Topic的分区和副本机制
分区有什么用呢?
作用：
1- 避免单台服务器容量的限制: 每台服务器的磁盘存储空间是有上限。Topic分成多个Partition分区，可以避免单个Partition的数据大小过大，导致服务器无法存储。利用多台服务器的存储能力，提升Topic的数据存储条数。2- 提升Topic的吞吐量(数据读写速度): 利用多台服务器的数据读写能力、网络等资源分区的数量有没有限制？
没有限制，分区数量和Kafka集群中的broker节点个数没有任何关系。
推荐Topic的分区数量不要超过Kafka集群中的broker节点个数的3倍，这只是一个推荐/经验值。
副本有什么用呢?
作用: 通过多副本的机制，提升数据安全性。但是副本过多，会导致冗余（重复）的数据过多副本的数量有没有限制？
有限制，副本数量最大不能够超过Kafka集群中的broker节点个数。
推荐的分区的副本数量是1-3个。具体设置多少个，根据企业的数据重要程度进行选择。如果数据重要，可以将副本数设置大一些；如果数据不太重要，可以将副本数设置小一些。
消息存储机制和查询机制
消息存储机制：生产的消息在Kafka集群中，是如何存储。
查询机制：消费者在消费消息的时候，是如何找到对应offset（偏移量）的消息。
消息存储机制
1-Topic的数据存放路径是：/export/server/kafka/data。在该目录下，还有其他的目录。而且是以Topic进行划分，具体目录的命名规则是：Topic名称-分区编号2- Topic目录下，存放的是消息的数据文件。并且是成对出现，也就是xx.log和xx.index文件
1-xx.log和xx.index它们的作用是什么？
答：
xx.log: 称之为segment片段文件，也就是一个Partition分区的数据，会被分成多个segment（log）片段文件进行存储。
xx.index: 称之为索引文件，该文件的作用是用来加快对xx.log文件内容检索的速度2-xx.log和xx.index文件名称的意义？
答: 这个数字是xx.log文件中第一条消息的offset（偏移量）。offset偏移量从0开始编号。3-为什么一个Partition分区的数据要分成多个xx.log（segment片段文件）文件进行存储？
答：1- 如果一个文件的数据量过大，打开和关闭文件都非常消耗资源2- 在一个大的文件中，检索内容也会非常消耗资源3- Kafka只是用来临时存储消息数据。会定时将过期数据删除。如果数据放在一个文件中，删除的效率低；如果数据分成了多个segment片段文件进行存储，删除的时候只需要判断segment文件最后修改时间，如果超过了保留时间，就直接将整个segment文件删除。该保留时间是通过server.properties文件中的log.retention.hours=168进行设置，默认保留168小时（7天）
index文件内容基本结构：
查询机制
查询步骤：
1- 首先先确定要读取哪个xx.log（segment片段）文件。368776该offset的消息在368769.log文件中
2- 查询xx.log对应的xx.index，查询该条消息的物理偏移量范围
3- 根据消息的物理偏移量范围去读取xx.log文件（底层是基于磁盘的顺序读取）
4- 最终就获取到了具体的消息内容
扩展内容: 磁盘的读写中，有两种方案：随机读写 和 顺序读写。顺序读写的速度会更快
参考连接: https://www.cnblogs.com/yangqing/archive/2012/11/13/2767453.html
Kafka为什么有非常高的吞吐能力/读写性能
Kafka中生产者数据分发策略
何为生产者的数据分发策略呢?
指的就是生产者生产的消息，是如何保存到具体分区上
分发策略如下这些：- 1- 随机分发策略：将消息发到到随机的某个分区上，还是发送到Leader主副本上。Python支持，Java不支持
- 2- 指定分区策略：将消息发到指定的分区上面。Python支持，Java支持
- 3- Hash取模策略：对消息的key先取Hash值，再和分区数取模。Python支持，Java支持
- 4- 轮询策略：在Kafka的2.4及以上版本，已经更名成粘性分发策略。Python不支持，Java支持
- 5- 自定义分发策略：Python支持，Java支持
- 0- 分发源码查看方式
1- 导入DefaultPartitioner
from kafka.partitioner import DefaultPartitioner2- 进入到DefaultPartitioner，查看__call__源码
- 1- 随机分发策略
def send(self, topic, value=None, key=None, headers=None, partition=None, timestamp_ms=None):当在发送数据的时候, 如果只传递了topic 和 value，没有指定key的时候, 那么此时就采用随机策略在kafka中, 专门提供了一个默认的分发数据的类: DefaultPartitionerdef __call__(cls, key, all_partitions, available):"""如果 key为 null, 那么随机返回一个分区的编号"""if key is None:if available:return random.choice(available)return random.choice(all_partitions)# 后续的代码 当没有key的时候,压根就执行不到idx = murmur2(key)idx &= 0x7fffffffidx %= len(all_partitions)return all_partitions[idx]
- 2- 指定分区策略
def send(self, topic, value=None, key=None, headers=None, partition=None, timestamp_ms=None):当在发送数据的时候, 如果指定了partition参数, 表示的采用指定分区的方案, 分区的编号从0开始当指定了partition的参数后, 与DefaultPartitioner没有任何的关系
- 3- Hash取模策略
def send(self, topic, value=None, key=None, headers=None, partition=None, timestamp_ms=None):当在发送数据的时候, 如果传递了topic 和 value 以及key的时候, 那么此时就是采用hash取模策略注意: 相同key的返回的hash值是一致的, 同样对应分区也是同一个。也就是要注意数据倾斜的问题。在kafka中, 专门提供了一个默认的分发数据的类: DefaultPartitionerdef __call__(cls, key, all_partitions, available):"""如果 key为 null, 那么随机返回一个分片的编号"""if key is None:if available:return random.choice(available)return random.choice(all_partitions)# 当有key的时候 , 执行下列代码. 此处的代码其实就是hash取模的方案idx = murmur2(key)idx &= 0x7fffffffidx %= len(all_partitions)return all_partitions[idx]
- 4- 自定义分区策略: 参考DefaultPartitioner
# 第一步：创建自己的分区类
class MyPartitioner(object):# 第二步：实现__call__。key：消息中的key；all_partitions：所有的分区列表；available：所有可用分区的列表@classmethoddef __call__(cls, key, all_partitions, available):# 第三步：分发逻辑根据自己要求进行实现return 0# 第四步：导入自己的分区类
import MyPartitioner# 第五步：调用
producer = KafkaProducer(bootstrap_servers=['node1.itcast.cn:9092','node2.itcast.cn:9092'],partitioner=MyPartitioner()
)
Java中的 轮询分发策略 和 粘性分发策略介绍：
轮询分发策略: 在Kafka的老版本中存在的一种分发策略，当生产数据的时候，只有value但是没有key的时候，采用轮询。优点: 可以保证每个分区拿到的数据基本是一样，因为是一个一个的轮询的分发缺点: 如果采用异步发送方式，意味着一批数据发送到broker端，由于是轮询策略，会将这一批数据拆分为多个小的批次，分别再写入到不同的分区里面去，写入进去以后，每个分区都会给予响应，会影响写入效率。粘性分发策略: 在Kafka新版本中存在的一种分发策略。当生产数据的时候，只有value但是没有key的时候，采用粘性分发策略优点: 在发送数据的时候，首先会随机的选取一个分区，然后尽可能将数据分发到这个分区上面去，也就是尽可能粘着这个分区。该分发方式，在异步发送的操作中，效率比较高。缺点: 在数据发送特别快的时候，可能会导致某个分区的数据比其他分区数据多很多，造成大量的数据集中在一个分区上面
Kafka消费者的负载均衡机制
Kafka集群中每分钟新产生400条数据，下游的一个消费者每分钟能够处理400条数据。随着业务发展，Kafka集群中每分钟新产生1200条数据，下游的一个消费者每分钟能够处理400条数据。
答：会导致broker中积压的消息条数越来越多，造成消息处理不及时。可以增加消费者数量，并且将这些消费者放到同一个消费组当中随着业务发展，Kafka集群中每分钟新产生1600条数据，下游的一个消费者每分钟能够处理400条数据。
答：会导致broker中积压的消息条数越来越多，造成消息处理不及时。再增加消费组中消费者的个数已经无法解决问题。如何解决：1- 增加消费组中消费者的个数2- 提高下游消费者对消息的处理效率
Kafka消费者的负载均衡机制
1- 在同一个消费组中，消费者的个数最多不能超过Topic的分区数。如果超过了，就会有一些消费者处于闲置状态，消费不到任何数据。
2- 在同一个消费组中，一个Topic中一个分区的数据，只能被同个消费组中的一个消费者所消费，不能被同个消费组中多个消费者所消费。但是一个消费组内的一个消费者可以消费多个分区的数据。也就是分区和消费者的对应关系，多对一
3- 不同的消费组中的消费者，可以对一个Topic的数据同时消费，也就是不同消费组间没有任何关系。也就是Topic的数据能够被多个消费组中的消费者重复消费。
补充：查看消费组中有多少个消费者，用来避免消费者个数超过分区个数。./kafka-consumer-groups.sh --bootstrap-server node1.itcast.cn:9092,node2.itcast.cn:9092 --group g_1 --members --describe
数据不丢失机制
生产端保证消息不丢失
生产者端是如何保证数据不丢失的呢？
答：生产者端将消息发送给到Kafka集群以后，broker要给生产者响应信息。响应原理就是ACK机制ACK机制当中有3个参数配置值，分别是：0 1 -1(all)
0：生产者生产消息给到Kafka集群，生产者不等待（不接收）broker返回的响应信息
1：生产者生产消息给到Kafka集群，Kafka集群中的分区对应的Leader主副本所在的broker给生产者返回响应信息
-1(all)：生产者生产消息给到Kafka集群，Kafka集群中的分区对应的所有副本给生产者返回响应信息消息的生产效率排序（由高到低）：0 > 1 > -1
消息的安全级别排序（由高到低）：-1 > 1 > 0如何选择ACK参数配置？
答：根据数据的重要程度进行选择。如果数据重要，优先保证数据的安全性，再考虑生产效率；如果数据不重要，优先考虑生产效率，再尽可能提升安全级别。
相关的参数:1- acks broker节点确认机制默认值：1；数据类型：string2- buffer.memory 缓存大小默认值：33554432（32MB）3- retries 失败后重试次数默认值：2147483647，该值没有意义，一般是使用delivery.timeout.ms参数进行控制4- delivery.timeout.ms 消息传输超时时间默认值：120000（120秒）5- batch.size 每一批次的消息数据的大小默认值：16384（16KB）6- linger.ms 每一批次的间隔时间默认值：0
Broker端如何保证数据不丢失
Broker端通过多副本机制确保数据不丢失。同时需要生产者端将acks设置为-1
消费者如何保证数据不丢失
流程:
消费者消费消息的步骤：
1- 消费者首先连接到Kafka集群中，进行消息的消费2- Kafka集群接收到Consumer消费者的消费请求以后，首先会根据group id（消费组名称），查找上次消费消息对应的offset（偏移量）3- 如果没有查找到offset，消费者默认从Topic最新的地方开始消费4- 如果有查找到offset，会从上次消费到的offset地方进行继续消费4.1- 首先先确定要读取的这个offset偏移量在哪个segment文件当中4.2- 查询这个segment文件对应的index文件，根据offset确定这个消息在log文件的什么位置，也就是确定消息的物理偏移量4.3- 读取log文件，查询对应范围内的数据即可4.4- 获取最终的消息数据5- 消费者在消费的过程中，底层有个线程会定时的将消费的offset提交给到Kafka集群。Kafka集群会更新对应的offset的值
1- 该流程能够保证消费端不丢失数据吗？
答：可以保证消费端数据不丢失。但是会出现重复消费的情况。2- 消费组的offset信息保存在什么地方？
答：Kafka集群内部会创建一个叫做__consumer_offsets的Topic来保存offset信息。该Topic有50个分区，1个副本
Kafka中消费者如何对数据仅且只消费一次？
1- 将消费者的 enable.auto.commit 属性设置为 false，并手动管理消费者的偏移量。这样可以确保消费者在处理完所有消息后才更新偏移量，避免重复消费数据。也就是将消息的消费、消息业务处理代码、offset提交代码放在同一个事务当中。2- 使用幂等生产者或事务性生产者来确保消息只被发送一次。这样可以避免重复发送消息，从而避免消费者重复消费数据。3- 在消息中加入唯一的ID
在提交偏移量的时候，有二种提交方式: 自动提交偏移量 和 手动提交偏移量，手动提交又分了同步和异步
- 自动提交偏移量
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from kafka import KafkaConsumer# 指定远端的环境地址
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'# pyspark程序需要有入口函数main
# main函数快捷键：main+回车
if __name__ == '__main__':print("自动提交offset偏移量")# 创建Kafka消费者# enable_auto_commit=True：自动提交offset偏移量consumer = KafkaConsumer('test01',bootstrap_servers=['node1.itcast.cn:9092','node2.itcast.cn:9092'],group_id='g_01',enable_auto_commit=True)for message in consumer:topic = message.topicpartition = message.partitionvalue = message.value.decode('UTF-8')# key = message.key.decode('UTF-8')key = message.keyoffset = message.offsetprint(f'消费到的消息信息：topic={topic}，partition={partition}，value={value}，key={key}，offset={offset}')
- 手动提交偏移量
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from kafka import KafkaConsumer# 指定远端的环境地址
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'# pyspark程序需要有入口函数main
# main函数快捷键：main+回车
if __name__ == '__main__':print("手动提交offset偏移量")# 创建Kafka消费者# enable_auto_commit=False：关闭自动提交offset偏移量consumer = KafkaConsumer('test01',bootstrap_servers=['node1.itcast.cn:9092','node2.itcast.cn:9092'],group_id='g_01',enable_auto_commit=False)for message in consumer:topic = message.topicpartition = message.partitionvalue = message.value.decode('UTF-8')# key = message.key.decode('UTF-8')key = message.keyoffset = message.offsetprint(f'消费到的消息信息：topic={topic}，partition={partition}，value={value}，key={key}，offset={offset}')# 手动提交偏移量# 同步提交# consumer.commit()# 异步提交consumer.commit_async()
Kafka的数据积压
前期准备:安装kafka-eagle工具,并搭建环境
数据积压介绍
什么是数据积压？
数据持续的在Kafka集群中积压。也就是Lag的值，一直在增大没有减小。正常情况下，lag的值是来回波动的。
通过命令的方式查看数据积压
- 1- 查看Kafka集群有哪些消费组
./kafka-consumer-groups.sh --bootstrap-server node1.itcast.cn:9092,node2.itcast.cn:9092 --list
- 2- 查看指定消费组数据积压情况
./kafka-consumer-groups.sh --bootstrap-server node1.itcast.cn:9092,node2.itcast.cn:9092 --describe --group g_2
数据积压问题处理
出现积压的原因:
- 因为数据写入目的容器失败,从而导致消费失败
- 因为网络延迟消息消费失败
- 消费逻辑过于复杂, 导致消费过慢,出现积压问题
解决方案:
- 对于第一种, 我们常规解决方案, 处理目的容器,保证目的容器是一直可用状态
- 对于第二种, 如果之前一直没问题, 只是某一天出现, 可以调整消费的超时时间。并且同时解决网络延迟问题
- 对于第三种, 一般解决方案,调整消费代码, 消费更快即可, 利于消费者的负载均衡策略,提升消费者数量
