Kafka_kafka的作用

第一章：Kafka的概述

1.1、kafka是一个分布式的基于发布/订阅模型的消息队列，主要用于大数据实时处理领域。有了kafka之后，我们可以实现消息的异步处理，可以达到以下的几点好处：
（1）系统解耦：因为采用一个中间消息处理组件，可以实现消息的生产端和消费端之间的解耦；
（2）可恢复性：kafka会将消息保存在相应的文件中，因此在系统宕机之后，还可以从文件中恢复消息数据，具备可恢复性；
（3）缓冲：消息的生产者和消息的消费者之间的速度有可能是不匹配的，通过使用消息队列可以实现穿冲的效果。
（4）异步通信：很多时候我们不需要系统马上对消息进行处理，因此通过采用异步的方式可以提升系统的运行性能。

1.2、消息队列的两种模式：
（1）点对点的模式（一对一，消费者主动拉取数据，消息收到后就清除消息）
消息生产者生产消息发送到Queue中，然后消息消费者从Queue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/订阅模式（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。

1.3、kafka的基础架构

1）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；
3）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。
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）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；
7）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。
8）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。
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 会成为新的 follower。

第二章、kafka快速入门

2.1、kafka中的命令行操作
1）查看当前服务器中的所有 topic

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --list
1

2）创建 topic

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

选项说明：
–topic 定义 topic 名
–replication-factor 定义副本数
–partitions 定义分区数
3）删除 topic

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --delete --topic first
1

需要 server.properties 中设置 delete.topic.enable=true 否则只是标记删除。
4）发送消息

[atguigu@hadoop102 kafka]$ bin/kafka-console-producer.sh --brokerlist hadoop102:9092 --topic first
>hello world
>atguigu atguigu
1
2
3

5）消费消息

[atguigu@hadoop102 kafka]$ bin/kafka-console-consumer.sh  --zookeeper hadoop102:2181 --topic first
1

6）查看某个 Topic 的详情

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --describe --topic first
1

7）修改分区数

[atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6
1

第三章、kafka架构解析

3.1、kafka的工作流程：

Kafka 中消息是以 topic 进行分类的，生产者生产消息，消费者消费消息，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 partition 对应于一个 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，且每条数据都有自己的 offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个 offset，以便出错恢复时，从上次的位置继续消费。

由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”文件和“.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 有三个分区，则其对应的文件夹为 first0,first-1,first-2。

00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log
1
2
3
4
5
6

index 和 log 文件以当前 segment 的第一条消息的 offset 命名。下图为 index 文件和 log文件的结构示意图。

“.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。

3.2、kafka生产者
3.2.1分区策略

分区的原因：
（1）方便集群的扩展：我们知道一个topic可以分配到不同的分区中，当我们系统消息量增加的时候，可以动态地增加分区，集群更容易扩展。
（2）提高并发度：由于有分区的概念，可以使得同一个消费者组下的不同消费者去分别消费不同的分区中的数据，这样可以提升消费的并发性能。

3.2.2 数据可靠性保证
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。


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。
4）故障处理细节

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 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。

3.2.3 Exactly Once(精准一次) 语义
将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 AtLeast Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的， At Most Once可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。

在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。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 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，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。

3.3kafka消费者
3.3.1 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。
3.3.2 分区分配策略
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。
RoundRobin分配方式：这样的分配方式首先需要保证一个消费者组里面的所有消费者订阅的topic都是相同的，将一个消费者组涉及到的所有的topic下的所有的partition融合在一起，然后分配到不同的消费者，这样的好处就是每个消费者消费数据的分区数量最多相差一个分区。
Range分配方式：这种分配方式是以主题进行划分的，将一个主题的不同分区划分尽可能平均地划分给不同消费者，但是经过多个topic的划分之后，有的消费者可能需要消费的分区很多，有的消费者需要消费的分区较少，造成消费不均衡。
但是：kafka默认采用的是Range，因为很多情况下，我们一个消费者组中的消费者并不是订阅的主题都是完全相同的。

3.3.3 offset 的维护
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。

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 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。

3.4 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）技术

3.5 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。
3.6 Kafka 事务
Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。
3.6.1 Producer 事务
为了实现跨分区跨会话的事务，需要引入一个全局唯一的 Transaction ID，并将 Producer获得的PID 和Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 TransactionID 获得原来的 PID。为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。

第 4 章 Kafka API

4.1 Producer API
4.1.1 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。
4.1.2 异步发送 API
1）导入依赖

<dependency>
	<groupId>org.apache.kafka</groupId>
	<artifactId>kafka-clients</artifactId>
	<version>0.11.0.0</version>
</dependency>
1
2
3
4
5

2）编写代码
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

1.不带回调函数的 API

package com.atguigu.kafka;
import org.apache.kafka.clients.producer.*;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
 public static void main(String[] args) throws ExecutionException,InterruptedException {
	 Properties props = new Properties();
	 //kafka 集群，broker-list
	 props.put("bootstrap.servers", "hadoop102:9092");
	 props.put("acks", "all");
	 //重试次数
	 props.put("retries", 1);
	 //批次大小
	 props.put("batch.size", 16384);
	 //等待时间
	 props.put("linger.ms", 1);
	 //RecordAccumulator 缓冲区大小
	 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");
 	 Producer<String, String> producer = new KafkaProducer<>(props);
 	for (int i = 0; i < 100; i++) {
 		producer.send(new ProducerRecord<String, String>("first",Integer.toString(i), Integer.toString(i)));
 	}
 	producer.close();
 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

2.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。
注意：消息发送失败会自动重试，不需要我们在回调函数中手动重试。

package com.atguigu.kafka;
import org.apache.kafka.clients.producer.*;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException,InterruptedException {
	 Properties props = new Properties();
	 props.put("bootstrap.servers", "hadoop102:9092");//kafka 集群，broker-list
	 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");
	 Producer<String, String> producer = new KafkaProducer<>(props);
	 for (int i = 0; i < 100; i++) {
	 	producer.send(new ProducerRecord<String, String>("first",Integer.toString(i), Integer.toString(i)), new Callback() {
		 //回调函数，该方法会在 Producer 收到 ack 时调用，为异步调用
		 @Override
		 public void onCompletion(RecordMetadata metadata,Exception exception) {
			 if (exception == null) {
				 System.out.println("success->" +
				 metadata.offset());
			 } else {
			 	exception.printStackTrace();
			 }
		 }
		 });
	 }
	 producer.close();
 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

4.1.3 同步发送 API
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。

package com.atguigu.kafka;
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;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
	public static void main(String[] args) throws ExecutionException,InterruptedException {
		 Properties props = new Properties();
		 props.put("bootstrap.servers", "hadoop102:9092");//kafka 集群，broker-list
		 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");
		 Producer<String, String> producer = new KafkaProducer<>(props);
		 for (int i = 0; i < 100; i++) {
			 producer.send(new ProducerRecord<String, String>("first",Integer.toString(i))).get();  
			 //由于send这个方法会返回一个Future对象，这个和多线程那里的Future是同一个，我们知道Future对象在
			 //get方法调用的时候，主线程会阻塞，直到获取到结果主线程才开始运行，因此就可以达到同步的效果。
		 }
		 producer.close();
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

4.2 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。

4.2.1 自动提交 offset
1）导入依赖

<dependency>
	<groupId>org.apache.kafka</groupId>
	<artifactId>kafka-clients</artifactId>
	<version>0.11.0.0</version>
</dependency>
1
2
3
4
5

2）编写代码
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
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：

package com.atguigu.kafka;
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 CustomConsumer {
	public static void main(String[] args) {
		 Properties props = new Properties();
		 props.put("bootstrap.servers", "hadoop102:9092");
		 props.put("group.id", "test");
		 props.put("enable.auto.commit", "true");
		 props.put("auto.commit.interval.ms", "1000");
		 props.put("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 props.put("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
		 consumer.subscribe(Arrays.asList("first"));
		 while (true) {
			 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());
		 }
	 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

4.2.2 手动提交 offset
虽然自动提交 offset 十分简介便利，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 还提供了手动提交 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 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。
1）同步提交 offset
由于同步提交 offset 有失败重试机制，故更加可靠，以下为同步提交 offset 的示例。

package com.atguigu.kafka.consumer;
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 CustomComsumer {
	 public static void main(String[] args) {
		 Properties props = new Properties();
		//Kafka 集群
		 props.put("bootstrap.servers", "hadoop102:9092");
		//消费者组，只要 group.id 相同，就属于同一个消费者组
		 props.put("group.id", "test");
		 props.put("enable.auto.commit", "false");//关闭自动提交 offset
		 props.put("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 props.put("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 KafkaConsumer<String, String> consumer = newKafkaConsumer<>(props);
		 consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
		 while (true) {
			//消费者拉取数据
		 	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());
		 }
		//同步提交，当前线程会阻塞直到 offset 提交成功
		 consumer.commitSync();
		 }
	 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

2）异步提交 offset
虽然同步提交 offset 更可靠一些，但是由于其会阻塞当前线程，直到提交成功。因此吞吐量会收到很大的影响。因此更多的情况下，会选用异步提交 offset 的方式。以下为异步提交 offset 的示例：

package com.atguigu.kafka.consumer;
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 CustomComsumer {
	 public static void main(String[] args) {
		 Properties props = new Properties();
		//Kafka 集群
		 props.put("bootstrap.servers", "hadoop102:9092");
		//消费者组，只要 group.id 相同，就属于同一个消费者组
		 props.put("group.id", "test");
		 props.put("enable.auto.commit", "false");//关闭自动提交 offset
		 props.put("key.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 props.put("value.deserializer","org.apache.kafka.common.serialization.StringDeserializer");
		 KafkaConsumer<String, String> consumer = newKafkaConsumer<>(props);
		 consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
		 while (true) {
			//消费者拉取数据
		 	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());
		 }
		//异步提交
		 consumer.commitAsync(new OffsetCommitCallback() {
			 @Override
			 public void onComplete(Map<TopicPartition,OffsetAndMetadata> offsets, Exception exception) {
				 if (exception != null) {
				 	System.err.println("Commit failed for" +offsets);
				 }
			 }
		 });
		 }
	 }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

3） 数据漏消费和重复消费分析
无论是同步提交还是异步提交 offset，都有可能会造成数据的漏消费或者重复消费。先提交 offset 后消费，有可能造成数据的漏消费；而先消费后提交 offset，有可能会造成数据的重复消费。

4.3 自定义 Interceptor
4.3.1 拦截器原理
Producer 拦截器(interceptor)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。

4.3.2 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。
（1）增加时间戳拦截器

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) {
	// 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() {
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

（2）统计发送消息成功和发送失败消息数，并在 producer 关闭时打印这两个计数器

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) {
	// 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);
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

（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 设置配置信息
		Properties props = new Properties();
		props.put("bootstrap.servers", "hadoop102:9092");
		props.put("acks", "all");
		props.put("retries", 3);
		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 构建拦截链
		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 = newKafkaProducer<>(props);
		// 3 发送消息
		for (int i = 0; i < 10; i++) {
			 ProducerRecord<String, String> record = new ProducerRecord<>(topic, "message" + i);
			 producer.send(record);
		}
		// 4 一定要关闭 producer，这样才会调用 interceptor 的 close 方法
		producer.close();
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

第五章、Kafka常见面试题

1.Kafka 中的 ISR(InSyncRepli)、OSR(OutSyncRepli)、AR(AllRepli)代表什么？
ISR：指的是同步副本，当leader挂机之后，会从ISR同步副本集中选取一个副本作为新的leader，ISR中的副本需要满足一定的条件才能进入，主要就是根据副本同步数据时候的时延来选取，满足同步时延的副本会被放进ISR中，否则的话会被剔除ISR中；
OSR：所有的副本中，没有在ISR中的就属于OSR；
AR：AR指的是所有的副本，ISR+OSR = AR。

2.Kafka 中的 HW、LEO 等分别代表什么？
HW：代表的是消费者可以消费的最大的偏移量，属于高水位，有了HW可以保证消费者消费的一致性，因为当leader挂掉之后，重新选举出来的leader会根据HW水平线去同步其他的follower，使得所有的副本的数据能够保持一致。
LEO：代表的是每一个副本分区中，消息的最大偏移量，每个副本都拥有一个LEO，但是所有的副本的HW都是一样的，因此HW也就是所有副本中最小的LEO。

3.Kafka 中是怎么体现消息顺序性的？
在kafka中，由于存在多个消费者、异步发送的情况，因此无法做到全局消费的一致性，如果真的需要做到顺序消费消息，需要设置为同步发送消息，并且只采用一个分区。

4.Kafka 中的分区器、序列化器、拦截器是否了解？它们之间的处理顺序是什么？
kafka中的分区器、序列化器以及拦截器的处理顺序是：拦截器、序列化器、分区器。
拦截器：拦截器在kafka中可以用于在消息发送之前进行前置的处理过程，包括对消息进行处理、修改等。当然我们可以定义一个拦截器链，也就是定义多个拦截器形成一个链式。
序列化器：由于我们的消息需要通过网络传输，因此在进行发送之前必须将消息进行序列化以便于传输。
分区器：由于kafka采用的是分布式的架构，因此每个主题的消息都会被分配到不同的kafka分区中，因此就需要指定一个分区器，用于实现消息的分区分配。

5.Kafka 生产者客户端的整体结构是什么样子的？使用了几个线程来处理？分别是什么？
生产者端的整体结构采用了两个线程来实现消息的发送，一个是main线程，用于产生消息，另外一个是sender线程，用于发送消息，main线程和sender线程之间通过一个共享的RecordAccmulator进行交互，main线程负责把消息放入RecordAccmulator中，而sender会去RecordAccmulator获取消息进行发送

6.“消费组中的消费者个数如果超过 topic 的分区，那么就会有消费者消费不到数据”这句话是否正确？
这句话是正确的，因为我们知道一个消费者组里面的所有消费者去消费不同的分区，当消费者的个数超过了topic中的分区的时候，那么就会导致部分的消费者没有分区给它消费。

7.消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset+1？
消费者提交消费偏移量的时候，提交的是已经消费的offset然后+1。

8.有哪些情形会造成重复消费？
当先消费然后再提交偏移量的时候，有可能会造成重复消费。因为当消费者消费完数据的，准备把消费偏移量同步到kafka集群的时候，突然leader挂机了，那么就导致偏移量没有发送过去，当新的leader来的时候，还是会去kafka中采用旧的偏移量开始消费，就导致了重复消费的情况。

9.那些情景会造成消息漏消费？
当先发送偏移量在处理的时候，就可能造成消息的漏消费，因为偏移量提交了，如果在处理消息的过程中挂掉了，就会导致那部分数据没有消费，但是由于偏移量已经提交，下一次也无法获得那些没有消费的数据。

10.当你使用 kafka-topics.sh 创建（删除）了一个 topic 之后，Kafka 背后会执行什么逻辑？
1）会在 zookeeper 中的/brokers/topics 节点下创建一个新的 topic 节点，如：
/brokers/topics/first
2）触发 Controller 的监听程序
3）kafka Controller 负责 topic 的创建工作，并更新 metadata cache

11.topic 的分区数可不可以增加？如果可以怎么增加？如果不可以，那又是为什么？
topic的分区数是可以增加的。

12.topic 的分区数可不可以减少？如果可以怎么减少？如果不可以，那又是为什么？
topic的分区数是不可以减少的，因为分区数减少的话，那部分分区的数据就无法进行处理。

13.Kafka 有内部的 topic 吗？如果有是什么？有什么所用？
kafka内部有自己内置的topic，这个topic的名字叫做：__consumer_offset，主要的作用就是用于存储每个GTP(group、topic、partition)的消费的偏移量，用于记录消费的位置。

14.Kafka 分区分配的概念？
kafka的分区分配有两个方面，一个是生产者生产消息的分区分配，就是指的是一个生产者生产的消息应该放进那个分区，实际上是采用的轮询的方式将消息放到不同的分区。消费者端的分区分配有两种方式，一种就是采用RoundRobin的方式，将一个消费者组订阅的主题的不同分区融合在一起进行统一的分配，好处就是不同消费者之间的消费分区最多相差一个，但是需要一个消费者组里面的消费者订阅相同的主题；另外一种方式就是Range，就是根据topic来进行分配，一个主题下的不同分区按照尽量均分的原则分配给消费者组。

15.简述 Kafka 的日志目录结构？
kafka的日志的目录结构主要包含两类文件，一个是.index文件，用于索引消息数据，一类是.log文件，用于存储实际的消息数据。

16.如果我指定了一个 offset，Kafka Controller 怎么查找到对应的消息？
首先kafka会根据消费的偏移量去二分查找找到对应的.index文件，然后根据.index中的索引信息可以较快地定位到.log文件中的消息数据，这样加快数据索引的过程

17.聊一聊 Kafka Controller 的作用？
主要的作用就是进行全局元数据的管理以及和zookeeper之间进行交互。

18.Kafka 中有那些地方需要选举？这些地方的选举策略又有哪些？
选举的地方有两个，一个是选取出全局的controller，这个的选举策略就是争抢资源。另一个是选举分区的leader，主要是从ISR中选举出新的leader。

19.失效副本是指什么？有那些应对措施？
失效副本指的是由于网络等原因挂掉的副本，这个时候失效的副本会被剔除ISR队列。

20.Kafka 的哪些设计让它有如此高的性能？
（1）kafka采用分布式的架构设计，里面采取了分区的结构，这样的话可以提升并发度；
（2）kafka读取磁盘的时候采取的是顺序读取，因为磁盘的顺序读的性能比随机读的性能高很多；
（3）kafka在底层进行数据读取或者发送的时候采用了零拷贝技术，减少了CPU在数据拷贝过程中的消耗，大大提升了性能。