大数据技术之Kafka——Kafka入门_kafka数据

目录

一、概述

1.1 为什么要有Kafka

1.2 定义

1.3 消息队列

1）消息队列的应用场景

2）消息队列的两种模式

 1.4 基础架构

二、Producer生产者

2.1 生产者消息发送流程

2.1.1 发送原理

2.2 异步发送API

2.2.1 普通异步发送

2.2.2 带回调函数的异步发送

2.3 同步发送API

2.4 生产者分区

2.4.1 分区好处

2.4.2 默认分区规则

2.4.3 自定义分区

2.5 生产者如何提高吞吐量

2.6 生产者提高数据可靠性

2.6.1 ack应答原理

 2.6.2 可靠性分析

2.6.3 数据重复分析

2.7 数据去重

2.7.1 数据传递语义

2.7.2 幂等性

2.7.3 生产者事务

2.8 数据有序

2.9 数据乱序

2.10 生产者核心参数配置

三、Broker

3.1 zk中存储的Kafka信息

3.2 Broker工作流程

3.3 Kafka副本Follower

3.3.1 Kafka副本基本信息

3.3.2 Leader选举流程

3.3.3  Leader和Follower故障处理细节

3.3.4 分区副本分配​编辑

 3.3.5 手动调整分区副本存储

3.3.6 Leader Partition负载均衡

3.3.7 增加副本因子

3.4 文件存储

3.4.1 文件存储机制

 3.4.2 文件清理策略

3.5 高效读写数据

3.6 Broker核心参数配置

四、消费者customer

4.1 customer工作流程

4.1.1 消费者总体工作流程

4.1.2 消费者组原理

 4.1.3 消费者组的初始化流程

 4.2 消费者API

4.2.1 独立消费者案例（订阅主题）

4.2.2 独立消费者案例（订阅分区）

4.3 生产经验——分区的分配以及再平衡

4.3.1 Range + 再平衡

4.3.2 RoundRobin + 再平衡

4.3.3 Sticky + 再平衡

 4.4 offset位移

4.4.1 offset的默认维护位置

4.4.2 自动提交offset

4.4.3 手动提交offset

4.4.4 指定offset消费

4.4.5 指定时间消费

4.4.6 漏消费和重复消费

4.5 生产经验——消费者事务

 4.6 生产经验——数据积压（消费者如何提高吞吐量）

4.7 消费者核心参数配置

---

一、概述

1.1 为什么要有Kafka

        如果不使用Kafka，我们每产生一条数据，日志服务器可以通过flume读取，传到Hadoop集群。但是Hadoop的上传速度约100M/s，flume的日常数据采集速度小于100M/s，而当遇到峰值数据时，flume采集速度大于200M/s，这种情况下就无法处理了。于是引入了Kafka。

        通过Kafka可以进行缓冲，我们可以将海量的数据先放到Kafka中，Kafka集群按照Hadoop的上传速度进行文件的传输。

1.2 定义

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（Message Queue）主要应用于大数据实时处理领域。

分布式：多台服务器干一件事。

发布/订阅：消息的发布者不会将消息直接发送给特点的订阅者，而是将发布的消息（数据）分为不同的类型，订阅者只接收感兴趣的消息，根据需求选择性订阅。

最新定义：Kafka是一个开源的分布式事件流平台（Event Streaming Platform）被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。

1.3 消息队列

        目前常见的消息队列产品主要有Kafka、ActiveMQ、RabbitMQ、RocketMQ等。在大数据场景下主要使用Kafka作为消息队列。

1）消息队列的应用场景

        主要应用场景包括：缓存/消峰、解耦、异步通信。

a. 解耦合

        耦合：当实现某个功能的时候，直接接入当前接口

        解耦合：利用消息队列，将相应的消息发送到消息队列。允许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。如果接口出现问题，将不会影响到当前的功能

b. 异步处理

        允许用户把一个消息放入队列，但不立即处理，在需要的时候再去处理它们。

c. 流量削峰

        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。如：高流量的时候，使用消息队列作为中间件可以将流量的高峰保存在消息队列中，从而防止了系统的高请求，减轻服务器的请求处理压力。

2）消息队列的两种模式

        Kafka的消费模式主要有两种：一种是一对一的消费，也即点对点的通信，即一个发送一个接收。第二种为一对多的消费，即一个消息发送到消息队列，消费者根据消息队列的订阅拉取消息消费。

a. 点对点模式

• 一个生产者，一个消费者，一个topic，会删除数据（使用不多）

b. 发布/订阅模式

• 多个生产者，多个消费者，而且相互独立
• 多个topic
• 不会删除数据

 1.4 基础架构

1）生产者：100T数据

2）broker

        （1）broker即服务器，如hadoop101/hadoop102/hadoop103

        （2）topic主题，对数据分类

        （3）分区

        （4）可靠性：副本

        （5）leader、follower

        （6）生产者和消费者只针对leader操作

3）消费者

        （1）消费者和消费者相互独立

        （2）消费者组（某个分区只能由一个消费者消费）

4）zookeeper

        （1）broker.ids 0 1 2

        （2）leader

• 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，提高消费者组的概念，组内每个消费者并行消费。一个分区内的数据只能由一个消费者来消费。
• 为提高可用性，为每个partition增加若干副本，类似NameNode HA
• ZK中记录leader信息。Kafka2.8.0以后也可以配置不采用ZK

        主要功能分为三块：生产者Producer、消费者Consumer、Topic。

生产者Producer：对接外部设备（外部数据）

消费者Consumer：处理数据

Topic：存储数据。

1. 当数据量过大时，topicA上的数据无法存储在一台服务器上，所以对其引入分区Partition进行存储，将数据进行切分，存储在不同的服务器上，一个Kafka服务器就是一个broker，一个集群由多个broker组成，一个broker九二一容纳多个topic。
2. 数据切分后，从消费者Consumer的角度，也可以按照分区一块一块进行处理，能够提高处理的并发度。需要注意的是，某一个分区当中的数据只能由一个消费者进行消费，否则容易混乱。
3. 为了保证分区的可靠性，引入了副本，分为leader和follower。无论生产还是消费，处理对象都只针对leader副本，follower只是一个备份。等leader挂掉之后，follower才有条件称为新的leader。zk来充当存储kafka集群上下线信息，在线节点信息，每一个分区下的leader副本信息。

二、Producer生产者

2.1 生产者消息发送流程

2.1.1 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。

作用：将外部接受的数据传输到Kafka集群

方式：

• main线程

——创建main线程，创建客户端对象Producer

——调用send(ProducerRedord)方法进行发送

——经过拦截器Interceptors（可选项），可以对数据进行加工和操作。一般使用flume的拦截器

——数据继续传输，经过序列化器Serializer

——分区器Partitioner，将海量数据进行切块，决定数据应该发往哪个分区器。一个分区器会创建一个队列，方便数据的管理。

• RecordAccumulator缓冲队列

——RecordAccumulator在内存中创建，缓存队列DQueue大小默认32M

——每一批次的大小16k（batch.size）

• Sender线程

——将缓冲队列中的值读出来之后发往Kafka集群。

——发送数据的条件：

        1. 只有数据累积到batch.size之后，sender才会发送数据，默认16k

        2. 如果数据迟迟未达到batch.size，sender等待linger.ms设置的时间到了之后就会发送数据。单位ms，默认为0ms，表示没有延迟。

——以每一个broker节点为key，后面跟上请求request，放到一个队列里面进行发送。如果broker1没有及时应答，允许发送第二个请求。最多可以缓存五个请求。

——selector连接底层链路，相当于是高速公路。请求request相当于是汽车。

• 应答ack

应答级别：

        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收到后应答。

        -1（all）：生产者大送过来的数据，Leader和ISR队列（可以理解为所有follower）里面的所有节点收齐数据后应答。-1与all等价。

——应答成功，清除掉所有的请求request，同时清理分区的数据。

——应答失败，进行重试。默认重试的次数是输入的最大值。

——为什么Kafka不用Java的序列化器？

        Java的序列化传输的数据比较重。大数据场景下传输的数据量由于比较庞大，我们希望校验变得简单。所以使用Kafka自己的序列化器

2.2 异步发送API

2.2.1 普通异步发送

1）同步发送

        将外部数据发送到队列DQueue中，第一波数据发送完毕，再发送第二波数据。

2）异步发送

        将外部数据发送到队列DQueue中，不管数据是否发送到Kafka集群中。

异步发送API：

0）配置
    （1）连接    boorstrap-server
    （2）key  value序列化
 
1）创建生产者
    kafkaProducer<String, String>()
 
2）发送数据
    send()  send(,new Callback)
 
3）关闭资源

import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;
 
public class CustomProducer {
    public static void main(String[] args) throws InterruptedException {
// 1. 创建 kafka 生产者的配置对象
        Properties properties = new Properties();
// 2. 给 kafka 配置对象添加配置信息：bootstrap.servers
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
 
 
// key,value 序列化（必须）：key.serializer，value.serializer
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,"org.apache.kafka.common.serialization.StringSerializer");
 
    properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
 
 // 3. 创建 kafka 生产者对象
        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<String, String>(properties);
 
 // 4. 调用 send 方法,发送消息
        for (int i = 0; i < 5; i++) {
            kafkaProducer.send(new ProducerRecord<>("first","atguigu " + i));
        }
 // 5. 关闭资源
        kafkaProducer.close();
    }
}

2.2.2 带回调函数的异步发送

         数据发往RecordAccumulator缓冲队列，队列返回发送的主题、所在分区。

// 添加回调
kafkaProducer.send(new ProducerRecord<>("first", "atguigu " + i), new Callback() {

2.3 同步发送API

        第一批数据正常发送成功之后，发送下一批数据。

异步发送API：

0）配置
    （1）连接    boorstrap-server
    （2）key  value序列化
 
1）创建生产者
    kafkaProducer<String, String>()
 
2）发送数据
    send()  send(,new Callback).get()
 
3）关闭资源

2.4 生产者分区

2.4.1 分区好处

1）存储：便于合理使用存储资源，每个Partition子一个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态Broker上。合理控制分区的任务，可以实现负载均衡的效果。

2）计算：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。

2.4.2 默认分区规则

1）指定分区，按分区进行划分

2）不指定分区，指定key，按key的hashcode值%分区数

3）不指定分区，不指定key，粘性

        第一次随机，一旦粘上一个，直到该分区挂掉（批次大小到了，或者响应时间到了）再切换分区。切换的时候还是随机，但是与上一个不相同。

2.4.3 自定义分区

        自定义类，实现partitioner接口。

2.5 生产者如何提高吞吐量

• batch.size：批次大小，默认16k
• linger.ms：等待时间默认为0，修改为5-100ms
• compression.type：压缩snappy
• RecordAccumulator：缓冲区大小默认为32M，修改为64m

2.6 生产者提高数据可靠性

2.6.1 ack应答原理

0：生产者发送过来的数据，不需要等数据落盘应答。可能会丢失数据

 1：生产者发送过来的数据，Leader收到数据后应答。也可能丢失数据

-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。完全可靠。

 2.6.2 可靠性分析

Leader收到数据，所有Follower都开始同步数据，但如果有一个Follower因为某种故障，迟迟不能与Leader进行同步，此时应该怎么办？

        Leader维护了一个动态的in-sync replica set (ISR)，即和Leader同步的Follower+Leader集合（Leader:0，isr:0,1,2）。

        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。

        这样就不用等长期联系不上或者已经故障的节点。

数据可靠性分析：

        如果分区副本设置为1个，或者ISR里应答的最小副本数量（默认为1）设置为1，和ack=1的效果是一样的，仍有丢数的风险。

数据完全可靠条件：ACK级别设置为-1 + 分区副本≥2 + ISR里应答的最小副本数量≥2

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。

        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。

2.6.3 数据重复分析

ask=-1：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。

2.7 数据去重

2.7.1 数据传递语义

• 至少一次（At Least Once）= ACK级别设置为-1 + 分区副本≥2 + ISR应答的最小副本数≥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（如和线相关的数据）要求数据既不能重复也不能丢失。我们引入了特性：幂等性和事务。

2.7.2 幂等性

1）定义：

        幂等性就是Producer不管向Broker发送多少次重复数据，Broker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 ≥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。

•         PID：Kafka每次重启都会分配一个新的
•         Partition：分区号
•         Sequence Number：单调自增的

        局限性：幂等性只能保证 【单分区、单会话】 内不重复。

2）使用 

开启参数enable.idempotence默认为true，false关闭。默认打开

2.7.3 生产者事务

说明：开启事务，必须开启幂等性。

定义：保证原子性的写入到多个分区。写入到多个分区的消息要么全部成功，要么全部回滚。

Kafka事务「原理剖析」 - 昔久 - 博客园 (cnblogs.com)

2.8 数据有序

        我们希望生产者发送的数据是有序的，消费者消费到的数据仍然是有序的。

单分区内有序（有条件），多分区，分区与分区间无序。

2.9 数据乱序

1）1.x版本之前：in.flight = 1

2）1.x版本之后：

（1）未开启幂等性：in.flight = 1

（2）开启幂等性：in.flight ≤ 5

max.in.flight.requests.per.connection

        该参数指定了生产者在收到服务器响应之前可以发送多少个消息。它的值越高，就会占用越多的内存，不过也会提升吞吐量。把它设为 1 可以保证消息是按照发送的顺序写入服务器的，即使发生了重试。

2.10 生产者核心参数配置

三、Broker

3.1 zk中存储的Kafka信息

1）ids：有哪些服务器(brokers)正常上线工作。

2）state：每一个主题topic下面的分区partition对应的leader和isr是谁。

3）controller：辅助leader选举。

3.2 Broker工作流程

1）每台broker节点启动之后，都会向zk注册， 增加对应节点。

2）注册完成之后选择controller节点，每个broker上都有一个对应的controller。controller争先抢占注册节点，谁先抢到，谁负责leader选举。

3）选举出来的controller监听brokers节点变化。

4）controller决定leader选举：在isr中存活为前提，按照AR中（AR启动的时候会有固定的顺序）排在前面的优先。

5）controller不存储数据，会将leader信息和isr信息上传到ZK。

6）其他controller从zk同步相关数据。

3.3 Kafka副本Follower

3.3.1 Kafka副本基本信息

3.3.2 Leader选举流程

1）查看leader分布情况： 

2）停止掉 hadoop105 的 kafka 进程，并查看 Leader 分区情况：

 3）停止掉 hadoop104 的 kafka 进程，并查看 Leader 分区情况：

 4）启动 hadoop105 的 kafka 进程，并查看 Leader 分区情况：

5）启动 hadoop104 的 kafka 进程，并查看 Leader 分区情况：

 6）停止掉 hadoop103 的 kafka 进程，并查看 Leader 分区情况：

3.3.3  Leader和Follower故障处理细节

LEO（Log End Offset）：标识当前日志文件中下一条待写入的消息的offset，即 offset+1

HW（High Watermark）：所有副本中最小的LEO。

注意：消费者能看到的最大的offset是4，Kafka是只有主副本全部将该数据落磁盘之后才对消费者进行可见。

1）Follower故障：

（1）Follower发生故障后会被临时提出ISR

（2）这个期间Leader和Follower会继续接收数据

（3）该Follower恢复后，Follower会读取本地磁盘记录的上次HW，将log文件高于HW的部分截取掉，从HW开始向Leader进行同步。

（4）等待Follower的LEO大于等于该Partition的HW（Follower追上Leader后）就可以重新加入ISR。

2）Leader故障：

（1）Leader发生故障之后，会从ISR中选出一个新的Leader

（2）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的部分截取掉，然后从新的Leader中同步数据。

注意：这种方式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。

3.3.4 分区副本分配

 3.3.5 手动调整分区副本存储

3.3.6 Leader Partition负载均衡

3.3.7 增加副本因子

3.4 文件存储

3.4.1 文件存储机制

topic是逻辑上的概念。

partition是物理上的概念，每个partition对应于一个log文件。一个partition可以分为多个segment。每个segment包含：

        .log                  日志文件

        .index              偏移量索引文件

        .timeindex        时间戳索引文件

每个segment大小为1G

log文件和 index文件：

 1）index为稀疏索引。大约每往log文件写入4kb数据，会往index文件中写入一条索引。

 2）index文件中保存的offset为相对offset，可以确保offset的值所占空间不会过大。

 3.4.2 文件清理策略

Kafka中提供的日志清理策略由 delete 和 compact 两种。

1）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

（1）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的时间戳。

（2）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。

         这种策略只适合特殊场景。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。

3.5 高效读写数据

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入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。

3.6 Broker核心参数配置

四、消费者customer

       push（推）模式：Kafka没有采用这种方式。如果broker决定消息发送速率，很难使用所有消费者的消费速率。

        pull（拉）模式：customer从broker中主动拉取数据。但是，如果Kafka中没有数据，消费者会陷入循环，一直返回空数据。

4.1 customer工作流程

4.1.1 消费者总体工作流程

1）生产者producer向每一个分区的leader发送数据

2）follower主动和leader同步数据，保证数据的可靠性

3）consumer可以消费某一个分区的数据，也可以消费多个分区的数据。两个消费者之间相互不干预，相互独立。

4）消费者组：每个分区的数据只能由消费者组中的一个消费者进行消费。

5）每个消费者具体消费到哪一条数据由offset来记录。offset会持久化到系统主题（__consumer_offsets）中，底层会存储到磁盘上。由于是基于硬盘继续存储，所以可靠性能够得到保障。

0.9版本之前，offset会存储在zk中。但如果所有的offset都存储在zk中，那么消费者customer会和zk进行大量的交互，导致网络上数据传输非常频繁，传输压力过大。

4.1.2 消费者组原理

Cunsumer Group（CG）：消费者组，由多个consumer组成。形成一个消费者组的条件，是所有的消费者的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。

注意1：一个消费者组中，消费者的数量不能超过partition的数量，不然多出来的会空转，即不会接收到任何消息。

注意2：消费者组之间互不影响，消费者组只是逻辑上的一个订阅者。 

 4.1.3 消费者组的初始化流程

        生产者把数据发送到Kafka集群，由消费者组中的消费者进行数据消费。那么消费者组是如何形成的呢？由coordinator组件辅助实现消费者组的初始化和分区的分配。

每一个broker节点有一个coordinator组件，消费者组要选择哪个coordinator来辅助它进行后续的工作呢？

coordinator节点选择 = groupid的hashcode值 % 50（默认为50，由__consumer_offsets的分区数量决定）

        例如：groupid的hashcode值=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。消费者组下所有的消费者提交offset的时候就往这个分区提交offset。

1）所有的消费者都会主动向coordinator发送请求，加入到组当中。

2）coordinator从消费者组中选出一个消费者id作为leader。

3）coordinator把要消费的topic情况发送给leader消费者。

4）leader制定消费方案。

5）leader把消费方法发送给coordinator。

6）coordinator把消费方案下发给各个consumer。

7）每个消费者和coordinator保持心跳（默认3s）一旦超时（session.timeout.ms = 45s），该消费者会被移除，并触发再平衡。消费者处理时间过长（max.poll.interval.ms5min）也会触发再平衡。

 消费者详细消费流程：

（1）消费者组想要进行工作，首先需要创建一个消费者网络连接客户端  (ConsumerNetworkClient)，主要用来和Kafka集群进行交互。

（2）CNC前期进行一些准备工作，首先调用 sendFetchs方法，用来抓取数据的初始化。期间会准备一些参数：

        Fetch.min.bytes        每批次最小抓取的字节数，默认1字节

        fetch.max.wait.ms     一批数据最小值未达到的超时时间，默认500ms

        Fetch.max.bytes        每批次最大抓取大小，默认50m

（3）准备完毕之后调用send方法，发送请求。发送完请求之后，会通过回调方法onSuccess将对应的结果拉取过来。

（4）拉去过来的数据会放在消息队列queue中

（5）数据拉过来之后，消费者FetchedRecords从队列中抓取数据。

        Max.poll.records        一次拉去数据返回消息的最大条数，默认500条

（6）数据拉去过来之后，经过parseRecord(反序列化)、Interceptors(拦截器)后，才会处理数据。

 4.2 消费者API

4.2.1 独立消费者案例（订阅主题）

注意：在消费者API中必须配置消费者组id，命令行启动消费者不填写消费者id，会被自动填写随机的消费者组id。

public class CustomConsumer {
    public static void main(String[] args){
    
// 1. 创建消费者的配置对象
        Properties properties = new Properties();
 
// 2. 给消费者配置对象添加参数
    // 连接
        properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.153.139:9092");
    // 反序列化
        properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
 
    // 配置消费者组（组名任意）
        properties.put(ConsumerConfig.GROUP_ID_CONFIG, "GROUP1");
 
// 3. 创建消费者对象
        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
 
// 4. 订阅主题。指定消息队列名字
        ArrayList<String> topics = new ArrayList<>();
        topics.add("first");
        consumer.subscribe(topics);
 
// 5. 消费数据
        while(true){
            ConsumerRecords<String, String> records = consumer.poll(Duration.ofSeconds(1));
 
            for (ConsumerRecord<String, String> record : records) {
                // 如果数据过程过程中失败，可以将相关位置记录下来
                System.out.println(
                        record.topic() + "\t" +
                                record.offset() + "\t" +
                                record.partition() + "\t" +
                                "key:" + record.key() + "\t" +
                                "value:" + record.value() + "\t" +
                                record.timestamp()
 
                );
                consumer.commitAsync();
            }
        }
 
    }
}

4.2.2 独立消费者案例（订阅分区）

public class MyConsumer {
    public static void main(String[] args) {
// 1. 配置
        Properties pro = new Properties();
    // 连接
        pro.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "192.168.153.139:9092");
    // 反序列化
        pro.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        pro.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
    // 组id
        pro.put(ConsumerConfig.GROUP_ID_CONFIG, "GROUP1");
 
// 2. 创建一个消费者
        KafkaConsumer<String, String> consumer = new KafkaConsumer<>(pro);
 
// 3. 订阅主题对应的分区
        ArrayList<TopicPartition> topicPartitions = new ArrayList<>();
        topicPartitions.add(new TopicPartition("bigdata",0));
        consumer.assign(topicPartitions);
 
// 4. 消费数据
        while(true){
            ConsumerRecords<String, String> records = consumer.poll(Duration.ofSeconds(1));
            for(ConsumerRecords<String, String> record : records){
                System.out.println(record);
            }
        }
 
    }
}

4.3 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。那么由哪个consumer来消费哪个partition的数据呢？

        Kafka有四种主流的分区分配策略：Range、RoundRobin、Sticky、CooperativeSticky。通过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。

4.3.1 Range + 再平衡

1）Range分区策略原理

        Range是对每个topic而言的。首先对同一个topic里面的分区按照序号进行排序，并对消费者按照字母顺序进行排序。

        假如现在有7个分区，3个消费者，排序后的分区将会是0,1,...,6，消费者排序完之后将会是C0,C1,C2。

        通过 partitions数 / consumer数 来决定每个消费者应该消费几个分区。如果除不尽，那么前面及格消费者将会多消费一个分区。

        如 7/3=2...1，那么消费者C0会多消费一个分区；8/3=2...2，那么C0和C1多消费一个。

 注意：如果只是针对1个topic而言，C0消费者多消费1个分区的影响不是很大。但如果有N个topic那么针对每个topic，消费者C0都将多消费1个分区。topic越多，C0消费的分区会比其他消费者明显多消费N个分区。容易产生数据倾斜。

说明：Kafka默认的分区分配策略就是 Range + CooperativeSticky，所以不需要修改策略。

4.3.2 RoundRobin + 再平衡

1）RoundRobin分区策略原理

        RoundRobin 针对集群中所有Topic而言。

        RoundRobin轮询分区策略，是把所有的 partition 和所有的 consumer 都列出来，然后按照hashcode进行排序。最后通过轮询算法来分配partition给到各个消费者。

properties.put(ConsumerConfig.PARTITION_ASSIGNMENT_STRATEGY_CONFIG,"org.apache.kafka.clients.consumer.RoundRobinAssignor")

4.3.3 Sticky + 再平衡

        粘性分区定义：可以理解为分配的结果带有“粘性的”。即在执行一次新的分配之前，考虑上一次分配的结果，尽量少的减少分配的变动，可以节省大量的开销。

        粘性分区是Kafka从0.11.x版本开始引入这种分配策略。首先会尽量均衡的放置分区到消费者上面，在出现同一消费者组内消费者出现问题的时候，会尽量保持原有分配的分区不变化。

        也就是说，当一个节点挂掉之后，其余两个分区策略不发生变化，而是增加了另外的几个。

properties.put(ConsumerConfig.PARTITION_ASSIGNMENT_STRATEGY_CONFIG,"org.apache.kafka.clients.consumer.StickyAssignor")

 4.4 offset位移

4.4.1 offset的默认维护位置

        Kafka 0.9版本之前，消费者offset维护在zk中，0.9版本之后，维护在系统主题__consumer_offsets

默认不能消费系统主题。为了查看该系统主题，将配置文件 config / consumer.properties 中添加配置 exclude. internal.topics=false 。

4.4.2 自动提交offset

自动提交offset的相关参数：

        enable.auto.commit：是否开启自动提交offset功能，默认是true

        auto.commit.interval.ms：自动提交offset的时间间隔，默认是5s

// 是否自动提交offset
    propertoes.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, true);
 
// 提交offset的时间周期为1000ms，默认为5000ms
    properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, 1000);

4.4.3 手动提交offset

        虽然自动提交offset十分便利，但由于其是基于时间提交的，开发人员难以把握offset提交的时机。因此Kafka提供了手动提交offset的API。

        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，都会将本次提交的一批数据最高的偏移量提交；不同点是，同步提交阻塞当前线程，一直到提交成功，并且会失败重试；而异步提交则没有失败重试机制，可能提交失败。

// 手动提交
    properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);
 
// 手动提交offset
    // 同步提交
    kafkaConsumer.commitSync();
    // 异步提交
    kafkaConsumer.commitAsync();

4.4.4 指定offset消费

        auto.offset.reset = earliest | latest | none        默认为latest

        当Kafka中没有初始偏移量（消费者组第一次消费）或服务器上不再存在当前偏移量时（如该数据已被删除） 

        （1）earliest：自动将偏移量重置为最早的偏移量，--from-beginning

        （2）latest（默认值）：自动将偏移量重置为最新偏移量

        （3）none：如果未找到消费者组的先前偏移量，则向消费者抛出异常。

public static void main(String[] args) {
// 1. 配置信息
    Properties properties = new Properties();
 
    // 连接
    properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFFIG, "hadoop02:9092,hadoop03:9092");
    // 反序列化
    properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserizlizer.class);
    properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserizlizer.class);
    // 组id
    properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test2");
 
 
// 2. 创建消费者
    KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
 
    // 指定位置进行消费
    Set<TopicPartition> assignment = kafkaConsumer.assignment;
    // 保证分区分配方案已经制定完毕
    while(assignment.size() == 0){
        kafkaConsumer.poll(Duration.ofSeconds(1));
        assignment = kafkaConsumer.assignment();
    }
    // 指定消费的offset
    for(TopicPartition topicPartition : assignment){
        kafkaConsumer.seek(topicPartition, 100);
    }
 
// 3.订阅主题 
    ArrayList<String> topics = new ArrayList<>();
    topics.add("first");
    kafkaConsumer.subscribe(topics);
 
// 4. 消费数据
    while(true){
        ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
        for(ConsumerRecord<String, String> consumerRecord : consumerRecords){
            System.out.println(consumerRecord);
        }
    }
 
}

4.4.5 指定时间消费

        需求：在生产环境中，会遇到最近消费的几个小时数据异常，想重新按照时间消费。例如要求按照时间消费前一天的数据。

public static void main(String[] args) {
// 1. 配置信息
    Properties properties = new Properties();
 
    // 连接
    properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFFIG, "hadoop02:9092,hadoop03:9092");
    // 反序列化
    properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserizlizer.class);
    properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserizlizer.class);
    // 组id
    properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test2");
 
 
// 2. 创建消费者
    KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
 
    // 指定位置进行消费
    Set<TopicPartition> assignment = kafkaConsumer.assignment;
    // 保证分区分配方案已经制定完毕
    while(assignment.size() == 0){
        kafkaConsumer.poll(Duration.ofSeconds(1));
        assignment = kafkaConsumer.assignment();
    }
 
    // 希望把时间转换未对应的offset
    HashMap<TopicPartition, Long> topicPatririonLongHashMap = new HashMap<>();
    // 封装对应集合
    for(TopicPartition topicPatririon : assignment ){
        topicPatririonLongHashMap.put(TopicPartition, System.currentTimeMillis() - 1 * 24 * 3600 * 1000);
    }
    Map<TopicPartition, OffsetAndTimestamp> topicPartitionOffsetAndTimestampMap = kafkaConsumer.offsetsForTimes(topicPatririonLongHashMap);
    // 指定消费的offset
    for(TopicPartition topicPartition : assignment){
        OffsetAndTimestamp offsetAndTimestamp = topicPatririonOffsetAndTimestampMap.get(topicPartition);
        kafkaConsumer.seek(topicPartition, offsetAndTimestamp.offset());
    }
 
// 3.订阅主题 
    ArrayList<String> topics = new ArrayList<>();
    topics.add("first");
    kafkaConsumer.subscribe(topics);
 
// 4. 消费数据
    while(true){
        ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
        for(ConsumerRecord<String, String> consumerRecord : consumerRecords){
            System.out.println(consumerRecord);
        }
    }
 
}

4.4.6 漏消费和重复消费

重复消费：已经消费了数据，但是offset没提交。

        自动提交offset引起。consumer每5s提交一次offset，如果提交offset后的2s内consumer挂了，再次启动consumer时，从上一次提交的offset处继续消费，导致重复消费。

漏消费：先提交offset后消费，有可能会造成数据的漏消费。

        设置offset为手动提交，当offset被提交时，数据还在内存中未落盘，此时刚好消费者线程被kill掉，那么offset已经提交，但是数据未处理，导致这部分内存中的数据丢失。

4.5 生产经验——消费者事务

         如果想完成Consumer端的精准一次性消费，那么需要Kafka消费端将消费过程和提交offset过程做原子绑定。此时我们需要将Kafka的offset保存到事务的自定义介质（比如MySQL）

 4.6 生产经验——数据积压（消费者如何提高吞吐量）

1）如果是Kafka消费能力不粗，则可以考虑增加topic的分区数，并且同时提升消费组的消费者熟练，消费者数 = 分区数。

2）如果是下游数据处理不及时：提高每批次拉取的数量。批次拉取数量过少（拉取数据/处理时间 < 生产速度）使处理的数据小于生产的数据，也会造成数据积压。

4.7 消费者核心参数配置