KafkaConsumer0.9（三）



Java代码

 

Properties props =new Properties();

props.put("bootstrap.servers","localhost:9092");

props.put("group.id","test_group");

props.put("enable.auto.commit","true");

props.put("auto.commit.interval.ms","1000");

props.put("session.timeout.ms","30000");

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<String, String>(props);

List<TopicPartition>list = new ArrayList<TopicPartition>();

TopicPartition tp =new TopicPartition("test_topic", 0);

list.add(tp);

consumer.assign(list);

consumer.seek(tp,96);

//consumer.seekToBeginning(tp);

//consumer.seekToEnd(tp);

int commitInterval =200;

List<ConsumerRecord<String,String>> buffer = new ArrayList<ConsumerRecord<String,String>>();

while (true) {

ConsumerRecords<String,String> records = consumer.poll(100);

for(ConsumerRecord<String, String> record : records) {

buffer.add(record);

if(buffer.size() >= commitInterval) {

batchProcessRecords(buffer);

consumer.commitSync();

buffer.clear();

}

}

}

 

 

1. 在上一篇中我们看了一个简单的自动提交offset的example，但很多情况下我们为了避免消息丢失，需要确保消息被处理完了之后才提交offset，这就需要手动地提交。在上面这个例子中，我们从kafka中抓取数据并缓存在List中，只有当消息达到一定的数量的时候我们才批量处理，假设我们使用自动提交，如果在我们还没来得及处理之前consumer就异常终止，那么有可能这些消息的offset已经被自动提交掉了，等我们的consumer重新连接上来了之后，上次没有处理完成的消息会被我们完全略过，造成数据丢失，这就是"at-most-once delivery"。解决的办法是，只有在批量处理完消息之后，才用consumer.commitSync()手动地提交offset，但这样的副作用的，假如我们正在批量处理消息，这时consumer异常终止，offset没有被提交但有部分消息已经被处理过了，当consumer重连上来时，这批没有被commit的消息会被重新处理一次，造成会有部分消息被重复处理，这就是"at-least-once delivery"。

 

2. kafka提供loadbalance机制来确保consumer正常工作，简单的说partitions会被分配给正在监听这个topic的多个consumers（同一个group），当其中一个consumerprocess异常终止，它之前所占有的partitions会被分配给其他consumerprocess，从而保证所有的数据都能被正常消费掉。但有时我们并不需要load balance机制，例如：

• 为了节省网络带宽，我们只希望consumer从某一个partition抓取数据，并存储在本地。这在大数据计算或存储中是很常见的行为。在这种情况下我们并不希望另一台机器的consumer来消费这台机器的partition。

• 如果程序本身带有HA机制，例如使用类似于YARN,Mesos等集群管理框架，那么当一个consumer终止了之后，它会被重启，或者是另一个consumer会被启动来替代它，在这种情况下我们不需要kafka重新分配partition。

要做到这点很简单，替换掉上个例子的consumer.subscribe(Arrays.asList("test_topic"))，我们使用consumer.assign(list)，在本例中，consumer只会消费partition0的数据。

 

3. 在之前的版本中，如果我们需要消费旧数据（已经commit offset），我们需要用SimpleConsumer。但是在0.9中，这变得更简单了。在本例中，consumer.seek(tp, 96)表示我们从partition 0的offset 96开始抓取数据，consumer.seekToBeginning(tp)表示从头开始抓取数据，consumer.seekToEnd(tp)表示从最后开始抓取数据，换句话说，只消费consumer启动之后新进来的数据。

 

kafka 提供三种语义的传递：

               1至少一次

               2至多一次

               3精确一次

     首先在 producer端保证1和2的语义是非常简单的，至少一次只需要同步确认即可（确认方式分为只需要 leader确认以及所有副本都确认，第二种更加具有容错性），至多一次最简单只需要异步不断的发送即可，效率也比较高。目前在 producer端还不能保证精确一次，在未来有可能实现，实现方式如下：在同步确认的基础上为每一条消息加一个主键，如果发现主键曾经接受过，则丢弃。

     在 consumer端，大家都知道可以控制 offset，所以可以控制消费，其实offset 只有在重启的时候才会用到。在机器正常运行时我们用的是 position，我们实时消费的位置也是 position而不是 offset。我们可以得到每一条消息的 position。如果我们在处理消息之前就将当前消息的 position 保存到 zk上即 offset，这就是至多一次消费，因为我们可能保存成功后，消息还没有消费机器就挂了，当机器再打开时此消息就丢失了；或者我们可以先消费消息然后保存 position 到 zk 上即 offset，此时我们就是至少一次，因为我们可能在消费完消息后offset没有保存成功。而精确一次的做法就是让 position的保存和消息的消费成为原子性操作，比如将消息和 position 同时保存到 hdfs 上 ，此时保存的position 就称为 offset，当机器重启后，从 hdfs重新读入offset，这就是精确一次。

 

 

 

 

 

偏移offset

上一段说了分区,分区就是一个有序的,不可变的消息队列.新来的commit log持续往后面加数据.这些消息被分配了一个下标(或者偏移),就是offset,用来定位这一条消息.

消费者消费到了哪条消息,是保持在消费者这一端的.消息者也可以控制,消费者可以在本地保存最后消息的offset,并间歇性的向zookeeper注册offset.也可以重置offset