消息中间件Kafka分布式数据处理平台

一.Kafka基本介绍

1.定义

2.特点

（1）高吞吐量、低延迟

（2）可扩展性

（3）持久性、可靠性

（4）容错性

（5）高并发

3.系统架构

（1）Broker（服务代理节点）

（2）Producer（生产者）

（3）Consumer（消费者）

（4）Consumer Group（消费组）

（5）ZooKeeper

（6）Topic（主题）

（7）Partition（分区）

（8）Replica（副本）

（9）Leader and Follower

（10）Offset（偏移量）

二.部署ZooKeeper+Kafka集群

1.环境准备

2.下载安装包

3.修改配置文件

4.设置环境变量

5.配置ZooKeeper启动脚本

6.设置开机自启并启动

7.Kafka命令行操作

（1）创建topic

（2）查看当前服务器中的所有topic

（3）查看某个topic的详情

（4）发布消息

（5）消费消息

（6）修改分区数

（7）删除topic

一.Kafka基本介绍

1.定义

Kafka 是一个分布式的基于发布/订阅模式的消息队列（MQ，Message Queue），主要应用于大数据实时处理领域。
最初由 Linkedin 公司开发，是一个分布式、支持分区的（partition）、多副本的（replica），基于 Zookeeper 协调的分布式消息中间件系统，它的最大的特性就是可以实时的处理大量数据以满足各种需求场景，比如基于 hadoop 的批处理系统、低延迟的实时系统、Spark/Flink 流式处理引擎，nginx 访问日志，消息服务等等，用 scala 语言编写，Linkedin 于 2010 年贡献给了 Apache 基金会并成为顶级开源项目。
官方网址：https://kafka.apache.org/

2.特点

（1）高吞吐量、低延迟

Kafka 每秒可以处理几十万条消息，它的延迟最低只有几毫秒。每个 topic 可以分多个 Partition，Consumer Group 对 Partition 进行消费操作，提高负载均衡能力和消费能力。

（2）可扩展性

kafka 集群支持热扩展

（3）持久性、可靠性

消息被持久化到本地磁盘，并且支持数据备份防止数据丢失

（4）容错性

允许集群中节点失败（多副本情况下，若副本数量为 n，则允许 n-1 个节点失败）

（5）高并发

支持数干个客户端同时读写

3.系统架构

生产者生产数据传给broker即kafka服务器集群
kafka集群将数据存储在topic主题中，每个topic主题中有多个分片(分片做了备份在其他topic)
分片中存储数据，kafka集群注册在zookeeper中，zookeeper通知消费者kafka服务器在线列表
消费者收到zookeeper通知的在线列表，从broker中拉取数据
消费者保存偏移量到zookeeper中，以便记录自己宕机消费到什么地方

（1）Broker（服务代理节点）

服务代理节点，其实就是一个kafka实例或服务节点，多个broker构成了kafka集群
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

（2）Producer（生产者）

生产者，也就是写入消息的一方，将消息写入broker中
即数据的发布者，该角色将消息 push 发布到 Kafka 的 topic 中
broker 接收到生产者发送的消息后，broker 将该消息追加到当前用于追加数据的 segment 文件中
生产者发送的消息，存储到一个 partition 中，生产者也可以指定数据存储的 partition

（3）Consumer（消费者）

消费者，也就是读取消息的一方，从broker中pull 拉取数据
可以消费多个 topic 中的数据

（4）Consumer Group（消费组）

消费者组，由多个 consumer 组成
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。可为每个消费者指定组名，若不指定组名则属于默认的组
将多个消费者集中到一起去处理某一个 Topic 的数据，可以更快的提高数据的消费能力
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组内消费者消费，防止数据被重复读取
消费者组之间互不影响
消费组。一个或多个消费者构成一个消费组，不同的消费组可以订阅同一个主题的消息且互不影响

（5）ZooKeeper

kafka使用zookeeper来管理集群的元数据 meta 信息，以及控制器的选举等操作
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
zookeeper的作用就是，生产者push数据到kafka集群，就必须要找到kafka集群的节点在哪里，这些都是通过zookeeper去寻找的。消费者消费哪一条数据，也需要zookeeper的支持，从zookeeper获得offset，offset记录上一次消费的数据消费到哪里，这样就可以接着下一条数据进行消费

（6）Topic（主题）

可以理解为一个队列，生产者和消费者面向的都是一个 topic。
类似于数据库的表名或者 ES 的 index
物理上不同 topic 的消息分开存储

（7）Partition（分区）

分区，同一个主题下的消息还可以继续分成多个分区，一个分区只属于一个主题
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 可以分割为一个或多个 partition，每个 partition 是一个有序的队列。Kafka 只保证 partition 内的记录是有序的，而不保证 topic 中不同 partition 的顺序
每个 topic 至少有一个 partition，当生产者产生数据的时候，会根据分配策略选择分区，然后将消息追加到指定的分区的队列末尾

Partation 数据路由规则：
1．指定了 patition，则直接使用
2．未指定 patition 但指定 key（相当于消息中某个属性），通过对 key 的 value 进行 hash 取模，选出一个 patition
3．patition 和 key 都未指定，使用轮询选出一个 patition

每条消息都会有一个自增的编号，用于标识消息的偏移量，标识顺序从 0 开始。

每个 partition 中的数据使用多个 segment 文件存储。

如果 topic 有多个 partition，消费数据时就不能保证数据的顺序。严格保证消息的消费顺序的场景下（例如商品秒杀、抢红包），需要将 partition 数目设为 1。

broker 存储 topic 的数据。如果某 topic 有 N 个 partition，集群有 N 个 broker，那么每个 broker 存储该 topic 的一个 partition。
如果某 topic 有 N 个 partition，集群有 (N+M) 个 broker，那么其中有 N 个 broker 存储 topic 的一个 partition，剩下的 M 个 broker 不存储该 topic 的 partition 数据。
如果某 topic 有 N 个 partition，集群中 broker 数目少于 N 个，那么一个 broker 存储该 topic 的一个或多个 partition。在实际生产环境中，尽量避免这种情况的发生，这种情况容易导致 Kafka 集群数据不均衡。

（8）Replica（副本）

副本，一个分区可以有多个副本来提高容灾性
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

（9）Leader and Follower

分区有了多个副本，那么就需要有同步方式。kafka使用一主多从进行消息同步，主副本提供读写的能力，而从副本不提供读写，仅仅作为主副本的备份
每个 partition 有多个副本，其中有且仅有一个作为 Leader，Leader 是当前负责数据的读写的 partition
Follower 跟随 Leader，所有写请求都通过 Leader 路由，数据变更会广播给所有 Follower，Follower 与 Leader 保持数据同步。Follower 只负责备份，不负责数据的读写。
如果 Leader 故障，则从 Follower 中选举出一个新的 Leader。
当 Follower 挂掉、卡住或者同步太慢，Leader 会把这个 Follower 从 ISR（Leader 维护的一个和 Leader 保持同步的 Follower 集合）列表中删除，重新创建一个 Follower

（10）Offset（偏移量）

可以唯一的标识一条消息，分区中的每一条消息都有一个所在分区的偏移量，这个偏移量唯一标识了该消息在当前这个分区的位置，并保证了在这个分区的顺序性，不过不保证跨分区的顺序性
偏移量决定读取数据的位置，不会有线程安全的问题，消费者通过偏移量来决定下次读取的消息（即消费位置）
消息被消费之后，并不被马上删除，这样多个业务就可以重复使用 Kafka 的消息
某一个业务也可以通过修改偏移量达到重新读取消息的目的，偏移量由用户控制
消息最终还是会被删除的，默认生命周期为 1 周（7*24小时）

二.部署ZooKeeper+Kafka集群

1.环境准备

服务器类型	系统和IP地址	需要安装的组件
Zookeeper服务器1	CentOS7.4(64 位) 192.168.227.100	jdk、ZooKeeper
Zookeeper服务器2	CentOS7.4(64 位) 192.168.227.101	jdk、ZooKeeper
Zookeeper服务器3	CentOS7.4(64 位) 192.168.227.102	jdk、ZooKeeper

需要部署ZooKeeper集群（详情请见ZooKeeper分布式应用程序协调服务-CSDN博客）三台服务器步骤相同，此处只展示一台设备的搭建

2.下载安装包

1. #下载安装包
cd /opt
wget https://mirrors.tuna.tsinghua.edu.cn/apache/kafka/2.7.1/kafka_2.13-2.7.1.tgz1.1 #有压缩包就直接拖进来
cd /opt
rz -E2. #安装Kafka
tar zxvf kafka_2.13-2.7.1.tgz
mv kafka_2.13-2.7.1 /usr/local/kafka

3.修改配置文件

1. #移动并将配置文件进行备份
cd /usr/local/kafka/config/
cp server.properties{,.bak}2. #修改
vim server.properties
-------------------------------------------
broker.id=0                           
#21行，broker的全局唯一编号，每个broker不能重复，因此要在其他机器上配置 broker.id=1、broker.id=2listeners=PLAINTEXT://192.168.227.100:9092    
#31行，指定监听的IP和端口，如果修改每个broker的IP需区分开来，也可保持默认配置不用修改num.network.threads=3    
#42行，broker 处理网络请求的线程数量，一般情况下不需要去修改num.io.threads=8         
#45行，用来处理磁盘IO的线程数量，数值应该大于硬盘数socket.send.buffer.bytes=102400       #48行，发送套接字的缓冲区大小socket.receive.buffer.bytes=102400    #51行，接收套接字的缓冲区大小socket.request.max.bytes=104857600    #54行，请求套接字的缓冲区大小log.dirs=/usr/local/kafka/logs        #60行，kafka运行日志存放的路径，也是数据存放的路径num.partitions=1    
#65行，topic在当前broker上的默认分区个数，会被topic创建时的指定参数覆盖num.recovery.threads.per.data.dir=1    #69行，用来恢复和清理data下数据的线程数量log.retention.hours=168    
#103行，segment文件（数据文件）保留的最长时间，单位为小时，默认为7天，超时将被删除log.segment.bytes=1073741824    
#110行，一个segment文件最大的大小，默认为 1G，超出将新建一个新的segment文件zookeeper.connect=192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181    
#123行，配置连接Zookeeper集群地址
------------------------------------------------

4.设置环境变量

1. #修改环境变量
vim /etc/profile
----------------------------------------
export KAFKA_HOME=/usr/local/kafka
export PATH=$PATH:$KAFKA_HOME/bin
-----------------------------------------2. #刷新配置文件
source /etc/profile3. #查看环境变量
echo $PATH

5.配置ZooKeeper启动脚本

vim /etc/init.d/kafka
------------------------------------------------
#!/bin/bash
#chkconfig:2345 22 88
#description:Kafka Service Control Script
KAFKA_HOME='/usr/local/kafka'
case $1 in
start)echo "---------- Kafka 启动 ------------"${KAFKA_HOME}/bin/kafka-server-start.sh -daemon ${KAFKA_HOME}/config/server.properties
;;
stop)echo "---------- Kafka 停止 ------------"${KAFKA_HOME}/bin/kafka-server-stop.sh
;;
restart)$0 stop$0 start
;;
status)echo "---------- Kafka 状态 ------------"count=$(ps -ef | grep kafka | egrep -cv "grep|$$")if [ "$count" -eq 0 ];thenecho "kafka is not running"elseecho "kafka is running"fi
;;
*)echo "Usage: $0 {start|stop|restart|status}"
esac
------------------------------------------------------------------

6.设置开机自启并启动

1. #设置开机自启
chmod +x /etc/init.d/kafka
chkconfig --add kafka2. #分别启动 Kafka
service kafka start

7.Kafka命令行操作

（1）创建topic

kafka-topics.sh --create --zookeeper 192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181 --replication-factor 2 --partitions 3 --topic test############################################
--zookeeper：定义 zookeeper 集群服务器地址，如果有多个 IP 地址使用逗号分割，一般使用一个 IP 即可
--replication-factor：定义分区副本数，1 代表单副本，建议为 2 
--partitions：定义分区数 
--topic：定义 topic 名称

（2）查看当前服务器中的所有topic

kafka-topics.sh --list --zookeeper 192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181

（3）查看某个topic的详情

kafka-topics.sh  --describe --zookeeper 192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181

（4）发布消息

kafka-console-producer.sh --broker-list 192.168.227.100:9092,192.168.227.101:9092,192.168.227.102:9092  --topic test

（5）消费消息

kafka-console-consumer.sh --bootstrap-server 192.168.227.100:9092,192.168.227.101:9092,192.168.227.102:9092 --topic test --from-beginning
#--from-beginning：会把主题中以往所有的数据都读取出来

（6）修改分区数

kafka-topics.sh --zookeeper 192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181 --alter --topic test --partitions 6

（7）删除topic

kafka-topics.sh --delete --zookeeper 192.168.227.100:2181,192.168.227.101:2181,192.168.227.102:2181 --topic test