議此值設置爲false，嚴格控制topic管理，防止生產者錯寫topic。
default.replication.factor	1	默認副本數量，建議改成2。
replica.lag.time.max.ms	10000	在此窗口時間內沒有收到follower的fetch請求，leader會將其從ISR(in-sync replicas)中移除。
replica.lag.max.messages	4000	若是replica節點落後leader節點此值大小的消息數量，leader節點就會將其從ISR中移除。
replica.socket.timeout.ms	30 * 1000	replica向leader發送請求的超時時間。
replica.socket.receive.buffer.bytes	64 * 1024	The socket receive buffer for network requests to the leader for replicating data.
replica.fetch.max.bytes	1024 * 1024	The number of byes of messages to attempt to fetch for each partition in the fetch requests the replicas send to the leader.
replica.fetch.wait.max.ms	500	The maximum amount of time to wait time for data to arrive on the leader in the fetch requests sent by the replicas to the leader.
num.replica.fetchers	1	Number of threads used to replicate messages from leaders. Increasing this value can increase the degree of I/O parallelism in the follower broker.
fetch.purgatory.purge.interval.requests	1000	The purge interval (in number of requests) of the fetch request purgatory.
zookeeper.session.timeout.ms	6000	ZooKeeper session 超時時間。若是在此時間內server沒有向zookeeper發送心跳，zookeeper就會認爲此節點已掛掉。 此值過低致使節點容易被標記死亡；若過高，.會致使太遲發現節點死亡。
zookeeper.connection.timeout.ms	6000	客戶端鏈接zookeeper的超時時間。
zookeeper.sync.time.ms	2000	H ZK follower落後 ZK leader的時間。
controlled.shutdown.enable	true	容許broker shutdown。若是啓用，broker在關閉本身以前會把它上面的全部leaders轉移到其它brokers上，建議啓用，增長集羣穩定性。
auto.leader.rebalance.enable	true	If this is enabled the controller will automatically try to balance leadership for partitions among the brokers by periodically returning leadership to the 「preferred」 replica for each partition if it is available.
leader.imbalance.per.broker.percentage	10	The percentage of leader imbalance allowed per broker. The controller will rebalance leadership if this ratio goes above the configured value per broker.
leader.imbalance.check.interval.seconds	300	The frequency with which to check for leader imbalance.
offset.metadata.max.bytes	4096	The maximum amount of metadata to allow clients to save with their offsets.
connections.max.idle.ms	600000	Idle connections timeout: the server socket processor threads close the connections that idle more than this.
num.recovery.threads.per.data.dir	1	The number of threads per data directory to be used for log recovery at startup and flushing at shutdown.
unclean.leader.election.enable	true	Indicates whether to enable replicas not in the ISR set to be elected as leader as a last resort, even though doing so may result in data loss.
delete.topic.enable	false	啓用deletetopic參數，建議設置爲true。
offsets.topic.num.partitions	50	The number of partitions for the offset commit topic. Since changing this after deployment is currently unsupported, we recommend using a higher setting for production (e.g., 100-200).
offsets.topic.retention.minutes	1440	Offsets that are older than this age will be marked for deletion. The actual purge will occur when the log cleaner compacts the offsets topic.
offsets.retention.check.interval.ms	600000	The frequency at which the offset manager checks for stale offsets.
offsets.topic.replication.factor	3	The replication factor for the offset commit topic. A higher setting (e.g., three or four) is recommended in order to ensure higher availability. If the offsets topic is created when fewer brokers than the replication factor then the offsets topic will be created with fewer replicas.
offsets.topic.segment.bytes	104857600	Segment size for the offsets topic. Since it uses a compacted topic, this should be kept relatively low in order to facilitate faster log compaction and loads.
offsets.load.buffer.size	5242880	An offset load occurs when a broker becomes the offset manager for a set of consumer groups (i.e., when it becomes a leader for an offsets topic partition). This setting corresponds to the batch size (in bytes) to use when reading from the offsets segments when loading offsets into the offset manager’s cache.
offsets.commit.required.acks	-1	The number of acknowledgements that are required before the offset commit can be accepted. This is similar to the producer’s acknowledgement setting. In general, the default should not be overridden.
offsets.commit.timeout.ms	5000	The offset commit will be delayed until this timeout or the required number of replicas have received the offset commit. This is similar to the producer request timeout.

2.4.2 Producer配置信息

屬性	默認值	描述
metadata.broker.list		啓動時producer查詢brokers的列表，能夠是集羣中全部brokers的一個子集。注意，這個參數只是用來獲取topic的元信息用，producer會從元信息中挑選合適的broker並與之創建socket鏈接。格式是：host1:port1,host2:port2。
request.required.acks	0	參見3.2節介紹
request.timeout.ms	10000	Broker等待ack的超時時間，若等待時間超過此值，會返回客戶端錯誤信息。
producer.type	sync	同步異步模式。async表示異步，sync表示同步。若是設置成異步模式，能夠容許生產者以batch的形式push數據，這樣會極大的提升broker性能，推薦設置爲異步。
serializer.class	kafka.serializer.DefaultEncoder	序列號類，.默認序列化成 byte[] 。
key.serializer.class		Key的序列化類，默認同上。
partitioner.class	kafka.producer.DefaultPartitioner	Partition類，默認對key進行hash。
compression.codec	none	指定producer消息的壓縮格式，可選參數爲： 「none」, 「gzip」 and 「snappy」。關於壓縮參見4.1節
compressed.topics	null	啓用壓縮的topic名稱。若上面參數選擇了一個壓縮格式，那麼壓縮僅對本參數指定的topic有效，若本參數爲空，則對全部topic有效。
message.send.max.retries	3	Producer發送失敗時重試次數。若網絡出現問題，可能會致使不斷重試。
retry.backoff.ms	100	Before each retry, the producer refreshes the metadata of relevant topics to see if a new leader has been elected. Since leader election takes a bit of time, this property specifies the amount of time that the producer waits before refreshing the metadata.
topic.metadata.refresh.interval.ms	600 * 1000	The producer generally refreshes the topic metadata from brokers when there is a failure (partition missing, leader not available…). It will also poll regularly (default: every 10min so 600000ms). If you set this to a negative value, metadata will only get refreshed on failure. If you set this to zero, the metadata will get refreshed after each message sent (not recommended). Important note: the refresh happen only AFTER the message is sent, so if the producer never sends a message the metadata is never refreshed
queue.buffering.max.ms	5000	啓用異步模式時，producer緩存消息的時間。好比咱們設置成1000時，它會緩存1秒的數據再一次發送出去，這樣能夠極大的增長broker吞吐量，但也會形成時效性的下降。
queue.buffering.max.messages	10000	採用異步模式時producer buffer 隊列裏最大緩存的消息數量，若是超過這個數值，producer就會阻塞或者丟掉消息。
queue.enqueue.timeout.ms	-1	當達到上面參數值時producer阻塞等待的時間。若是值設置爲0，buffer隊列滿時producer不會阻塞，消息直接被丟掉。若值設置爲-1，producer會被阻塞，不會丟消息。
batch.num.messages	200	採用異步模式時，一個batch緩存的消息數量。達到這個數量值時producer纔會發送消息。
send.buffer.bytes	100 * 1024	Socket write buffer size
client.id	「」	The client id is a user-specified string sent in each request to help trace calls. It should logically identify the application making the request.

2.4.3 Consumer配置信息

屬性	默認值	描述
group.id		Consumer的組ID，相同goup.id的consumer屬於同一個組。
zookeeper.connect		Consumer的zookeeper鏈接串，要和broker的配置一致。
consumer.id	null	若是不設置會自動生成。
socket.timeout.ms	30 * 1000	網絡請求的socket超時時間。實際超時時間由max.fetch.wait + socket.timeout.ms 肯定。
socket.receive.buffer.bytes	64 * 1024	The socket receive buffer for network requests.
fetch.message.max.bytes	1024 * 1024	查詢topic-partition時容許的最大消息大小。consumer會爲每一個partition緩存此大小的消息到內存，所以，這個參數能夠控制consumer的內存使用量。這個值應該至少比server容許的最大消息大小大，以避免producer發送的消息大於consumer容許的消息。
num.consumer.fetchers	1	The number fetcher threads used to fetch data.
auto.commit.enable	true	若是此值設置爲true，consumer會週期性的把當前消費的offset值保存到zookeeper。當consumer失敗重啓以後將會使用此值做爲新開始消費的值。
auto.commit.interval.ms	60 * 1000	Consumer提交offset值到zookeeper的週期。
queued.max.message.chunks	2	用來被consumer消費的message chunks 數量， 每一個chunk能夠緩存fetch.message.max.bytes大小的數據量。
auto.commit.interval.ms	60 * 1000	Consumer提交offset值到zookeeper的週期。
queued.max.message.chunks	2	用來被consumer消費的message chunks 數量， 每一個chunk能夠緩存fetch.message.max.bytes大小的數據量。
fetch.min.bytes	1	The minimum amount of data the server should return for a fetch request. If insufficient data is available the request will wait for that much data to accumulate before answering the request.
fetch.wait.max.ms	100	The maximum amount of time the server will block before answering the fetch request if there isn’t sufficient data to immediately satisfy fetch.min.bytes.
rebalance.backoff.ms	2000	Backoff time between retries during rebalance.
refresh.leader.backoff.ms	200	Backoff time to wait before trying to determine the leader of a partition that has just lost its leader.
auto.offset.reset	largest	What to do when there is no initial offset in ZooKeeper or if an offset is out of range ;smallest : automatically reset the offset to the smallest offset; largest : automatically reset the offset to the largest offset;anything else: throw exception to the consumer
consumer.timeout.ms	-1	若在指定時間內沒有消息消費，consumer將會拋出異常。
exclude.internal.topics	true	Whether messages from internal topics (such as offsets) should be exposed to the consumer.
zookeeper.session.timeout.ms	6000	ZooKeeper session timeout. If the consumer fails to heartbeat to ZooKeeper for this period of time it is considered dead and a rebalance will occur.
zookeeper.connection.timeout.ms	6000	The max time that the client waits while establishing a connection to zookeeper.
zookeeper.sync.time.ms	2000	How far a ZK follower can be behind a ZK leader

三 Kafka工做流程分析

 

 

3.1 Kafka生產過程分析

3.1.1 寫入方式

producer採用推（push）模式將消息發佈到broker，每條消息都被追加（append）到分區（patition）中，屬於順序寫磁盤（順序寫磁盤效率比隨機寫內存要高，保障kafka吞吐率）。

3.1.2 分區（Partition）

消息發送時都被髮送到一個topic，其本質就是一個目錄，而topic是由一些Partition Logs(分區日誌)組成，其組織結構以下圖所示：

 

 咱們能夠看到，每一個Partition中的消息都是有序的，生產的消息被不斷追加到Partition log上，其中的每個消息都被賦予了一個惟一的offset值。

1）分區的緣由

（1）方便在集羣中擴展，每一個Partition能夠經過調整以適應它所在的機器，而一個topic又能夠有多個Partition組成，所以整個集羣就能夠適應任意大小的數據了；

（2）能夠提升併發，由於能夠以Partition爲單位讀寫了。

2）分區的原則

（1）指定了patition，則直接使用；

（2）未指定patition但指定key，經過對key的value進行hash出一個patition

（3）patition和key都未指定，使用輪詢選出一個patition。

DefaultPartitioner類 public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {         List<PartitionInfo> partitions = cluster.partitionsForTopic(topic);         int numPartitions = partitions.size();         if (keyBytes == null) {             int nextValue = nextValue(topic);             List<PartitionInfo> availablePartitions = cluster.availablePartitionsForTopic(topic);             if (availablePartitions.size() > 0) {                 int part = Utils.toPositive(nextValue) % availablePartitions.size();                 return availablePartitions.get(part).partition();             } else {                 // no partitions are available, give a non-available partition                 return Utils.toPositive(nextValue) % numPartitions;             }         } else {             // hash the keyBytes to choose a partition             return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;         }     }

3.1.3 副本（Replication）

同一個partition可能會有多個replication（對應 server.properties 配置中的 default.replication.factor=N）。沒有replication的狀況下，一旦broker 宕機，其上全部 patition 的數據都不可被消費，同時producer也不能再將數據存於其上的patition。引入replication以後，同一個partition可能會有多個replication，而這時須要在這些replication之間選出一個leader，producer和consumer只與這個leader交互，其它replication做爲follower從leader 中複製數據。

3.1.4 寫入流程

 producer寫入消息流程以下：

 

 

1）producer先從zookeeper的 "/brokers/.../state"節點找到該partition的leader

2）producer將消息發送給該leader

3）leader將消息寫入本地log

4）followers從leader pull消息，寫入本地log後向leader發送ACK

5）leader收到全部ISR中的replication的ACK後，增長HW（high watermark，最後commit 的offset）並向producer發送ACK

3.2 broker 保存消息

3.2.1 存儲方式

物理上把topic分紅一個或多個patition（對應 server.properties 中的num.partitions=3配置），每一個patition物理上對應一個文件夾（該文件夾存儲該patition的全部消息和索引文件），以下：

[atguigu@hadoop102 logs]$ ll

drwxrwxr-x. 2 atguigu atguigu  4096 8月   6 14:37 first-0

drwxrwxr-x. 2 atguigu atguigu  4096 8月   6 14:35 first-1

drwxrwxr-x. 2 atguigu atguigu  4096 8月   6 14:37 first-2

[atguigu@hadoop102 logs]$ cd first-0

[atguigu@hadoop102 first-0]$ ll

-rw-rw-r--. 1 atguigu atguigu 10485760 8月   6 14:33 00000000000000000000.index

-rw-rw-r--. 1 atguigu atguigu      219 8月   6 15:07 00000000000000000000.log

-rw-rw-r--. 1 atguigu atguigu 10485756 8月   6 14:33 00000000000000000000.timeindex

-rw-rw-r--. 1 atguigu atguigu        8 8月   6 14:37 leader-epoch-checkpoint

3.2.2 存儲策略

不管消息是否被消費，kafka都會保留全部消息。有兩種策略能夠刪除舊數據：

1）基於時間：log.retention.hours=168

2）基於大小：log.retention.bytes=1073741824

須要注意的是，由於Kafka讀取特定消息的時間複雜度爲O(1)，即與文件大小無關，因此這裏刪除過時文件與提升 Kafka 性能無關。

3.2.3 Zookeeper存儲結構

 

 

注意：producer不在zk中註冊，消費者在zk中註冊。

3.3 Kafka消費過程分析

kafka提供了兩套consumer API：高級Consumer API和低級API。

3.3.1 高級API

1）高級API優勢

高級API 寫起來簡單

不須要去自行去管理offset，系統經過zookeeper自行管理

不須要管理分區，副本等狀況，系統自動管理

消費者斷線會自動根據上一次記錄在zookeeper中的offset去接着獲取數據（默認設置1分鐘更新一下zookeeper中存的的offset）

可使用group來區分對同一個topic 的不一樣程序訪問分離開來（不一樣的group記錄不一樣的offset，這樣不一樣程序讀取同一個topic纔不會由於offset互相影響）

2）高級API缺點

不能自行控制offset（對於某些特殊需求來講）

不能細化控制如分區、副本、zk等

3.3.2 低級API

1）低級 API 優勢

可以開發者本身控制offset，想從哪裏讀取就從哪裏讀取。

自行控制鏈接分區，對分區自定義進行負載均衡

對zookeeper的依賴性下降（如：offset不必定非要靠zk存儲，自行存儲offset便可，好比存在文件或者內存中）

2）低級API缺點

太過複雜，須要自行控制offset，鏈接哪一個分區，找到分區leader 等。

3.3.3 消費者組

 

 

消費者是以consumer group消費者組的方式工做，由一個或者多個消費者組成一個組，共同消費一個topic。每一個分區在同一時間只能由group中的一個消費者讀取，可是多個group能夠同時消費這個partition。在圖中，有一個由三個消費者組成的group，有一個消費者讀取主題中的兩個分區，另外兩個分別讀取一個分區。某個消費者讀取某個分區，也能夠叫作某個消費者是某個分區的擁有者。

在這種狀況下，消費者能夠經過水平擴展的方式同時讀取大量的消息。另外，若是一個消費者失敗了，那麼其餘的group成員會自動負載均衡讀取以前失敗的消費者讀取的分區。

3.3.4 消費方式

consumer採用pull（拉）模式從broker中讀取數據。

push（推）模式很難適應消費速率不一樣的消費者，由於消息發送速率是由broker決定的。它的目標是儘量以最快速度傳遞消息，可是這樣很容易形成consumer來不及處理消息，典型的表現就是拒絕服務以及網絡擁塞。而pull模式則能夠根據consumer的消費能力以適當的速率消費消息。

對於Kafka而言，pull模式更合適，它可簡化broker的設計，consumer可自主控制消費消息的速率，同時consumer能夠本身控制消費方式——便可批量消費也可逐條消費，同時還能選擇不一樣的提交方式從而實現不一樣的傳輸語義。

3.3.5 消費者組案例

1）需求：測試同一個消費者組中的消費者，同一時刻只能有一個消費者消費。

2）案例實操

       （1）在hadoop10二、hadoop103上修改/opt/module/kafka/config/consumer.properties配置文件中的group.id屬性爲任意組名。

[atguigu@hadoop103 config]$ vi consumer.properties

       group.id=atguigu

       （2）在hadoop10二、hadoop103上分別啓動消費者

[atguigu@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first --consumer.config config/consumer.properties

[atguigu@hadoop103 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first --consumer.config config/consumer.properties

       （3）在hadoop104上啓動生產者

[atguigu@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

>hello world

       （4）查看hadoop102和hadoop103的接收者。

              同一時刻只有一個消費者接收到消息。

四 Kafka API實戰

4.1 環境準備

1）在eclipse中建立一個java工程

2）在工程的根目錄建立一個lib文件夾

3）解壓kafka安裝包，將安裝包libs目錄下的jar包拷貝到工程的lib目錄下，並build path。

4）啓動zk和kafka集羣，在kafka集羣中打開一個消費者

[atguigu@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first

4.2 Kafka生產者Java API

4.2.1 建立生產者（過期的API）

package com.atguigu.kafka; import java.util.Properties; import kafka.javaapi.producer.Producer; import kafka.producer.KeyedMessage; import kafka.producer.ProducerConfig;   public class OldProducer {          @SuppressWarnings("deprecation")        public static void main(String[] args) {                             Properties properties = new Properties();               properties.put("metadata.broker.list", "hadoop102:9092");               properties.put("request.required.acks", "1");               properties.put("serializer.class", "kafka.serializer.StringEncoder");                             Producer<Integer, String> producer = new Producer<Integer,String>(new ProducerConfig(properties));                             KeyedMessage<Integer, String> message = new KeyedMessage<Integer, String>("first", "hello world");               producer.send(message );        } }

4.2.2 建立生產者（新API）

package com.atguigu.kafka; import java.util.Properties; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.Producer; import org.apache.kafka.clients.producer.ProducerRecord;   public class NewProducer {          public static void main(String[] args) {                             Properties props = new Properties();               // Kafka服務端的主機名和端口號               props.put("bootstrap.servers", "hadoop103:9092");               // 等待全部副本節點的應答               props.put("acks", "all");               // 消息發送最大嘗試次數               props.put("retries", 0);               // 一批消息處理大小               props.put("batch.size", 16384);               // 請求延時               props.put("linger.ms", 1);               // 發送緩存區內存大小               props.put("buffer.memory", 33554432);               // key序列化               props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");               // value序列化               props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");                 Producer<String, String> producer = new KafkaProducer<>(props);               for (int i = 0; i < 50; i++) {                      producer.send(new ProducerRecord<String, String>("first", Integer.toString(i), "hello world-" + i));               }                 producer.close();        } }

 

4.2.3 建立生產者帶回調函數（新API）

package com.atguigu.kafka; import java.util.Properties; import org.apache.kafka.clients.producer.Callback; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.clients.producer.RecordMetadata;   public class CallBackProducer {          public static void main(String[] args) {   Properties props = new Properties();               // Kafka服務端的主機名和端口號               props.put("bootstrap.servers", "hadoop103:9092");               // 等待全部副本節點的應答               props.put("acks", "all");               // 消息發送最大嘗試次數               props.put("retries", 0);               // 一批消息處理大小               props.put("batch.size", 16384);               // 增長服務端請求延時               props.put("linger.ms", 1); // 發送緩存區內存大小               props.put("buffer.memory", 33554432);               // key序列化               props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");               // value序列化               props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");                 KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(props);                 for (int i = 0; i < 50; i++) {                        kafkaProducer.send(new ProducerRecord<String, String>("first", "hello" + i), new Callback() {                               @Override                             public void onCompletion(RecordMetadata metadata, Exception exception) {                                      if (metadata != null) {                                             System.err.println(metadata.partition() + "---" + metadata.offset());                                    }                             }                      });               }                 kafkaProducer.close();        } }

 

4.2.3 自定義分區生產者

0）需求：將全部數據存儲到topic的第0號分區上

1）定義一個類實現Partitioner接口，重寫裏面的方法（過期API）

package com.atguigu.kafka; import java.util.Map; import kafka.producer.Partitioner;   public class CustomPartitioner implements Partitioner {          public CustomPartitioner() {               super();        }          @Override        public int partition(Object key, int numPartitions) {               // 控制分區               return 0;        } }

2）自定義分區（新API）

package com.atguigu.kafka; import java.util.Map; import org.apache.kafka.clients.producer.Partitioner; import org.apache.kafka.common.Cluster;   public class CustomPartitioner implements Partitioner {          @Override        public void configure(Map<String, ?> configs) {                      }          @Override        public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {         // 控制分區               return 0;        }          @Override        public void close() {                      } }

3）在代碼中調用

package com.atguigu.kafka; import java.util.Properties; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.Producer; import org.apache.kafka.clients.producer.ProducerRecord;   public class PartitionerProducer {          public static void main(String[] args) {                             Properties props = new Properties();               // Kafka服務端的主機名和端口號               props.put("bootstrap.servers", "hadoop103:9092");               // 等待全部副本節點的應答               props.put("acks", "all");               // 消息發送最大嘗試次數               props.put("retries", 0);               // 一批消息處理大小               props.put("batch.size", 16384);               // 增長服務端請求延時               props.put("linger.ms", 1);               // 發送緩存區內存大小               props.put("buffer.memory", 33554432);               // key序列化               props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");               // value序列化               props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");               // 自定義分區               props.put("partitioner.class", "com.atguigu.kafka.CustomPartitioner");                 Producer<String, String> producer = new KafkaProducer<>(props);               producer.send(new ProducerRecord<String, String>("first", "1", "atguigu"));                 producer.close();        } }

4）測試

       （1）在hadoop102上監控/opt/module/kafka/logs/目錄下first主題3個分區的log日誌動態變化狀況

[atguigu@hadoop102 first-0]$ tail -f 00000000000000000000.log

[atguigu@hadoop102 first-1]$ tail -f 00000000000000000000.log

[atguigu@hadoop102 first-2]$ tail -f 00000000000000000000.log

       （2）發現數據都存儲到指定的分區了。

4.3 Kafka消費者Java API

0）在控制檯建立發送者

[atguigu@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

>hello world

1）建立消費者（過期API）

package com.atguigu.kafka.consume; import java.util.HashMap; import java.util.List; import java.util.Map; import java.util.Properties; import kafka.consumer.Consumer; import kafka.consumer.ConsumerConfig; import kafka.consumer.ConsumerIterator; import kafka.consumer.KafkaStream; import kafka.javaapi.consumer.ConsumerConnector;   public class CustomConsumer {          @SuppressWarnings("deprecation")        public static void main(String[] args) {               Properties properties = new Properties();                             properties.put("zookeeper.connect", "hadoop102:2181");               properties.put("group.id", "g1");               properties.put("zookeeper.session.timeout.ms", "500");               properties.put("zookeeper.sync.time.ms", "250");               properties.put("auto.commit.interval.ms", "1000");                             // 建立消費者鏈接器               ConsumerConnector consumer = Consumer.createJavaConsumerConnector(new ConsumerConfig(properties));                             HashMap<String, Integer> topicCount = new HashMap<>();               topicCount.put("first", 1);                             Map<String, List<KafkaStream<byte[], byte[]>>> consumerMap = consumer.createMessageStreams(topicCount);                             KafkaStream<byte[], byte[]> stream = consumerMap.get("first").get(0);                             ConsumerIterator<byte[], byte[]> it = stream.iterator();                             while (it.hasNext()) {                      System.out.println(new String(it.next().message()));               }        } }

2）官方提供案例（自動維護消費狀況）（新API）

package com.atguigu.kafka.consume; import java.util.Arrays; import java.util.Properties; import org.apache.kafka.clients.consumer.ConsumerRecord; import org.apache.kafka.clients.consumer.ConsumerRecords; import org.apache.kafka.clients.consumer.KafkaConsumer;   public class CustomNewConsumer {          public static void main(String[] args) {                 Properties props = new Properties();               // 定義kakfa 服務的地址，不須要將全部broker指定上               props.put("bootstrap.servers", "hadoop102:9092");               // 制定consumer group               props.put("group.id", "test");               // 是否自動確認offset               props.put("enable.auto.commit", "true");               // 自動確認offset的時間間隔               props.put("auto.commit.interval.ms", "1000");               // key的序列化類               props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");               // value的序列化類               props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");               // 定義consumer               KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);                             // 消費者訂閱的topic, 可同時訂閱多個               consumer.subscribe(Arrays.asList("first", "second","third"));                 while (true) {                      // 讀取數據，讀取超時時間爲100ms                      ConsumerRecords<String, String> records = consumer.poll(100);                                           for (ConsumerRecord<String, String> record : records)                             System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());               }        } }

五 Kafka producer攔截器(interceptor)

5.1 攔截器原理

Producer攔截器(interceptor)是在Kafka 0.10版本被引入的，主要用於實現clients端的定製化控制邏輯。

對於producer而言，interceptor使得用戶在消息發送前以及producer回調邏輯前有機會對消息作一些定製化需求，好比修改消息等。同時，producer容許用戶指定多個interceptor按序做用於同一條消息從而造成一個攔截鏈(interceptor chain)。Intercetpor的實現接口是org.apache.kafka.clients.producer.ProducerInterceptor，其定義的方法包括：

（1）configure(configs)

獲取配置信息和初始化數據時調用。

（2）onSend(ProducerRecord)：

該方法封裝進KafkaProducer.send方法中，即它運行在用戶主線程中。Producer確保在消息被序列化以計算分區前調用該方法。用戶能夠在該方法中對消息作任何操做，但最好保證不要修改消息所屬的topic和分區，不然會影響目標分區的計算

（3）onAcknowledgement(RecordMetadata, Exception)：

該方法會在消息被應答以前或消息發送失敗時調用，而且一般都是在producer回調邏輯觸發以前。onAcknowledgement運行在producer的IO線程中，所以不要在該方法中放入很重的邏輯，不然會拖慢producer的消息發送效率

（4）close：

關閉interceptor，主要用於執行一些資源清理工做

如前所述，interceptor可能被運行在多個線程中，所以在具體實現時用戶須要自行確保線程安全。另外假若指定了多個interceptor，則producer將按照指定順序調用它們，並僅僅是捕獲每一個interceptor可能拋出的異常記錄到錯誤日誌中而非在向上傳遞。這在使用過程當中要特別留意。

5.2 攔截器案例

1）需求：

實現一個簡單的雙interceptor組成的攔截鏈。第一個interceptor會在消息發送前將時間戳信息加到消息value的最前部；第二個interceptor會在消息發送後更新成功發送消息數或失敗發送消息數。

 

 

2）案例實操

（1）增長時間戳攔截器

package com.atguigu.kafka.interceptor; import java.util.Map; import org.apache.kafka.clients.producer.ProducerInterceptor; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.clients.producer.RecordMetadata;   public class TimeInterceptor implements ProducerInterceptor<String, String> {          @Override        public void configure(Map<String, ?> configs) {          }          @Override        public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {               // 建立一個新的record，把時間戳寫入消息體的最前部               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() {          } }

（2）統計發送消息成功和發送失敗消息數，並在producer關閉時打印這兩個計數器

package com.atguigu.kafka.interceptor; import java.util.Map; import org.apache.kafka.clients.producer.ProducerInterceptor; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.clients.producer.RecordMetadata;   public class CounterInterceptor implements ProducerInterceptor<String, String>{     private int errorCounter = 0;     private int successCounter = 0;          @Override        public void configure(Map<String, ?> configs) {                      }          @Override        public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {                return record;        }          @Override        public void onAcknowledgement(RecordMetadata metadata, Exception exception) {               // 統計成功和失敗的次數         if (exception == null) {             successCounter++;         } else {             errorCounter++;         }        }          @Override        public void close() {         // 保存結果         System.out.println("Successful sent: " + successCounter);         System.out.println("Failed sent: " + errorCounter);        } }

（3）producer主程序

package com.atguigu.kafka.interceptor; import java.util.ArrayList; import java.util.List; import java.util.Properties; import org.apache.kafka.clients.producer.KafkaProducer; import org.apache.kafka.clients.producer.Producer; import org.apache.kafka.clients.producer.ProducerConfig; import org.apache.kafka.clients.producer.ProducerRecord;   public class InterceptorProducer {          public static void main(String[] args) throws Exception {               // 1 設置配置信息               Properties props = new Properties();               props.put("bootstrap.servers", "hadoop102:9092");               props.put("acks", "all");               props.put("retries", 0);               props.put("batch.size", 16384);               props.put("linger.ms", 1);               props.put("buffer.memory", 33554432);               props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");               props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");                             // 2 構建攔截鏈               List<String> interceptors = new ArrayList<>();               interceptors.add("com.atguigu.kafka.interceptor.TimeInterceptor");   interceptors.add("com.atguigu.kafka.interceptor.CounterInterceptor");               props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);                               String topic = "first";               Producer<String, String> producer = new KafkaProducer<>(props);                             // 3 發送消息               for (int i = 0; i < 10; i++) {                                        ProducerRecord<String, String> record = new ProducerRecord<>(topic, "message" + i);                   producer.send(record);               }                               // 4 必定要關閉producer，這樣纔會調用interceptor的close方法               producer.close();        } }

3）測試

（1）在kafka上啓動消費者，而後運行客戶端java程序。

[atguigu@hadoop102 kafka]$ in/kafka-console-consumer.sh --zookeeper hadoop102:2181 --from-beginning --topic first

1501904047034,message0

1501904047225,message1

1501904047230,message2

1501904047234,message3

1501904047236,message4

1501904047240,message5

1501904047243,message6

1501904047246,message7

1501904047249,message8

1501904047252,message9

（2）觀察java平臺控制檯輸出數據以下：

Successful sent: 10

Failed sent: 0

六 kafka Streams

6.1 概述

6.1.1 Kafka Streams

Kafka Streams。Apache Kafka開源項目的一個組成部分。是一個功能強大，易於使用的庫。用於在Kafka上構建高可分佈式、拓展性，容錯的應用程序。

6.1.2 Kafka Streams特色

1）功能強大 

高擴展性，彈性，容錯 

2）輕量級 

無需專門的集羣 

一個庫，而不是框架

3）徹底集成 

100%的Kafka 0.10.0版本兼容

易於集成到現有的應用程序 

4）實時性

毫秒級延遲 

並不是微批處理 

窗口容許亂序數據 

容許遲到數據

6.1.3 爲何要有Kafka Stream

當前已經有很是多的流式處理系統，最知名且應用最多的開源流式處理系統有Spark Streaming和Apache Storm。Apache Storm發展多年，應用普遍，提供記錄級別的處理能力，當前也支持SQL on Stream。而Spark Streaming基於Apache Spark，能夠很是方便與圖計算，SQL處理等集成，功能強大，對於熟悉其它Spark應用開發的用戶而言使用門檻低。另外，目前主流的Hadoop發行版，如Cloudera和Hortonworks，都集成了Apache Storm和Apache Spark，使得部署更容易。

既然Apache Spark與Apache Storm擁用如此多的優點，那爲什麼還須要Kafka Stream呢？筆者認爲主要有以下緣由。

第一，Spark和Storm都是流式處理框架，而Kafka Stream提供的是一個基於Kafka的流式處理類庫。框架要求開發者按照特定的方式去開發邏輯部分，供框架調用。開發者很難了解框架的具體運行方式，從而使得調試成本高，而且使用受限。而Kafka Stream做爲流式處理類庫，直接提供具體的類給開發者調用，整個應用的運行方式主要由開發者控制，方便使用和調試。

 

 

第二，雖然Cloudera與Hortonworks方便了Storm和Spark的部署，可是這些框架的部署仍然相對複雜。而Kafka Stream做爲類庫，能夠很是方便的嵌入應用程序中，它對應用的打包和部署基本沒有任何要求。

第三，就流式處理系統而言，基本都支持Kafka做爲數據源。例如Storm具備專門的kafka-spout，而Spark也提供專門的spark-streaming-kafka模塊。事實上，Kafka基本上是主流的流式處理系統的標準數據源。換言之，大部分流式系統中都已部署了Kafka，此時使用Kafka Stream的成本很是低。

第四，使用Storm或Spark Streaming時，須要爲框架自己的進程預留資源，如Storm的supervisor和Spark on YARN的node manager。即便對於應用實例而言，框架自己也會佔用部分資源，如Spark Streaming須要爲shuffle和storage預留內存。可是Kafka做爲類庫不佔用系統資源。

第五，因爲Kafka自己提供數據持久化，所以Kafka Stream提供滾動部署和滾動升級以及從新計算的能力。

第六，因爲Kafka Consumer Rebalance機制，Kafka Stream能夠在線動態調整並行度。

6.2 Kafka Stream案例

6.2.1 eclipse打包插件安裝

1）將net.sf.fjep.fatjar_0.0.32.jar拷貝到eclipse安裝目錄中的plugins目錄下，而後重啓eclipse便可。

2）插件使用方法

 

 

 

6.2.2 數據清洗案例

0）需求：

       實時處理單詞帶有」>>>」前綴的內容。例如輸入」atguigu>>>ximenqing」，最終處理成「ximenqing」

 

 

1）建立主類

package com.atguigu.kafka.stream; import java.util.Properties; import org.apache.kafka.streams.KafkaStreams; import org.apache.kafka.streams.StreamsConfig; import org.apache.kafka.streams.processor.Processor; import org.apache.kafka.streams.processor.ProcessorSupplier; import org.apache.kafka.streams.processor.TopologyBuilder;   public class Application {          public static void main(String[] args) {                 // 定義輸入的topic         String from = "first";         // 定義輸出的topic         String to = "second";           // 設置參數         Properties settings = new Properties();         settings.put(StreamsConfig.APPLICATION_ID_CONFIG, "logFilter");         settings.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");           StreamsConfig config = new StreamsConfig(settings);           // 構建拓撲         TopologyBuilder builder = new TopologyBuilder();           builder.addSource("SOURCE", from)                .addProcessor("PROCESS", new ProcessorSupplier<byte[], byte[]>() {                                      @Override                                    public Processor<byte[], byte[]> get() {                                           // 具體分析處理                                           return new LogProcessor();                                    }                             }, "SOURCE")                 .addSink("SINK", to, "PROCESS");           // 建立kafka stream         KafkaStreams streams = new KafkaStreams(builder, config);         streams.start();        } }

2）具體業務處理

package com.atguigu.kafka.stream; import org.apache.kafka.streams.processor.Processor; import org.apache.kafka.streams.processor.ProcessorContext;   public class LogProcessor implements Processor<byte[], byte[]> {               private ProcessorContext context;               @Override        public void init(ProcessorContext context) {               this.context = context;        }          @Override        public void process(byte[] key, byte[] value) {               String input = new String(value);                             // 若是包含「>>>」則只保留該標記後面的內容               if (input.contains(">>>")) {                      input = input.split(">>>")[1].trim();                      // 輸出到下一個topic                      context.forward("logProcessor".getBytes(), input.getBytes());               }else{                      context.forward("logProcessor".getBytes(), input.getBytes());               }        }          @Override        public void punctuate(long timestamp) {                      }          @Override        public void close() {                      } }

3）將程序用eclipse插件打成jar包

4）將jar包拷貝hadoop102上運行

[atguigu@hadoop102 kafka]$ java -jar kafka0508_fat.jar com.atguigu.kafka.stream.Application

5）在hadoop104上啓動生產者

[atguigu@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

>hello>>>world

>h>>>atguigu

>hahaha

6）在hadoop103山啓動消費者

[atguigu@hadoop103 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --from-beginning --topic second

world

atguigu

hahaha

 

說明：

本文來源：尚硅谷大數據技術之Kafka （做者：大海哥）