Kafka学习之：mac 上基础使用 python 来使用 kafka 的生产者和消费者进行数据处理

文章目录

前提
python 环境配置
Kafka 生产消费者模型
- 生产者 producer
- - 检查当前存在的所有 topic / 是否自动创建 topic
  - 为什么 producer 要通过 key, value 来发布数据
  - - 键（Key）
    - 值（Value）
- 消费者 consumer
- - consumer 得到的 message 有哪些方法？
  - - 为什么 consumer 拿到的内容需要 decode

前提

我的配置是 M1 芯片 Macbook pro
你的 kafka 处于启动状态，如果尚未启动，则通过以下命令依次运行 zookeeper 和 kafka，如果有安装问题可以参考上一篇文章
```
brew services start zookeeper
brew services start kafka
```

python 环境配置

首先，确保安装了confluent-kafka
```
pip install confluent-kafka
```

使用以下Python脚本创建一个新的Kafka主题：

from confluent_kafka.admin import AdminClient, NewTopic# Kafka服务器配置
admin_client = AdminClient({"bootstrap.servers": "localhost:9092"
})# 创建新主题的配置
topic_list = [NewTopic("my_new_topic", num_partitions=3, replication_factor=1)]
# 注意: replication_factor 和 num_partitions 可能需要根据你的Kafka集群配置进行调整; # 创建主题
fs = admin_client.create_topics(topic_list)# 处理结果
for topic, f in fs.items():try:f.result()  # The result itself is Noneprint(f"Topic {topic} created")except Exception as e:print(f"Failed to create topic {topic}: {e}")

注意 replication_factor 不能超过 broker 的数量
具体原因可以参考视频
通过 python 只能创建 broker 的主题，而不能控制创建多个 broker，增加或管理brokers的过程需要在集群的配置和部署阶段进行，而不能通过像confluent_kafka这样的客户端库来实现。

Kafka 生产消费者模型

生产者 producer

"""@file: producer.py@Time    : 2024/3/29@Author  : Peinuan qin"""
from confluent_kafka import Producer
import json# Kafka配置
config = {'bootstrap.servers': 'localhost:9092'
}# 创建生产者
producer = Producer(**config)# 模拟的用户活动数据
data = {'user_id': 1234, 'activity': 'page_view', 'page': 'homepage'}# 发送数据
producer.produce('user_activities', key=str(data['user_id']), value=json.dumps(data))
producer.flush()
print("Data sent to Kafka")

Data sent to Kafka

检查当前存在的所有 topic / 是否自动创建 topic

可以用如下命令来检查已经存在的 topics

kafka-topics --list --bootstrap-server localhost:9092

对于上述 producer 中，我的 server.property 中的 auto.create.topics.enable 设置为 True，这意味着如果当前 topics 不存在会自动创建。

检查 auto.create.topics.enable 的方式：

grep "auto.create.topics.enable" /path/to/your/kafka/config/server.properties

一般 /path/to/your/kafka/config/server.properties 在我的上篇文章中提到了, m1 芯片的 mac 的地址是在 /opt/homebrew/etc/kafka/server.properties，所以对应的查看命令就是：
```
grep "auto.create.topics.enable" /opt/homebrew/etc/kafka/server.properties
```
如果这一行在你的 server.properties 中并不存在，则默认为 true，如果想更改，需要在 server.properties 中加入 auto.create.topics.enable=false 然后保存更改，重新启动 kafka
当你设置成 auto.create.topics.enable=false，再次运行上面的代码，但是 topic 换成一个新的

producer.produce('user_activities1', key=str(data['user_id']), value=json.dumps(data))

你会发现执行结果还是下面内容，并且没有报错：

Data sent to Kafka
但是当你列出所有的 topic，却发现其实 user_activities1 并没有创建成功。

为什么 producer 要通过 key, value 来发布数据

键（Key）

分区选择： 键主要用于决定消息被发送到主题的哪个分区。如果为消息指定了键，Kafka会对键进行哈希处理，根据哈希值将消息均匀分配到不同的分区。这种方式确保了相同键的所有消息都会被发送到同一个分区中，保证了消息的顺序性。如果没有指定键，消息会以轮询的方式分配到所有分区，这可能不会保证相同键的消息顺序。
日志压缩： 键还用于日志压缩（log compaction）功能。在这个模式下，Kafka保证每个键在分区日志中只保留最后一次更新的值。这对于维护长期运行的聚合状态非常有用。

值（Value）

消息内容： 值部分承载了消息的实际内容。这是生产者想要发送给消费者的数据。值可以是任何格式的数据，比如字符串、JSON对象、序列化后的字节码等。
使用场景示例
- 订单系统：在一个订单系统中，订单ID可以作为键，而订单的详细信息（如客户信息、订单项、价格等）作为值。使用订单ID作为键确保了相同订单的更新会被顺序地发送到同一个分区，并且通过日志压缩，Kafka可以只保留订单的最新状态。
- 用户行为跟踪：在用户行为跟踪应用中，用户ID 可以作为键，用户的行为（如点击、浏览等）作为值。这样，相同用户的所有行为都会被顺序地记录在同一个分区中，便于后续进行用户行为分析。

消费者 consumer

"""@file: consumer.py@Time    : 2024/3/29@Author  : Peinuan qin"""from confluent_kafka import Consumer, KafkaError# Kafka配置
config = {'bootstrap.servers': 'localhost:9092','group.id': 'user-activity-group','auto.offset.reset': 'earliest'
}# 创建消费者
consumer = Consumer(**config)
consumer.subscribe(['user_activities'])# 读取数据
try:while True:msg = consumer.poll(timeout=1.0)  # 1秒超时if msg is None:continueif msg.error():if msg.error().code() == KafkaError._PARTITION_EOF:# End of partition eventcontinueelse:print(msg.error())break# 成功接收消息print('Received message: {}'.format(msg.value().decode('utf-8')))
except KeyboardInterrupt:pass
finally:# 清理操作consumer.close()

可以看到我们订阅了 'user_activities' 这个 topic，从其中源源不断地取数据来进行消费（处理）
但是同时在 consumer 的代码中定义了一个 group.id，而这个是 producer 中没有的，这样做的原因是：
- 负载均衡：在同一个消费者组中，每个消费者可以负责消费特定的分区中的消息，这样可以在消费者之间分摊负载。如果一个消费者组中有多个消费者实例，Kafka会尽量平衡地将分区分配给每个消费者，确保每个分区只被组内的一个消费者消费。这意味着增加消费者可以提高消费的并行度，加快处理速度。
- 容错和高可用性： 如果某个消费者失败，它负责的分区会被重新分配给同一消费者组内的其他消费者，这样可以确保消息的持续消费，提高了系统的容错能力。
- 消息广播： 通过使用不同的消费者组，可以实现消息的广播模式，即相同的消息可以被多个消费者组独立消费。
如果不是认为还不是很清楚，可以参考视频

consumer 得到的 message 有哪些方法？

print("msg dict:", dir(msg))

msg dict: ['__class__', '__delattr__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__len__', '__lt__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', 'error', 'headers', 'key', 'latency', 'leader_epoch', 'offset', 'partition', 'set_headers', 'set_key', 'set_value', 'timestamp', 'topic', 'value']

Key: 消息的键（如果有）。键用于消息的分区内排序和日志压缩。
Value: 消息的实际内容或负载。
Topic: 消息所属的主题。
Partition: 消息所在的分区号。Kafka中的每个主题可以被分割成多个分区，分区号从0开始。
Offset: 消息在其分区中的偏移量。偏移量是一个递增的序列号，用于唯一标识分区中的每条消息。
Timestamp: 消息的时间戳。它可以是消息创建时的时间戳（生产者发送消息的时间）或者是消息被追加到日志的时间戳。时间戳的具体含义取决于Kafka生产者的配置。
Headers: 消息头部，是键值对的集合，可以用来存储与消息相关的附加信息。生产者可以添加任意多的键值对作为消息的一部分，消费者可以读取这些信息进行相应的处理。
Serialized Key Size: 键的序列化后的大小（以字节为单位）。如果消息没有键，通常这个值是-1。
Serialized Value Size: 值的序列化后的大小（以字节为单位）。
Leader Epoch (Kafka 0.11.0及以上版本): 分区领导者的纪元号。这是一个内部使用的字段，用于Kafka的复制机制，以确保数据一致性。

为什么 consumer 拿到的内容需要 decode

消费者在接收到Kafka中的消息后需要进行解码（decoding），原因在于消息的生产者在发送消息到Kafka之前通常会对消息的键（key）和值（value）进行编码（encoding）。编码和解码是为了在网络上传输数据时确保数据的一致性和完整性，同时也支持消息的有效存储。
一般使用 utf-8 进行编解码
上述的 producer 中没有显式调用 encoder 是因为 json.dumps 本身就是序列化的过程，也就是编码的过程。但好习惯应该是对 key 和 value 都进行 encode：
```
producer.produce('user_activities1', key=str(data['user_id']).encode("utf-8"), value=json.dumps(data).encode("utf-8"))
```