kafka

1、实时计算阶段安排

• day01 企业消息队列kafka

  • 接收实时产生的数据，用来计算。

• day02 实时计算框架storm基础

• day03 实时计算框架storm运行原理

• day04 实时计算案例之日志告警系统

• day05 实时计算案例之流量日志分析/交易风险控制系统

• day06 推荐系统案例

• day07 推荐系统数据清洗与存储（Hbase、Redis）

• day08 搜索系统之elasticSearch

2、大数据整体结构

3、大数据实时存储

4、Kafka配置文件server.properties

修改三个地方:

• broker.id

  • 每个kafka实例都具备一个唯一的id

• log.dirs

  • Kafka用来存放消息的路径，需要在每台机器上创建

• zookeeper.connect

  • Kafka信息存放在zookeeper中，需要制定zookeeper地址。

  • 每个Kafka实例启动的时候，都会将自己的信息注册到zookeeper中。

• 配置文件

broker.id=0num.network.threads=3num.io.threads=8socket.send.buffer.bytes=102400socket.receive.buffer.bytes=102400socket.request.max.bytes=104857600log.dirs=/export/data/kafkanum.partitions=1num.recovery.threads.per.data.dir=1offsets.topic.replication.factor=1transaction.state.log.replication.factor=1transaction.state.log.min.isr=1log.retention.hours=168log.segment.bytes=1073741824log.retention.check.interval.ms=300000zookeeper.connect=zk01:2181,zk02:2181,zk03:2181zookeeper.connection.timeout.ms=6000group.initial.rebalance.delay.ms=0

5、Kafka启动需知（一键启动）

• 启动zookeeper集群

  • 一键启动脚本的环境变量配置

  #set onekey envexport OK_HOME=/export/servers/oneKeyexport PATH=${OK_HOME}/zk:$PATHexport PATH=${OK_HOME}/storm:$PATHexport PATH=${OK_HOME}/kafka:$PATH

  • 关于黑洞

  • 一键启动的目录信息(创建vi slave ,配置主机域名)

  -rw-r--r--. 1 root root  21 Nov 11 03:46 slave-rwxr-xr-x. 1 root root 160 Nov 11 03:46 startzk.sh-rwxr-xr-x. 1 root root 172 Nov 11 03:47 stopzk.sh

  /export/servers/oneKey/zk

  • startzk.sh文件

  cat /export/servers/oneKey/zk/slave | while read linedo{ echo $line ssh $line "source /etc/profile;nohup zkServer.sh start >/dev/nul* 2>&1 &"}&waitdone 

  • stopzk.sh 停止脚本

  cat /export/servers/oneKey/zk/slave | while read linedo{ echo $line ssh $line "source /etc/profile;jps |grep QuorumPeerMain |cut -c 1-4 |xargs kill -s 9"}&waitdone 

  • 跨服务器运行命令

  ssh hostname “command”

• 启动Kafka集群

  • 环境变量

  #set onekey envexport OK_HOME=/export/servers/oneKeyexport PATH=${OK_HOME}/zk:$PATHexport PATH=${OK_HOME}/storm:$PATHexport PATH=${OK_HOME}/kafka:$PATH

  • kafka环境变量配置

  #set kafka envexport KAFKA_HOME=/export/servers/kafkaexport PATH=${KAFKA_HOME}/bin:$PATH

  • 启动脚本

  cat /export/servers/oneKey/kafka/slave | while read linedo{ echo $line ssh $line "source /etc/profile;nohup kafka-server-start.sh /export/servers/kafka/config/server.properties >/dev/nul* 2>&1 &"}&waitdone

  • 停止脚本

  cat /export/servers/oneKey/kafka/slave | while read linedo{ echo $line ssh $line "source /etc/profile;jps |grep Kafka |cut -c 1-4 |xargs kill -s 9 "}&waitdone 

6、Kafka配置文件详解

6.1、 producer端配置文件说明

#指定kafka节点列表，用于获取metadata，不必全部指定metadata.broker.list=kafka01:9092,kafka02:9092,kafka03:9092# 指定分区处理类。默认kafka.producer.DefaultPartitioner，表通过key哈希到对应分区#partitioner.class=kafka.producer.DefaultPartitioner# 是否压缩，默认0表示不压缩，1表示用gzip压缩，2表示用snappy压缩。压缩后消息中会有头来指明消息压缩类型，故在消费者端消息解压是透明的无需指定。compression.codec=none# 指定序列化处理类serializer.class=kafka.serializer.DefaultEncoder# 如果要压缩消息，这里指定哪些topic要压缩消息，默认empty，表示不压缩。#compressed.topics=# 设置发送数据是否需要服务端的反馈,有三个值0,1,-1# 0: producer不会等待broker发送ack # 1: 当leader接收到消息之后发送ack # -1: 当所有的follower都同步消息成功后发送ack. request.required.acks=0 # 在向producer发送ack之前,broker允许等待的最大时间 ，如果超时,broker将会向producer发送一个error ACK.意味着上一次消息因为某种原因未能成功(比如follower未能同步成功) request.timeout.ms=10000# 同步还是异步发送消息，默认“sync”表同步，"async"表异步。异步可以提高发送吞吐量,也意味着消息将会在本地buffer中,并适时批量发送，但是也可能导致丢失未发送过去的消息producer.type=sync# 在async模式下,当message被缓存的时间超过此值后,将会批量发送给broker,默认为5000ms# 此值和batch.num.messages协同工作.queue.buffering.max.ms = 5000# 在async模式下,producer端允许buffer的最大消息量# 无论如何,producer都无法尽快的将消息发送给broker,从而导致消息在producer端大量沉积# 此时,如果消息的条数达到阀值,将会导致producer端阻塞或者消息被抛弃，默认为10000queue.buffering.max.messages=20000# 如果是异步，指定每次批量发送数据量，默认为200batch.num.messages=500# 当消息在producer端沉积的条数达到"queue.buffering.max.meesages"后 # 阻塞一定时间后,队列仍然没有enqueue(producer仍然没有发送出任何消息) # 此时producer可以继续阻塞或者将消息抛弃,此timeout值用于控制"阻塞"的时间 # -1: 无阻塞超时限制,消息不会被抛弃 # 0:立即清空队列,消息被抛弃 queue.enqueue.timeout.ms=-1# 当producer接收到error ACK,或者没有接收到ACK时,允许消息重发的次数 # 因为broker并没有完整的机制来避免消息重复,所以当网络异常时(比如ACK丢失) # 有可能导致broker接收到重复的消息,默认值为3.message.send.max.retries=3# producer刷新topic metada的时间间隔,producer需要知道partition leader的位置,以及当前topic的情况 # 因此producer需要一个机制来获取最新的metadata,当producer遇到特定错误时,将会立即刷新 # (比如topic失效,partition丢失,leader失效等),此外也可以通过此参数来配置额外的刷新机制，默认值600000 topic.metadata.refresh.interval.ms=60000

6.2、broker端配置文件说明

#broker的全局唯一编号，不能重复broker.id=0#用来监听链接的端口，producer或consumer将在此端口建立连接port=9092#处理网络请求的线程数量num.network.threads=3#用来处理磁盘IO的现成数量num.io.threads=8#发送套接字的缓冲区大小socket.send.buffer.bytes=102400#接受套接字的缓冲区大小socket.receive.buffer.bytes=102400#请求套接字的缓冲区大小socket.request.max.bytes=104857600#kafka运行日志存放的路径log.dirs=/export/data/kafka/#topic在当前broker上的分片个数num.partitions=2#用来恢复和清理data下数据的线程数量num.recovery.threads.per.data.dir=1#segment文件保留的最长时间，超时将被删除log.retention.hours=1#滚动生成新的segment文件的最大时间log.roll.hours=1#日志文件中每个segment的大小，默认为1Glog.segment.bytes=1073741824#周期性检查文件大小的时间log.retention.check.interval.ms=300000#日志清理是否打开log.cleaner.enable=true#broker需要使用zookeeper保存meta数据zookeeper.connect=zk01:2181,zk02:2181,zk03:2181#zookeeper链接超时时间zookeeper.connection.timeout.ms=6000#partion buffer中，消息的条数达到阈值，将触发flush到磁盘log.flush.interval.messages=10000#消息buffer的时间，达到阈值，将触发flush到磁盘log.flush.interval.ms=3000#删除topic需要server.properties中设置delete.topic.enable=true否则只是标记删除delete.topic.enable=true#此处的host.name为本机IP(重要),如果不改,则客户端会抛出:Producer connection to localhost:9092 unsuccessfu* 错误!host.name=kafka01advertised.host.name=192.168.140.128

6.3、consumer端配置文件说明

# zookeeper连接服务器地址zookeeper.connect=zk01:2181,zk02:2181,zk03:2181# zookeeper的session过期时间，默认5000ms，用于检测消费者是否挂掉zookeeper.session.timeout.ms=5000#当消费者挂掉，其他消费者要等该指定时间才能检查到并且触发重新负载均衡zookeeper.connection.timeout.ms=10000# 指定多久消费者更新offset到zookeeper中。注意offset更新时基于time而不是每次获得的消息。一旦在更新zookeeper发生异常并重启，将可能拿到已拿到过的消息zookeeper.sync.time.ms=2000#指定消费 group.id=itcast# 当consumer消费一定量的消息之后,将会自动向zookeeper提交offset信息 # 注意offset信息并不是每消费一次消息就向zk提交一次,而是现在本地保存(内存),并定期提交,默认为trueauto.commit.enable=true# 自动更新时间。默认60 * 1000auto.commit.interval.ms=1000# 当前consumer的标识,可以设定,也可以有系统生成,主要用来跟踪消息消费情况,便于观察conusmer.id=xxx # 消费者客户端编号，用于区分不同客户端，默认客户端程序自动产生client.id=xxxx# 最大取多少块缓存到消费者(默认10)queued.max.message.chunks=50# 当有新的consumer加入到group时,将会reblance,此后将会有partitions的消费端迁移到新  的consumer上,如果一个consumer获得了某个partition的消费权限,那么它将会向zk注册 "Partition Owner registry"节点信息,但是有可能此时旧的consumer尚没有释放此节点, 此值用于控制,注册节点的重试次数. rebalance.max.retries=5# 获取消息的最大尺寸,broker不会像consumer输出大于此值的消息chunk 每次feth将得到多条消息,此值为总大小,提升此值,将会消耗更多的consumer端内存fetch.min.bytes=6553600# 当消息的尺寸不足时,server阻塞的时间,如果超时,消息将立即发送给consumerfetch.wait.max.ms=5000socket.receive.buffer.bytes=655360# 如果zookeeper没有offset值或offset值超出范围。那么就给个初始的offset。有smallest、largest、anything可选，分别表示给当前最小的offset、当前最大的offset、抛异常。默认largestauto.offset.reset=smallest# 指定序列化处理类derializer.class=kafka.serializer.DefaultDecoder

7、Kafka整体概念梳理

• Producer ：消息生产者，就是向kafka broker发消息的客户端。
• Consumer ：消息消费者，向kafka broker取消息的客户端
• Topic ：名称。
• Consumer Group （CG）：这是kafka用来实现一个topic消息的广播（发给所有的consumer）和单播（发给任意一个consumer）的手段。一个topic可以有多个CG。topic的消息会复制（不是真的复制，是概念上的）到所有的CG，但每个partion只会把消息发给该CG中的一个consumer。如果需要实现广播，只要每个consumer有一个独立的CG就可以了。要实现单播只要所有的consumer在同一个CG。用CG还可以将consumer进行自由的分组而不需要多次发送消息到不同的topic。
• 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。
• 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。partition中的每条消息都会被分配一个有序的id（offset）。kafka只保证按一个partition中的顺序将消息发给consumer，不保证一个topic的整体（多个partition间）的顺序。
• Offset：kafka的存储文件都是按照offset.kafka来命名，用offset做名字的好处是方便查找。例如你想找位于2049的位置，只要找到2048.kafka的文件即可。当然the first offset就是00000000000.kafka
• Replication：Kafka支持以Partition为单位对Message进行冗余备份，每个Partition都可以配置至少1个Replication(当仅1个Replication时即仅该Partition本身)。
• Leader：每个Replication集合中的Partition都会选出一个唯一的Leader，所有的读写请求都由Leader处理。其他Replicas从Leader处把数据更新同步到本地，过程类似大家熟悉的MySQL中的Binlog同步。每个Cluster当中会选举出一个Broker来担任Controller，负责处理Partition的Leader选举，协调Partition迁移等工作。
• ISR(In-Sync Replica)：是Replicas的一个子集，表示目前Alive且与Leader能够“Catch-up”的Replicas集合。由于读写都是首先落到Leader上，所以一般来说通过同步机制从Leader上拉取数据的Replica都会和Leader有一些延迟(包括了延迟时间和延迟条数两个维度)，任意一个超过阈值都会把该Replica踢出ISR。每个Partition都有它自己独立的ISR。

8、细节补充

8.1、使用Kafka Producer生产数据并观察segment段的变化

public static void main(String[] args) {        //1、准备配置文件        Properties props = new Properties();        props.put("bootstrap.servers", "node01:9092");        props.put("acks", "all");        props.put("retries", 0);        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、创建KafkaProducer        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<String, String>(props);            //3、发送数据            /**             * 在ProducerRecord构造参数中key的情况下，会根据key进行hash取模，得到partition的编号。             *              */        while(true){            kafkaProducer.send(new ProducerRecord<String, String>("yum02", "我是很多内容……"));        }

8.2、使用Kafka Producer生产数据的分发策略

The default partitioning strategy: * <li>If a partition is specified in the record, use it * <li>If no partition is specified but a key is present choose a partition based on a hash of the key * <li>If no partition or key is present choose a partition in a round-robin fashion

分发策略：1）如果指定了partition，直接使用2）如果没有指定partition，但是制定了key，可以使用key做hash取模3）如果没有指定partition，又没有指定key，使用轮训的方式

//在ProducerRecord构造参数中有key的情况下，会根据key进行hash取模，得到partition的编号kafkaProducer.send(new ProducerRecord<String, String>("yun02","num","Consumer Group "));// 如果沒有key，也沒有partition就會輪訓kafkaProducer.send(new ProducerRecord<String, String>("yum02", "afka Web "));//如果指定了partition，就會使用partitionkafkaProducer.send(new ProducerRecord<String, String>("yun02",1,"num","value"));

8.3、Kafka为什么那么快？

两个技术：

• pagecache:数据生产放入pagecache、数据读取从pagecache从读取，针对实时消费的情况。
• sendfile：直接在系统层面将数据发送出去，减少应用层面的数据拷贝，提高效率针对消费历史数据的情况

8.4、zookeeper可视化工具使用

附1:Kafka常见问题

Kafka是什么？

• 分布式消息队列，类似于JMS。典型的生产者消费者模式。
• 生产的数据存放到kafka的集群，集群由很多个broker组成
• kafka集群的元数据保存在zookeeper上。

针对一个topic为什么要进行分区？

• 一般情况下，针对海量数据，都会将数据分为很多个部分（分片），单独存放在不同的机器上。
• 如果一个topic的数据量非常大，我们要提前规划好分区数
• producer根据分区数进行数据分发（分发策略partitioner）

针对一个分区，为什么要添加副本？

• 副本机制的存放时为了保证数据的安全（容错）
• 添加副本添加多少个好？
  
  • 添加副本副作用的，数据要同步到不同机器上，有大量的网络传输和磁盘占用。
  • 根据业务对数据容错性，可以设置副本数为N。N=2

一个分区在broker是以目录的形式存放的，为什么分区下会设置segment段？

• 消息队列系统，一般都是实时，只能短时间保存数据。比如保存一个小时以内的数据。
• broker需要对分片的数据进行定时的删除，按照一定的数据量来保存数据，方便根据数据最后修改的时间进行删除。

producer数据生产不丢失的问题？

• ACK (Acknowledgement）即是确认字符，在数据通信中，接收站发给发送站的一种传输类控制字符。表示发来的数据已确认接收无误。
• 数据生产环节不丢失（ack机制）
  
  • 如果是同步模式下
  • 将发送状态设置为-1，是最为妥当的。但是，由于-1是让所有的副本都确定收到数据，这个过程会有较长的等待。面对海量的数据，如果每条消息都确认的话，效率会大大降低。
  • 一般做法的做法： 设置让leader接收到数据就确认，就也是1，提高效率，这个方案可能会有丢失的风险。
  • 如果是在异步模式下（也有ack）
  • 生产的数据并不会立即发送给broker，会在produer段有个容器（队列）来临时缓存数据。
  • 针对这个容器，有个阻塞设置。如果设置为0，就是立即丢弃数据。如果这是为-1，就永久阻塞。
    
    • 如果在producer永久阻塞时，人为关闭producer代码所在进程，会立即清空队列中的数据，导致数据丢失。