[大数据]kafka安装和学习使用

Kafka的学习和使用

本文是基于CentOS 7.3系统环境，进行Kafka的学习和使用

Kafka

0 Kafka基本概念

(1) 什么是Kafka

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

(2) 消息队列

1. 点对点模式的消息队列
   对一个消息而言，只会有一个消费者可以消费，消费者主动拉取消息，消息收到后，会将消息删除
2. 基于发布/订阅模式的消息队列
   发布到topic的消息会被所有订阅者消；费，消费者消费完消息后不会删除
3. 消息队列主动推送
   适用于消费者处理能力高，生产者生产消息较少的场景，整个系统的消息处理速度由消息队列的推送速度决定，多个消费者之间处理消息的能力不同，如果消息队列按照一定的速度推送消息，可能会造成某些消费者处理消息处理不过来，某些消费者处理速度很快一直处于空闲
4. 消费者主动拉取
   适用于生产者生产消息的速度高于消费者，整个系统的消息处理速度由消费者的拉取速度决定，如果消息队列中消息较少，消费者会一直维护着一个长轮询去访问消息队列是否有消息

(3) Kafka的作用

• 解耦和异步
  将强依赖的两个数据上下游系统，通过消息队列进行解耦，可以实现上下游的异步通信
• 削峰
  缓解数据上下游两个系统的流速差

1 安装及常用命令

（1）安装

集群规划

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

安装步骤

0.准备工作

安装JDK,搭建zookeeper集群环境

1.解压kafka安装包

[root@hadoop11 modules]# tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/installs

2.修改解压后的文件名 （配置环境变量）

[root@hadoop11 installs]# mv kafka_2.11-0.11.0.0  kafka0.11

3.在/opt/installs/kafka0.11目录下创建logs文件夹

[root@hadoop11 installs]# cd kafka0.11
[root@hadoop11 kafka0.11]# mkdir logs

4.修改配置文件

[root@hadoop11 kafka0.11]# cd config
[root@hadoop11 config]# vi server.properties
# 每个kafka节点,broker.id必须不一样
broker.id=11
# 允许topic可以删除
delete.topic.enable=true
# kafka运行日志存放的路径
log.dirs=/opt/installs/kafka0.11/logs
# 配置连接Zookeeper集群地址
zookeeper.connect=hadoop11:2181,hadoop12:2181,hadoop13:2181

5.分发安装包

[root@hadoop11 installs]# scp -r /opt/kafka0.11 root@hadoop12:/opt/installs
[root@hadoop11 installs]# scp -r /opt/kafka0.11 root@hadoop13:/opt/installs

6.分别在hadoop12和hadoop13上修改配置文件/opt/installs/kafka/config/server.properties中的broker.id

broker.id=12
broker.id=13
注：broker.id不得重复

7.启动集群

在三台节点分别执行命令启动kafka
[root@hadoop11 kafka0.11]# bin/kafka-server-start.sh -daemon config/server.properties
[root@hadoop12 kafka0.11]# bin/kafka-server-start.sh -daemon config/server.properties 
[root@hadoop13 kafka0.11]# bin/kafka-server-start.sh -daemon config/server.properties

8.验证集群是否启动成功

[root@hadoop11 kafka]# jps
1571 Kafka
1622 Jps
1215 QuorumPeerMain

8.关闭集群

[root@hadoop11  kafka0.11]$ bin/kafka-server-stop.sh stop
[root@hadoop12  kafka0.11]$ bin/kafka-server-stop.sh stop
[root@hadoop13  kafka0.11]$ bin/kafka-server-stop.sh stop

kafka的伪分布式只需要解压启动 就好了 参考官方文档 超级简单

（2）常用命令

1. 创建topic

   注意：一般在系统设计的时候，先把topic规划好，业务含义相同的数据，放在一个topic中。

   [root@hadoop11 kafka0.11]# bin/kafka-topics.sh  --zookeeper hadoop11:2181  --create   --topic topica --partitions 3 --replication-factor 2
   
   ## ---------------参数说明------------------ ##
   --zookeeper 连接的zookeeper
   --create 表示要创建一个topic
   --topic 指定topic的名字(不同业务的数据，放在不同的topic中)
   --partitions 指定分区数
   --replication-factor 指定副本数
   

2. 查看所有topic

   [root@hadoop11 kafka0.11]# bin/kafka-topics.sh  --zookeeper hadoop11:2181  --list
   

3. 查看某个topic详情

   [root@hadoop11 kafka0.11]# bin/kafka-topics.sh  --zookeeper hadoop11:2181  --describe --topic topica
   

4. 删除topic

   [root@hadoop11  kafka0.11]# bin/kafka-topics.sh  --zookeeper hadoop11:2181  --delete   --topic topica
   

5. 接收消息

   [root@hadoop11  kafka0.11]# bin/kafka-console-consumer.sh --bootstrap-server hadoop11:9092 --topic topica
   

6. 发送消息

   [root@hadoop11  kafka0.11]# bin/kafka-console-producer.sh --broker-list   hadoop11:9092 --topic topica
   

2 Kafka基础架构

1. 为了方便横向扩展，并提高吞吐量，一个topic分为多个partition
2. 配合分区的设计，提出消费者组的概念，组内每个消费者并行消费
3. 为提高可用性，为每个partition增加若干副本，类似于NameNode HA
   

• Producer
  消息生产者，连接broker-list，就是向kafka broker发消息的客户端
• Consumer
  消息消费者，连接bootstrp-server，向kafka broker取消息的客户端
• 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
• Cluster
  kafka集群，连接zookeeper，包含多个broker
• 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
• 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
• 分区为了并发，备份为了容灾
• 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
• 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
• 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
• follower
  每个分区多个副本中的“从”，实时与leader保持数据的同步。leader发生故障时，某个follower会成为新的follower
• zookeeper
  存储topic信息、分区信息、副本信息、ISR信息、消费者的偏移量（0.9版本之前，之后存在kafka集群中d __consumer_offset主题中，为了提高效率，减少与zookeeper的通信时间）

在一个kafka中创建一个topic，一个topic可以设置多个partition（理论无限），但分区副本个数不能超过broker的个数。

同一个consumer group中下不允许多个consumer消费同一个partition，当partition大于CG下consumer个数时，一个consumer可消费多个partition，小于时，则闲着。

字节面试题：

? 如何让所有的消费者消费同一个partition？

3 Kafka工作流程

1. kafka中消息是以topic进行分类的，生产者生成消息，消费者消费消息，都是面向topic的
2. topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一组log文件，该log文件中存储的就是producer生产的数据。
3. 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。
4. 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。

4 Kafka文件存储机制

1. 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

2. 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first-0,first-1,first-2

3. index和log文件以当前segment的上一个文件的最后一条信息的offset+1或者当前的segmen的第一条信息的offset命名

   例如：什么意思呢？举例00000000000000000000.index 说明第一条消息offset是0，也就是最开始的位置；00000000000000170410.index 这里偏移量是170410，说明是170410这个位置开始。

4. 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

5 Kafka生产者

5.1 分区策略

(1) 分区的原因

• 方便在集群中扩展
  每个Partition可以通过调整以适应它所在的机器，而一个topic又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据了
• 可以提高并发
  因为可以以Partition为单位读写了

(2) 分区的原则

我们需要将producer发送的数据封装成一个ProducerRecord对象。

1. 指明 partition 的情况下，直接将指明的值直接作为 partiton 值
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
3. 既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法
4. 自定义分区策略。

① 自定义类 implements Partitioner
② props.put("partitioner.class", "自定义类");

5.2 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。

(1) 副本数据同步策略

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

AR(All Replica):分区所有副本

ISR（In-Sync Replica）：同步副本，在规定时间内，能够实现数据同步。

OSR（Out-Sync Replica）：同步副本，在规定时间内，不能够实现数据同步。从ISR中被踢出的。

? 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producer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

• 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）消费数据一致性保障

• 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
  

（5）故障处理细节

• 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。
• 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。

5.3 Exactly Once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At Least 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.idempotence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。

6 Kafka消费者

6.1 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。

6.2 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。

1）range (区间)

默认

2）roundrobin (轮训)

6.3 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。

Offset：kafka会保存每个topic数据消费的记录offset，以便记录consumer消费到哪个数据了

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**。

7、Kafka Java API

1.Producer API

① 添加依赖

<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka-clients</artifactId>
    <version>0.11.0.0</version>
</dependency>

② 相关API

KafkaProducer：需要创建一个生产者对象，用来发送数据

ProducerConfig：获取所需的一系列配置参数

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

③ 异步发送 不带回调函数的Producer

public class CustomProducer {


   public static void main(String[] args) throws Exception {
        //1. 初始化参数信息
        Map<String, Object> configs = new HashMap<>();
        configs.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop11:9092");
        configs.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        configs.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
		//2. 创建生产者
        KafkaProducer<String,String> producer = new KafkaProducer<>(configs);
        //3. 发送数据
        for (int i=0;i<10;i++){
            producer.send(new ProducerRecord<>("topica","hello"+i));
        }

        producer.close();
    }

}

④ 异步发送 带回调函数的Producer

? 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。

public class CustomProducer_CallBack {


    public static void main(String[] args) throws Exception {
        Map<String, Object> configs = new HashMap<>();
        configs.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop11:9092");
        configs.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        configs.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        KafkaProducer<String,String> producer = new KafkaProducer<>(configs);
        for (int i=0;i<10;i++){
            producer.send(new ProducerRecord<>("topica", "hello" + i), new Callback() {
                @Override
                public void onCompletion(RecordMetadata metadata, Exception exception) {
                    if(exception == null){
                         System.out.println("发送成功："+metadata.partition());//数据所在分区
                         System.out.println("发送成功："+metadata.topic());//数据所对应的topic
                         System.out.println("发送成功："+metadata.offset());//数据的offset
                    }
                }
            });
        }

        producer.close();
    }

}

2.Consumer API

① 相关API

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

② Consumer接收数据

public class CustomConsumer {

    public static void main(String[] args) {
        //1. 初始化配置信息
        Map<String,Object> map = new HashMap<>();
        map.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"hadoop11:9092");
        map.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        map.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,StringDeserializer.class);
        map.put(ConsumerConfig.GROUP_ID_CONFIG,"g1");
	    //2. 创建Consumer
        KafkaConsumer<String,String> kafkaConsumer = new KafkaConsumer(map);
        //订阅 topic-user的数据 
        kafkaConsumer.subscribe(Arrays.asList("topica"));

        while (true){
            //3. 消费数据
            ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(100);
            Iterator<ConsumerRecord<String, String>> iterator = consumerRecords.iterator();
            for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
                System.out.println(consumerRecord);
            }
        }
    }
}

8、Zookeeper在Kafka中的使用

kafka对zookeeper是强依赖 ，最新版的kafka2.8版本，已经不需要依赖zk了

? Kafka集群中有一个broker会被选举为Controller(启动broker向zk注册，先到先得)，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。

zookeeper 存储了一些关于 consumer 和 broker 的信息，那么就从这两方面说明 zookeeper 的作用。

1. broker

• 状态

zookeeper 记录了所有 broker 的存活状态，broker 会向 zookeeper 发送心跳请求来上报自己的状态。

zookeeper 维护了一个正在运行并且属于集群的 broker 列表。

• 控制器选举

kafka 集群中有多个 broker，其中有一个会被选举为控制器。

控制器负责管理整个集群所有分区和副本的状态，例如某个分区的 leader 故障了，控制器会选举新的 leader。

从多个 broker 中选出控制器，这个工作就是 zookeeper 负责的。

• 限额权限

kafka 允许一些 client 有不同的生产和消费的限额。

这些限额配置信息是保存在 zookeeper 里面的。

所有 topic 的访问控制信息也是由 zookeeper 维护的。

• 记录 ISR

ISR（in-sync replica） 是 partition 的一组同步集合，就是所有 follower 里面同步最积极的那部分。

一条消息只有被 ISR 中的成员都接收到，才被视为“已同步”状态。

只有处于 ISR 集合中的副本才有资格被选举为 leader。

zookeeper 记录着 ISR 的信息，而且是实时更新的，只要发现其中有成员不正常，马上移除。

• node 和 topic 注册

zookeeper 保存了所有 node 和 topic 的注册信息，可以方便的找到每个 broker 持有哪些 topic。

node 和 topic 在 zookeeper 中是以临时节点的形式存在的，只要与 zookeeper 的 session 一关闭，他们的信息就没有了。

• topic 配置

zookeeper 保存了 topic 相关配置，例如 topic 列表、每个 topic 的 partition 数量、副本的位置等等。

2. consumer

• offset

kafka 老版本中，consumer 的消费偏移量是默认存储在 zookeeper 中的。

新版本中，这个工作由 kafka 自己做了，kafka 专门做了一个 offset manager。

• 注册

和 broker 一样，consumer 也需要注册。

consumer 会自动注册，注册的方式也是创建一个临时节点，consumer down 了之后就会自动销毁。

• 分区注册

kafka 的每个 partition 只能被消费组中的一个 consumer 消费，kafka 必须知道所有 partition 与 consumer 的关系。

以下是简单版本：

1. 注册所有的broker(kafka节点)

临时节点

2. 从broker中选出一个承担KafkaController的职责

1：防止单点故障，也是临时节点

2：负责在需要的时候对ISR列表中选出leader

3. 保存Topic的元数据信息(描述信息)

zookeeper保存topic的分区和leader信息，并协助KafkaController在需要的时候(启动或者broker故障)选出新的分区的leader

kafkaController会监听 zookeeper中的borkers下的ids节点的子节点变化

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3VxgFZEg-1627175150820)(kafka.assets/image-20200903225410142.png)]

9、Flume整合Kafka

< 均为伪分布式 >

(1)kafka当flume的sink

①. 在flume的job目录下新建kafka-sink.conf文件

#=============这个文件是配置kafk sink==============
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# Describe the sink
#######################下面的三行是配置的kafka-sink######################
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers =hadoop10:9092
a1.sinks.k1.kafka.topic =topica

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

②. 启动kafka的consumer消费者

[root@hadoop11 kafka]# bin/kafka-console-consumer.sh --bootstrap-server hadoop11:9092 --topic topica

③.启动flume

[root@hadoop11 apache-flume-1.9.0-bin]# bin/flume-ng agent --conf conf --name a1 --conf-file jobs/kafka-sink.conf -Dflume.root.logger=INFO,console

④.生产数据

[root@hadoop11 data]# nc localhost 44444

⑤.查看kafka的consumer消费者的消费情况

[root@hadoop11 kafka]# bin/kafka-console-consumer.sh --bootstrap-server kafka1:9092 --topic topica
hello

(2)kafka当flume的source

kafka-source的配置

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
#============在flume配置文件中配置kafka source=========
a1.sources.r1.type = org.apache.flume.source.kafka.KafkaSource

a1.sources.r1.kafka.bootstrap.servers = hadoop10:9092
a1.sources.r1.kafka.topics = topica

# Describe the sink
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
a1.channels.c1.type = memory

###########需要特别注意的，kafka-source默认的batchSize：1000，
#所以channel的transactionCapacity必须大于等于1000
#channel的capacity必须大于channel的transactionCapacity
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 1000

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

执行命令，启动flume agent

bin/flume-ng agent --conf conf --name a1 --conf-file jobs/kafka-source.conf -Dflume.root.logger=INFO,console

10、kafka执行流程

1. producer发送数据流程

# 流程说明
1. Producer.send的主线程。
	① 数据先经过拦截器。
	② 然后进行网络传输前的序列化
	③ 计算消息所属的分区
		④ 按照将消息存入对应的本地分区。(本地缓存，为了批量发送)
2. sender线程
	① 当某个分区内的消息数量达到一定值：`batch.size`之后，才会发送数据。(默认值: 16384 (16kb))
		config.put(ProducerConfig.BATCH_SIZE_CONFIG,16384);
	② 如果某个分区内消息数量未达到batch.size，sender等待linger.ms之后也会批量发送。(默认值：0ms)
		config.put(ProducerConfig.LINGER_MS_CONFIG,200);

# 流程细节解释
1. 主线程一条条向本地分区中存入数据。
2. Sender线程批量将本地分区的数据，发送到kafka的topic中的对应分区。--提高效率
3. 拦截器：可以对producer发送的数据，做一些通用功能的处理。
4. 序列化：为了保证数据在网络中传输和kafka的broker之间同步，需要数据执行序列化。
5. Partitioner：数据在写入到本地的内存队列(缓冲区)之前，会先计算分区再存放数据。

# 图示

2. Consumer消费数据流程

offset相关

# offset

Consumer从kafka的磁盘中消费数据，所以不用担心数据丢失问题。

但是，Consumer作为一个消费者，是有可能出现宕机等问题的，也就意味着会出现重启后，继续消费的问题，那么就必须要消费者偏移量，消费到哪条数据了。

结论：offset是用来记录Consumer的消费位置的，由Consumer自己负责维护(提交)，保存在kafka的broker的内置topic中

• 相关配置

# consumer重启offset机制，三个可选值，过早的offset记录会被删除。
auto.offset.reset=latest # 默认值，从最新的offset继续消费数据。

# 自动提交offset
1. 默认情况下Consumer的offset自动提交。

# ------------------配置参数-----------------------
# 自动提交开启
enable.auto.commit=true # 默认值
# 自动提交的时间间隔
auto.commit.interval.ms=5000 # 默认值5000 单位毫秒。

// java配置
config.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"true");

# 手动提交offset
通过代码的方式手动明确offset提交的方式。
`config.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG,"false");`

// 同步提交: consumer提交完毕offset之后，才会继续消费数据。
//3. 消费数据
while (true){
    //JDK1.8 的API 毫秒数，
    ConsumerRecords<String, String> crs = kafkaConsumer.poll(Duration.ofMillis(100));
    for (ConsumerRecord<String, String> cr : crs) {
        System.out.println("cr = " + cr);
    }
    kafkaConsumer.commitAsync();
}

// 异步提交: consumer只需要发出提交offset的指令之后，就可以继续消费数据,不需要等待本地offset是否提交成功。
while (true){
    //JDK1.8 的API 毫秒数，
    ConsumerRecords<String, String> crs = kafkaConsumer.poll(Duration.ofMillis(100));
    for (ConsumerRecord<String, String> cr : crs) {
        System.out.println("cr = " + cr);
    }
    kafkaConsumer.commitSync();
}

3. 拦截器

对Producer发送到Kafka的数据，进行前置处理和后置处理。

接口：org.apache.kafka.clients.producer.ProducerInterceptor

方法说明：

public class TimeInterceptor implements ProducerInterceptor<String, String> {
/**
*
  * @param record 生产者发送出来的ProducerRecord数据
  * @return 将处理后的数据封装成ProducerRecord继续处理
  */
 @Override
 public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
     // 数据离开producer到达broker之前。准确的是，进入Serializer之前。
     return null;
 }

 /**
  *
  * @param metadata 响应的ack携带的数据描述信息(topic、分区、offset等)
  * @param exception 如果ack响应成功，则异常为null，否则就是真正的异常对象。
  */
 @Override
 public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
     //响应的ack返回给producer之前执行
     String topic = metadata.topic();
     int partition = metadata.partition();
     long offset = metadata.offset();
     System.out.println(topic+" : "+partition+" : "+offset);

 }

 @Override
 public void close() {
     // Producer调用close或者Producer对象回收，调用该close方法。
 }

 @Override
 public void configure(Map<String, ?> configs) {
     //初始化拦截器时候，调用该方法。
 }
}

执行时机

编码

需求如下：

1. 对Producer发出的消息，添加一个时间戳：124313782314+message

2. 对kafka接收到的消息反回ack的时候，统计个数，以统计生产者发送数据的成功数据和失败数，并且打印失败的消息的offset。

定义拦截器

public class TimeInterceptor implements ProducerInterceptor<String, String> {
    private Long successNum = 0L;
    private Long errorNum = 0L;
    /**
     *
     * @param record 生产者发送出来的ProducerRecord数据
     * @return 将处理后的数据封装成ProducerRecord继续处理
     */
    @Override
    public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
        // 数据离开producer到达broker之前。准确的是，进入Serializer之前。
        ProducerRecord<String, String> records = new ProducerRecord<String, String>(record.topic(),record.partition(),record.timestamp(),record.key(),System.currentTimeMillis()+record.value(),record.headers());
        //System.out.println("records = " + records);
        return records;
    }
    /**
     *
     * @param metadata 响应的ack携带的数据描述信息(topic、分区、offset等)
     * @param exception 如果ack响应成功，则异常为null，否则就是真正的异常对象。
     */
    @Override
    public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
        //响应的ack返回给producer之前执行
        String topic = metadata.topic();
        int partition = metadata.partition();
        long offset = metadata.offset();
        System.out.println(topic+" : "+partition+" : "+offset);

        if (exception == null){
            successNum++;
        }else{
            errorNum++;
        }
    }
    @Override
    public void close() {
        // Producer调用close或者Producer对象回收，调用该close方法。
        System.out.println("successNum = " + successNum);
        System.out.println("errorNum = " + errorNum);
        System.out.println("-----------close---------");

    }
    @Override
    public void configure(Map<String, ?> configs) {
        //初始化拦截器时候，调用该方法。
        System.out.println("拦截器初始化：configs = " + configs);
    }
}

使用拦截器

// 将拦截器的全类名注册到config中，多个拦截器的类名，使用逗号隔开。
config.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, "demo3.TimeInterceptor");