kafka基础入门（2）：kafka生产者（producer）_kafkaproducer

目录

kafka生产者

数据发送原理

相关API

ack应答原理—数据可靠性

数据去重

数据有序

---

kafka生产者

数据发送原理

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

重要参数：

1. batch.size：只有数据积累到batch.size之后，sender才会从RecordAccumulator拉取数据。默认16k
2. linger.ms：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，默认值是0ms，表示没有延迟
3. acks：应答策略；

1. 1. acks=0：生产者发送过来的数据，不需要等数据落盘应答
   2. acks=1：生产者发送过来的数据，Leader收到数据后应答
   3. acks=-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

列表：

相关API

相关依赖：

    <dependencies>
        <dependency>
            <groupId>org.apache.kafka</groupId>
            <artifactId>kafka-clients</artifactId>
            <version>3.0.0</version>
        </dependency>
    </dependencies>

参数配置：

        //kafka配置文件
        Properties properties = new Properties();

        //添加配置信息
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop102:9092,hadoop103:9092");
    	//key/value的序列化类型
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());

        //提高集群的吞吐量
    	//批次大小，默认是16k
        properties.put(ProducerConfig.BATCH_SIZE_CONFIG,16384);
    	// linger.ms：等待时间，默认 0，修改为1
        properties.put(ProducerConfig.LINGER_MS_CONFIG,10);
    	//compression.type：压缩，默认 none，可配置值 gzip、snappy、lz4 和 zstd
        properties.put(ProducerConfig.COMPRESSION_TYPE_CONFIG,"snappy");
    	//RecordAccumulator：缓冲区大小，默认 32M：buffer.memory（注意是以字节为单位）
        properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG,33554432);

        //设置ack的类型
        properties.put(ProducerConfig.RETRIES_CONFIG,3); //重试次数
        properties.put(ProducerConfig.ACKS_CONFIG,"all");//数字也可

创建生产者：

//创建生产者对象
Producer<String, String> firstProducer = new KafkaProducer<String, String>(properties);

异步发送

send方法

参数（new ProducerRecord）

for (int i = 0; i < 50; i++) {
    firstProducer.send(new ProducerRecord<String, String>("first","why"+i));
}

带回调函数的异步发送

send方法：

参数：（new ProducerRecord，new Callback(){}）

重写onCompletion方法，Exception是异常信息，RecordMetadata是主题的元数据信息

    	//发送信息
        for (int i = 0; i < 500; i++) {
            firstProducer.send(new ProducerRecord<String, String>("first", "why" + i), new Callback() {
                @Override
                public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                    if (e != null)
                    {
                        e.printStackTrace();
                    }
                    else {
                        System.out.println("partition:"+recordMetadata.partition()+"-----"+recordMetadata.topic());
                    }
                }
            });
            Thread.sleep(2);
        }

同步发送

只需在异步发送的基础上，再调用一下 get()方法即可

        //发送信息
        for (int i = 0; i < 5; i++) {
            firstProducer.send(new ProducerRecord<String, String>("first","why"+i)).get();
        }

分区

分区的好处

1. 便于合理使用存储资源，每个Partition在一个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台Broker上。合理控制分区的任务，可以实现负载均衡的效果
2. 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

分区策略

1.指明partition的情况下，直接将指明的值作为partition值；例如partition=0，所有数据写入分区0

//Integer partition，直接赋值即可
public ProducerRecord(String topic, Integer partition, Long timestamp, K key, V value, Iterable<Header> headers) {
        if (topic == null)
            throw new IllegalArgumentException("Topic cannot be null.");
        if (timestamp != null && timestamp < 0)
            throw new IllegalArgumentException(
                    String.format("Invalid timestamp: %d. Timestamp should always be non-negative or null.", timestamp));
        if (partition != null && partition < 0)
            throw new IllegalArgumentException(
                    String.format("Invalid partition: %d. Partition number should always be non-negative or null.", partition));
        this.topic = topic;
        this.partition = partition;
        this.key = key;
        this.value = value;
        this.timestamp = timestamp;
        this.headers = new RecordHeaders(headers);
    }

2.没有指明partition值但有key的情况下，将key的hash值与topic的partition数进行取余得到partition值；

public ProducerRecord(String topic, K key, V value) {
        this(topic, null, null, key, value, null);
    }

3.既没有partition值又没有key值的情况下，Kafka采用Sticky Partition（黏性分区器），会随机选择一个分区，并尽可能一直使用该分区，待该分区的batch已满或者已完成，Kafka再随机一个分区进行使用（和上一次的分区不同）

    /**
     * Create a record with no key
     * 
     * @param topic The topic this record should be sent to
     * @param value The record contents
     */
    public ProducerRecord(String topic, V value) {
        this(topic, null, null, null, value, null);
    }

具体如何进行分区：

    /**
     * Compute the partition for the given record.
     *
     * @param topic The topic name
     * @param numPartitions The number of partitions of the given {@code topic}
     * @param key The key to partition on (or null if no key)
     * @param keyBytes serialized key to partition on (or null if no key)
     * @param value The value to partition on or null
     * @param valueBytes serialized value to partition on or null
     * @param cluster The current cluster metadata
     */
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster,int numPartitions) {
        if (keyBytes == null) { //没有指定key
            return stickyPartitionCache.partition(topic, cluster); //使用粘性分区器
        }
        // hash the keyBytes to choose a partition
        return Utils.toPositive(Utils.murmur2(keyBytes)) % numPartitions;
    }

自定义分区器

步骤：

1. 定义类实现 Partitioner 接口
2. 重写 partition()方法

/**
 * @author why
 * 自定义的分区器
 */
public class MyPartitioner implements Partitioner {
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        int partition = 0;
        String msg = value.toString();
        if (msg.contains("why"))
        {
            partition = 1;
        }
        //设置该条数据应处的分区
        return partition;
    }

    @Override
    public void close() {

    }

    @Override
    public void configure(Map<String, ?> configs) {

    }
}

在配置文件中配置即可：

//设置自定义的分区器 （使用全类名）
properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG,"com.why.kafka.tools.MyPartitioner");

ack应答原理—数据可靠性

不同ack策略的可靠性分析

1. ack=0：生产者发送过来的数据，不需要等数据落盘应答

1. 1. 容易出现丢数据的情况
   2. 可靠性差，效率高

1. ack=1：生产者发送过来的数据，Leader收到数据后应答

1. 1. 应答完成后，还没开始同步副本，Leader挂了，但是新的Leader不会继续同步副本，因为生产者已经收到Leader的应答，认为数据已经发送完毕
   2. 可靠性中等，效率中等

1. ack=-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

1. 1. 原理分析（如何解决副本同步迟迟不能完成的问题，因为同步不完成将一直等待而无法应答）

1. 1. 1. Leader维护了一个动态的in-sync replica set（ISR），意为和Leader保持同步的Follower+Leader集合(leader：0，isr:0,1,2)
      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。例如2超时，(leader:0, isr:0,1)；这样就不用等长期联系不上或者已经故障的节点

1. 1. 数据完全可靠条件 = ACK级别设置为-1 + 分区副本大于等于2 + ISR里应答的最小副本数量大于等于2

1. 1. 1. 如果分区副本设置为1个，或 者ISR里应答的最小副本数量（min.insync.replicas 默认为1）设置为1，和ack=1的效果是一样的，仍然有丢数的风险（leader：0，isr:0）

1. 1. 可靠性高，效率低

总结：在生产环境中，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

数据去重

数据传递语义

1. 至少一次（At Least Once）= ACK级别设置为-1 + 分区副本大于等于2 + ISR里应答的最小副本数量大于等于2
2. 最多一次（At Most Once）= ACK级别设置为0
3. 精确一次（Exactly Once）：对于一些非常重要的信息，比如和钱相关的数据，要求数据既不能重复也不丢失

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

Exactly Once：可以保证数据不重复也不丢失，通过幂等性和事务来实现（Kafka 0.11版本以后的新特性）

幂等性

幂等性就是指Producer不论向Broker发送多少次重复数据，Broker端都只会持久化一条，保证了不重复

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

其中PID是Kafka每次重启都会分配一个新的；

Partition 表示分区号；

Sequence Number是单调自增的。

所以幂等性只能保证的是在单分区单会话内不重复

如何开启幂等性：

开启参数 enable.idempotence 默认为 true（开启），false 关闭

properties.put(ProducerConfig.ENABLE_IDEMPOTENCE_CONFIG,true);

//从以下源码中可以看到ProducerConfig.ENABLE_IDEMPOTENCE_CONFIG代表的就是enable.idempotence
/** <code>enable.idempotence</code> */
public static final String ENABLE_IDEMPOTENCE_CONFIG = "enable.idempotence";

生产者事务

开启事务，必须开启幂等性

        //设置事务id（必须）
        properties.put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "transaction_id_0");

        //创建生产者对象
        Producer<String, String> firstProducer = new KafkaProducer<String, String>(properties);

        //初始化事务
        firstProducer.initTransactions();

        //开启事务
        firstProducer.beginTransaction();


        for (int i = 0; i < 5; i++) {
            firstProducer.send(new ProducerRecord<String, String>("first", "why" + i));
        }

        //提交事务
        firstProducer.commitTransaction();


        //关闭资源
        firstProducer.close();

数据有序

单分区内，有序

多分区，分区与分区间无序

单分区有序的条件：

1. 1.x版本之前：max.in.flight.requests.per.connection=1
2. 在1.x及以后版本

1. 1. 未开启幂等性：max.in.flight.requests.per.connection需要设置为1
   2. 开启了幂等性：max.in.flight.requests.per.connection需要设置小于等于5

原因说明：因为在kafka1.x以后，启用幂等后，kafka服务端会缓存producer发来的最近5个request的元数据，故无论如何，都可以保证最近5个request的数据都是有序的