文章目录
1 Kafka API
1.1 Producer API
1.1.1 消息发送流程
Kafka 的 Producer 发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程：main 线程和 Sender 线程 ，以及一个线程共享变量 RecordAccumulator。main 线程将消息发送给 RecordAccumulator，Sender 线程不断从 RecordAccumulator 中拉取消息发送到 Kafka broker。
相关参数：
batch.size：只有数据积累到 batch.size 之后，sender 才会发送数据。
linger.ms：如果数据迟迟未达到 batch.size，sender 等待 linger.time 之后就会发送数据。
1.1.2 异步发送 API
1. 导入依赖
<dependencies>
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>0.11.0.0</version>
</dependency>
</dependencies>
2. 编写代码
需要用到的类：
KafkaProducer：需要创建一个生产者对象，用来发送数据
ProducerConfig：获取所需的一系列配置参数
ProducerRecord：每条数据都要封装成一个 ProducerRecord 对象
（1）不带回调函数的 API
package com.Tom.producer;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;
public class MyProducer {
public static void main(String[] args) {
//1.创建Kafka生产者的配置信息
Properties properties = new Properties();
//2.指定连接的Kafka集群
properties.put("bootstrap.servers", "hadoop102:9092");
//3.ACK应答级别
properties.put("acks", "all");
//4.重试次数
properties.put("retries", 3);
//5.批次大小
properties.put("batch.size", 16384); // 16K
//6.等待时间
properties.put("linger.ms", 1);
//7.RecordAccumulator缓冲区大小
properties.put("buffer.memory", 33554432); // 32M
//8.Key, Value的序列化类
properties.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
properties.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
//9.创建生产者对象
KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);
//10.发送数据
for (int i = 0; i < 10; ++i){
producer.send(new ProducerRecord<String, String>("first","Tom--" + i));
}
//11.关闭资源
producer.close();
}
}
（2）带回调函数的 API
回调函数会在 producer 收到 ack 时调用，为异步调用， 该方法有两个参数，分别是 RecordMetadata 和 Exception ，如果 Exception 为 null ，说明消息发送成功，如果 Exception 不为 null ，说明消息发送失败。
注意：消息发送失败会自动重试，不需要我们在回调函数中手动重试。
package com.Tom.producer;
import org.apache.kafka.clients.producer.*;
import java.util.ArrayList;
import java.util.Properties;
public class CallBackProducer {
public static void main(String[] args) {
// 1.创建配置信息
Properties properties = new Properties();
properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer");
// 2.创建生产者对象
KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);
// ArrayList<String> list = new ArrayList<String>();
// list.add("a");
// list.add("b");
// list.add("c");
// 3.发送数据
for (int i = 0; i < 10; ++i){
producer.send(new ProducerRecord<String,String>("first","Tom","Tom--" + i), new Callback() {
// 回调函数， 该方法会在Producer收到ack时调用，为异步调用
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception == null){
System.out.println(metadata.partition() + "--" + metadata.offset());
} else {
exception.printStackTrace();
}
}
});
}
// 4.关闭资源
producer.close();
}
}
1.1.3 同步发送 API
同步发送的意思就是，一条消息发送之后，会阻塞当前线程， 直至返回 ack。
由于 send 方法返回的是一个 Future 对象，根据 Futrue 对象的特点，我们也可以实现同步发送的效果 ，只需在调用 Future 对象的 get 方法即可。
package com.Tom.producer;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;
public class MyProducer {
public static void main(String[] args) {
//1.创建Kafka生产者的配置信息
Properties properties = new Properties();
//2.指定连接的Kafka集群
properties.put("bootstrap.servers", "hadoop102:9092");
//3.ACK应答级别
properties.put("acks", "all");
//4.重试次数
properties.put("retries", 3);
//5.批次大小
properties.put("batch.size", 16384); // 16K
//6.等待时间
properties.put("linger.ms", 1);
//7.RecordAccumulator缓冲区大小
properties.put("buffer.memory", 33554432); // 32M
//8.Key, Value的序列化类
properties.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
properties.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
//9.创建生产者对象
KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);
//10.发送数据
for (int i = 0; i < 10; ++i){
producer.send(new ProducerRecord<String, String>("first","Tom--" + i)).get();
}
//11.关闭资源
producer.close();
}
}
1.2 Consumer API
Consumer 消费数据时的可靠性是很容易保证的，因为数据在 Kafka 中是持久化的，故不用担心数据丢失问题。
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。
所以 offset 的维护是 Consumer 消费数据是必须考虑的问题。
1.2.1 自动提交 offset
为了使我们能够专注于自己的业务逻辑，Kafka 提供了自动提交 offset 的功能 。
自动提交 offset 的相关参数：
enable.auto.commit： 是否开启自动提交 offset 功能
auto.commit.interval.ms： 自动提交 offset 的时间间隔
以下为自动提交 offset 的代码：
package com.Tom.consumer;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import java.util.Arrays;
import java.util.Properties;
public class MyConsumer {
public static void main(String[] args) {
// 1 创建消费者配置信息
Properties properties = new Properties();
// 2 给配置信息赋值
// 连接的集群
properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
// 开启自动提交
properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, true);
// properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);
// 自动提交的延时
properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
// Key, Value的反序列化
properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
// 消费者组
properties.put(ConsumerConfig.GROUP_ID_CONFIG, "bigdata0805");
// 创建消费者
KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
// 订阅主题
consumer.subscribe(Arrays.asList("test"));
// 获取数据
while(true){
ConsumerRecords<String, String> consumerRecords = consumer.poll(100);
// 解析并打印consumerRecords
for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
System.out.println(consumerRecord.key() + "--" + consumerRecord.value());
}
}
}
}
消费者重置 offset
package com.huxili.consumer;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import java.util.Arrays;
import java.util.Properties;
public class MyConsumer {
public static void main(String[] args) {
// 1 创建消费者配置信息
Properties properties = new Properties();
// 2 给配置信息赋值
// 连接的集群
properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
// 开启自动提交
// properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, true);
properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);
// 自动提交的延时
properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
// Key, Value的反序列化
properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
// 消费者组
properties.put(ConsumerConfig.GROUP_ID_CONFIG, "bigdata0805");
// 重置消费者的offset
properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");
// 创建消费者
KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(properties);
// 订阅主题
consumer.subscribe(Arrays.asList("test"));
// 获取数据
while(true){
ConsumerRecords<String, String> consumerRecords = consumer.poll(100);
// 解析并打印consumerRecords
for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
System.out.println(consumerRecord.key() + "--" + consumerRecord.value());
}
}
}
}
1.2.2 手动提交 offset
虽然自动提交 offset 十分简介便利，但由于其是基于时间提交的 开发人员难以把握 offset 提交的时机。因此 Kafka 还提供了手动提交 offset 的 API。
手动提交 offset 的方法有两种：分别是 commitSync（同步提交）和 commitAsync（异步提交） 。两者的相同点是，都会将本次 poll 的一批数据最高的偏移量提交 ；不同点是 commitSync 阻塞当前线程，一直到提交成功，并且会自动失败重试（ 由不可控因素导致，也会出现提交失败 ）；而 commitAsync 则没有失败重试机制，故有可能提交失败。
（1）同步提交 offset
由于同步提交 offset 有失败重试机制，故更加可靠 ，以下为同步提交 offset 的示例。
package com.Tom.kafka.consumer;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import java.util.Arrays;
import java.util.Properties;
public class CustomComsumer {
public static void main(String[] args) {
Properties props = new Properties();
//Kafka集群
props.put("bootstrap.servers", "hadoop102:9092");
//消费者组，只要group.id相同，就属于同一个消费者组
props.put("group.id", "test");
props.put("enable.auto.commit", "false");//关闭自动提交offset
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<>(props);
consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
while (true) {
//消费者拉取数据
ConsumerRecords<String, String> records = consumer.poll(100);
for (ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
//同步提交，当前线程会阻塞直到offset提交成功
consumer.commitSync();
}
}
}
（2）异步提交 offset
虽然同步提交 offset 更可靠一些，但是由于其会阻塞当前线程，直到提交成功。因此吞吐量会收到很大的影响。因此更多的情况下，会选用异步提交 offset的方式。
以下为异步提交 offset 的示例：
package com.Tom.kafka.consumer;
import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.Arrays;
import java.util.Map;
import java.util.Properties;
public class CustomConsumer {
public static void main(String[] args) {
Properties props = new Properties();
//Kafka集群
props.put("bootstrap.servers", "hadoop102:9092");
//消费者组，只要group.id相同，就属于同一个消费者组
props.put("group.id", "test");
//关闭自动提交offset
props.put("enable.auto.commit", "false");
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<>(props);
consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
while (true) {
ConsumerRecords<String, String> records = consumer.poll(100);//消费者拉取数据
for(ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
//异步提交
consumer.commitAsync(new OffsetCommitCallback() {
@Override
public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) {
if (exception != null) {
System.err.println("Commit failed for" + offsets);
}
}
});
}
}
}
（3）数据漏消费和重复消费分析
无论是同步提交还是异步提交 offset，都有可能会造成数据的漏消费或者重复消费。先提交 offset 后消费，有可能造成数据的漏消费；而先消费后提交 offset，有可能会造成数据的重复消费。
1.2.3 自定义存储 offset
Kafka 0.9 版本之前， offset 存储在 zookeeper，0.9 版本及之后，默认将 offset存储在 Kafka 的一个内置的 topic 中。除此之外， Kafka 还可以选择自定义存储 offset。
offset 的维护是相当繁琐的， 因为需要考虑到消费者的 Rebalance。
当有新的消费者加入消费者组、已有的消费者推出消费者组或者所订阅的主题的分区发生变化 ，就会触发到分区的重新分配，重新分配的过程叫做 Rebalance。
消费者发生 Rebalance之后，每个消费者消费的分区就会发生变化。 因此消费者要首先获取到自己被重新分配到的分区，并且定位到每个分区最近提交的 offset 位置继续消费。
要实现自定义存储 offset，需要借助ConsumerRebalanceListener,以下为示例代码 ，其中提交和获取 offset 的方法，需要根据所选的 offset 存储系统自行实现。
package com.Tom.kafka.consumer;
import org.apache.kafka.clients.consumer.*;
import org.apache.kafka.common.TopicPartition;
import java.util.*;
public class CustomConsumer {
private static Map<TopicPartition, Long> currentOffset = new HashMap<>();
public static void main(String[] args) {
//创建配置信息
Properties props = new Properties();
//Kafka集群
props.put("bootstrap.servers", "hadoop102:9092");
//消费者组，只要group.id相同，就属于同一个消费者组
props.put("group.id", "test");
//关闭自动提交offset
props.put("enable.auto.commit", "false");
//Key和Value的反序列化类
props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
//创建一个消费者
KafkaConsumer<String, String>consumer = new KafkaConsumer<>(props);
//消费者订阅主题
consumer.subscribe(Arrays.asList("first"), new ConsumerRebalanceListener() {
//该方法会在Rebalance之前调用
@Override
public void onPartitionsRevoked(Collection<TopicPartition> partitions) {
commitOffset(currentOffset);
}
//该方法会在Rebalance之后调用
@Override
public void onPartitionsAssigned(Collection<TopicPartition> partitions) {
currentOffset.clear();
for (TopicPartition partition : partitions) {
consumer.seek(partition, getOffset(partition));// 定位到最近提交的 offset 位置继续消费
}
}
});
while (true) {
ConsumerRecords<String, String> records = consumer.poll(100);// 消费者拉取数据
for (ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s% record.offset(), record.key(), record.value());
currentOffset.put(new TopicPartition(record.topic(), record.partition()), record.offset());
}
commitOffset(currentOffset);// 异步提交
}
}
// 获取某分区的最新 offset
private static long getOffset(TopicPartition partition) {
return 0;
}
// 提交该消费者所有分区的 offset
private static void commitOffset(Map<TopicPartition, Long>currentOffset) {
}
}
1.3 自定义 Interceptor
1.3.1 拦截器原理
Producer 拦截器 (interceptor) 是在 Kafka0.10 版本被引入的，主要用于实现 clients 端的定制化控制逻辑。
对于 producer 而言， interceptor 使得用户在消息发送前以及 producer 回调逻辑前有机会对消息做一些定制化需求，比如修改消息等。同时，producer 允许用户指定多个 interceptor 按序作用于同一条消息从而形成一个拦截链 (interceptor chain)。 Intercetpor 的实现接口是 org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括：
（1）configure(configs)
获取配置信息和初始化数据时调用 。
（2）onSend(ProducerRecord)：
该方法封装进 KafkaProducer.send方法中，即它运行在用户主线程中。 Producer 确保在消息被序列化以及计算分区前调用该方法。用户可以在该方法中对消息做任何操作，但最好保证不要修改消息所属的 topic 和分区， 否则会影响目标分区的计算 。
（3）onAcknowledgement(RecordMetadata,Exception)：
该方法会在消息从RecordAccumulator成功发送到 Kafka Broker 之后，或者在发送过程中失败时调用。 并且通常都是在 producer 回调逻辑触发之前。 onAcknowledgement 运行在 producer 的 IO 线程中，因此不要在该方法中放入很重的逻辑，否则会拖慢 producer 的消息发送效率 。
（4）close：
关闭 interceptor，主要用于执行一些资源清理工作
如前所述，interceptor 可能被运行在多个线程中，因此在具体实现时用户需要自行确保线程安全。另外倘若指定了多个 interceptor，则 producer 将按照指定顺序调用它们 ，并仅仅是捕获每个 interceptor 可能抛出的异常记录到错误日志中而非在向上传递。这在使用过程中要特别留意。
1.3.2 拦截器案例
1. 需求：
实现一个简单的双 interceptor 组成的拦截链。第一个 interceptor 会在消息发送前将时间戳信息加到消息 value 的最前部；第二个 interceptor 会在消息发送后更新成功发送消息数或失败发送消息数。
2. 案例实操：
（1）增加时间戳拦截器
package com.Tom.interceptor;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
import java.util.Map;
public class TimeInterceptor implements ProducerInterceptor<String, String> {
public void configure(Map<String, ?> map) {
}
public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
// 1.取出数据
String value = record.value();
// 2.创建一个新的ProducerRecord对象，并返回
return new ProducerRecord<String, String>(record.topic(), record.partition(), record.key(),
System.currentTimeMillis() + "," + value);
}
public void onAcknowledgement(RecordMetadata recordMetadata, Exception e) {
}
public void close() {
}
}
（2）统计发送消息成功和发送失败消息数 ，并在 producer关闭时打印这两个计数器
package com.Tom.interceptor;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
import java.util.Map;
public class CounterInterceptor implements ProducerInterceptor<String, String> {
int success;
int error;
public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
return record;
}
public void onAcknowledgement(RecordMetadata metadata, Exception e) {
if (metadata != null){
success++;
} else {
error++;
}
}
public void close() {
System.out.println("success: " + success);
System.out.println("error: " + error);
}
public void configure(Map<String, ?> map) {
}
}
（7）producer 主程序
package com.Tom.producer;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerConfig;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.ArrayList;
import java.util.Properties;
public class InterceptorProducer {
public static void main(String[] args) throws InterruptedException {
//1.创建Kafka生产者的配置信息
Properties properties = new Properties();
//2.指定连接的Kafka集群
properties.put("bootstrap.servers", "hadoop102:9092");
//3.ACK应答级别
properties.put("acks", "all");
//4.重试次数
properties.put("retries", 3);
//5.批次大小
properties.put("batch.size", 16384); // 16K
//6.等待时间
properties.put("linger.ms", 1);
//7.RecordAccumulator缓冲区大小
properties.put("buffer.memory", 33554432); // 32M
//8.Key, Value的序列化类
properties.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
properties.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
// 添加拦截器
ArrayList<String> interceptors = new ArrayList<String>();
interceptors.add("com.Tom.interceptor.TimeInterceptor");
interceptors.add("com.Tom.interceptor.CounterInterceptor");
properties.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);
//9.创建生产者对象
KafkaProducer<String, String> producer = new KafkaProducer<String, String>(properties);
//10.发送数据
for (int i = 0; i < 10; ++i) {
producer.send(new ProducerRecord<String, String>("first", "JACK", "Tom--" + i));
}
Thread.sleep(5000);
System.out.println("******************");
//11.关闭资源
producer.close();
}
}
3. 测试
在 kafka 上启动消费者，然后运行客户端 java 程序。
[Tom@hadoop102 kafka-0.11]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first
Using the ConsoleConsumer with old consumer is deprecated and will be removed in a future major release. Consider using the new consumer by passing [bootstrap-server] instead of [zookeeper].
1632320390485,Tom--0
1632320390620,Tom--1
1632320390620,Tom--2
1632320390621,Tom--3
1632320390621,Tom--4
1632320390621,Tom--5
1632320390621,Tom--6
1632320390621,Tom--7
1632320390621,Tom--8
1632320390621,Tom--9
2 Kafka 监控
2.1 Kafka Eagle
（1）修改 kafka 启动命令
修改 kafka-server-start.sh 命令中
if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then
export KAFKA_HEAP_OPTS=" Xmx1G Xms1G"
fi
为
if [ "x$KAFKA_HEAP_OPTS" = "x" ]; then
export KAFKA_HEAP_OPTS="-server -Xms2G -Xmx2G -XX:PermSize=128m -XX:+UseG1GC -XX:MaxGCPauseMillis=200 -XX:ParallelGCThreads=8 -XX:ConcGCThreads=5 -XX:InitiatingHeapOccupancyPercent=70"
export JMX_PORT="9999"
# export KAFKA_HEAP_OPTS="-Xmx1G -Xms1G"
fi
注意：修改之后在启动 Kafka 之前要分发之其他节点
（2）上传压缩包 kafka-eagle-bin-1.3.7.tar.gz 到集群 /opt/software 目录
（3）解压到本地
[Tom@hadoop102 software]$ tar -zxvf kafka-eagle-bin-1.3.7.tar.gz
（4）进入刚才解压的目录
[Tom@hadoop102 kafka-eagle-bin-1.3.7]$ ll
总用量 82932
-rw-rw-r--. 1 Tom Tom 84920710 8月 13 2019 kafka-eagle-web-1.3.7-bin.tar.gz
（5）将 kafka-eagle-web-1.3.7-bin.tar.gz 解压至 /opt/module
[atguigu@hadoop102 kafka-eagle-bin-1.3.7]$ tar -zxvf kafka-eagle-web-1.3.7-bin.tar.gz -C /opt/module/
（6）给启动文件执行权限
[Tom@hadoop102 eagle]$ cd bin/
[Tom@hadoop102 bin]$ ll
总用量 12
-rw-r-r--. 1 Tom Tom 1848 8月 22 2017 ke.bat
-rw-r-r--. 1 Tom Tom 7190 7月 30 20:12 ke.sh
[atguigu@hadoop102 chmod 777 ke.sh
（7）修改配置文件
######################################
# multi zookeeper&kafka cluster list
######################################
kafka.eagle.zk.cluster.alias=cluster1
cluster1.zk.list=hadoop102:2181,hadoop103:2181,hadoop104:2181
######################################
# kafka offset storage
######################################
cluster1.kafka.eagle.offset.storage=kafka
######################################
# enable kafka metrics
######################################
kafka.eagle.metrics.charts=true
kafka.eagle.sql.fix.error=false
######################################
# kafka jdbc driver address
######################################
#kafka.eagle.driver=org.sqlite.JDBC
#kafka.eagle.url=jdbc:sqlite:/hadoop/kafka-eagle/db/ke.db
#kafka.eagle.username=root
#kafka.eagle.password=www.kafka-eagle.org
kafka.eagle.driver=com.mysql.jdbc.Driver
kafka.eagle.url=jdbc:mysql://hadoop102:3306/ke?useUnicode=true&characterEncoding=UTF-8&zeroDateTimeBehavior=convertToNull
kafka.eagle.username=root
kafka.eagle.password=000000
（8）添加环境变量
#KAFKA_EAGLE_HOME
export KE_HOME=/opt/module/kafka-eagle-web-1.3.7
export PATH=$PATH:$KE_HOME/bin
（9）启动
[Tom@hadoop102 eagle]$ bin/ke.sh start
Welcome to
__ __ ___ ____ __ __ ___ ______ ___ ______ __ ______
/ //_/ / | / __/ / //_/ / | / ____/ / | / ____/ / / / ____/
/ ,< / /| | / /_ / ,< / /| | / __/ / /| | / / __ / / / __/
/ /| | / ___ | / __/ / /| | / ___ | / /___ / ___ |/ /_/ / / /___ / /___
/_/ |_| /_/ |_|/_/ /_/ |_| /_/ |_| /_____/ /_/ |_|\____/ /_____//_____/
Version 1.3.7
*******************************************************************
* Kafka Eagle Service has started success.
* Welcome, Now you can visit 'http://192.168.10.102:8048/ke'
* Account:admin ,Password:123456
*******************************************************************
* <Usage> ke.sh [start|status|stop|restart|stats] </Usage>
* <Usage> https://www.kafka-eagle.org/ </Usage>
*******************************************************************
注意：启动之前需要先启动 ZK 以及 KAFKA
（10）登录页面查看监控数据
http://192.168.10.102:8048/ke
3 Flume 对接 Kafka
（1）配置 flume(flume-kafka.conf)
# Define
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# Sink
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.sinks.k1.kafka.topic = first
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.linger.ms = 1
# Channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
（2）启动 kafkaIDEA 消费者
[Tom@hadoop102 kafka-0.11]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first
（3）进入 flume 根目录下，启动 flume
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent -c conf/ -n a1 -f job/kafka.conf
（4）向/opt/module/data/flume.log里追加数据，查看 kafka 消费者消费情况
[Tom@hadoop102 ~]$ nc localhost 44444
hello
OK
hust
OK
4 Kafka 面试题
1. Kafka中的 ISR(InSyncRepli)、 OSR(OutSyncRepli)、 AR(AllRepli)代表什么？
ISR(InSyncReplicas)：与 leader 保持同步的 follower 集合。
OSR(OutSyncReplicas)：ISR 由 leader 维护，follower 从 leader 同步数据有一些延迟（包括延迟时间 replica.lag.time.max.ms 和延迟条数 replica.lag.max.messages 两个维度, 当前最新的版本 0.10.x 中只支持replica.lag.time.max.ms这个维度），任意一个超过阈值都会把 follower 剔除出 ISR，存入OSR（Outof-Sync Replicas）列表，新加入的 follower 也会先存放在 OSR 中。
OSR 中的副本，如果与 leader 通信后，会尝试与 leader 同步，同步的策略是首先将当前记录的 hw 之后的消息删除，然后与 leader 同步，当与 leader 基本同步之后（存储的消息的 offset 大于当前 ISR 中的 hw），就重新回到 ISR 之中。
AR(AllReplicas)：分区的所有副本（AR=ISR+OSR）
2. Kafka 中的 HW、 LEO等分别代表什么？
LEO(Log End Offset)：指的是每个副本最大的offset；
HW(High Watermark)：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。
3. Kafka中是怎么体现消息顺序性的？
Kafka 只能保证分区内消息顺序有序，无法保证全局有序。
生产者：通过分区的 leader 副本负责数据顺序写入，来保证消息顺序性
消费者：同一个分区内的消息只能被一个 group 里的一个消费者消费，保证分区内消费有序
4. Kafka中的分区器、序列化器、拦截器是否了解？它们之间的处理顺序是什么？
拦截器:两个方法： doSend()方法会在序列化之前完成 onAcknowledgement()方法在消息确认或失败时调用，可以添加多个拦截器按顺序执行。一共有两种拦截器：生产者拦截器和消费者拦截器。生产者拦截器既可以用来在消息发送前做一些准备工作，比如按照某个规则过滤不符合要求的消息、修改消息的内容等，也可以用来在发送回调逻辑前做一些定制化的需求，比如统计类工作。消费者拦截器主要在消费到消息或在提交消费位移时进行一些定制化的操作。
序列化器：键序列化器和值序列化器，将键和值都转为二进制流。还有反序列化器，将二进制流转为指定类型数据。
分区器：根据键值确定消息应该处于哪个分区中，默认情况下使用轮询分区，可以自行实现分区器接口自定义分区逻辑。
调用顺序：拦截器doSend()→序列化器→分区器
5. Kafka 生产者客户端的整体结构是什么样子的？使用了几个线程来处理？分别是什么？
在消息发送的过程中，涉及到了两个线程：main 线程和 Sender 线程 ，以及一个线程共享变量RecordAccumulator。main 主线程负责创建消息，然后通过拦截器、序列化器、分区器作用之后缓存到累加器RecordAccumulator中，Sender 线程不断从 RecordAccumulator中拉取消息发送到 Kafka broker。
6.“消费组中的消费者个数如果超过 topic 的分区数，那么就会有消费者消费不到数据”这句话是否正确？
正确。如果消费者过多，出现了消费者的个数大于分区个数的情况，就会有消费者分配不到任何分区。
7. 消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset + 1？
offset + 1
8. Kafka 有哪些情形会造成重复消费？
（1）Rebalance
一个consumer正在消费一个分区的一条消息，还没有消费完，发生了rebalance(加入了一个consumer)，从而导致这条消息没有消费成功，rebalance后，另一个consumer又把这条消息消费一遍。
消费者端手动提交
（2）如果先消费消息，再更新offset位置，导致消息重复消费。
（3）消费者端自动提交
设置 offset 为自动提交，关闭 kafka 时，如果在close之前，调用 consumer.unsubscribe()，则有可能部分 offset 没提交，下次重启会重复消费。
（4）生产者端
生产者因为业务问题导致的宕机，在重启之后可能数据会重发
9. Kafka 哪些情景会造成消息漏消费？
（1）自动提交
设置 offset 为自动定时提交，当 offset 被自动定时提交时，数据还在内存中未处理，此时刚好把线程 kill掉，那么 offset 已经提交，但是数据未处理，导致这部分内存中的数据丢失。
（2）生产者发送消息
发送消息设置的是 fire-and-forget（发后即忘），它只管往 Kafka 中发送消息而并不关心消息是否正确到达。不过在某些时候（比如发生不可重试异常时）会造成消息的丢失。这种发送方式的性能最高，可靠性也最差。
（3）消费者端
先提交 offset，但是消息还没消费完就宕机了，造成了消息没有被消费。自动 offset 提交同理。
（4）acks 没有设置为all
如果在broker还没把消息同步到其他broker的时候宕机了，那么消息将会丢失。
10. 当你使用kafka-topics.sh 创建（删除）了一个topic 之后，Kafka 背后会执行什么逻辑？
（1）会在 zookeeper 中的 /brokers/topics 节点下创建一个新的 topic 节点， 如：/brokers/topics/first
（2）触发 Controller 的监听程序
（3）kafka Controller 负责 topic 的创建工作，并更新 metadata cache
11. topic 的分区数可不可以增加？如果可以怎么增加？如果不可以，那又是为什么？
可以增加，使用 kafka-topics 脚本，结合 --alter 参数来增加某个主题的分区数，命令如下：
bin/kafka-topics.sh --bootstrap-server broker_host:port --alter --topic <topic_name> --partitions <新分区数>
当分区数增加时，就会触发订阅该主题的所有 Group 开启 Rebalance。
首先，Rebalance 过程对 Consumer Group 消费过程有极大的影响。在 Rebalance 过程中，所有 Consumer 实例都会停止消费，等待 Rebalance 完成。这是 Rebalance 为人诟病的一个方面。
其次，目前 Rebalance 的设计是所有 Consumer 实例共同参与，全部重新分配所有分区。其实更高效的做法是尽量减少分配方案的变动。
12. topic 的分区数可不可以减少？如果可以怎么减少？如果不可以，那又是为什么？
不支持，因为删除的分区中的消息不好处理。如果直接存储到现有分区的尾部，消息的时间戳就不会递增，如此对于 Spark、Flink 这类需要消息时间戳（事件时间）的组件将会受到影响；如果分散插入现有的分区，那么在消息量很大的时候，内部的数据复制会占用很大的资源，而且在复制期间，此主题的可用性又如何得到保障？与此同时，顺序性问题、事务性问题，以及分区和副本的状态机切换问题都是不得不面对的。
13. Kafka 有内部的 topic 吗？如果有是什么？有什么所用？
有内部的 topic， 是__consumer_offsets，作用为给普通消费者存储 offset 使用。
14. Kafka 分区分配的概念？
一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，所以必然会涉及到 partition 的分配问题，即确定那个 partition 由哪个 consumer 来消费。
Kafka 有两种分配策略，一是RoundRobin，按组划分，一是Range，按主题划分。
Range 是默认策略。Range 是对每个 topic而言的，首先对同一个 topic 里面的分区按照序号进行排序，并对消费者按照字母顺序进行排序；然后用 partitions 分区的个数除以消费者线程的总数来决定每个消费者线程消费几个分区；如果除不尽，那么前面几个消费者线程将会多消费一个分区。
RoundRobin 分区分配策略的前提是同一个消费者组里面的所有消费者的num.streams（消费者消费线程数）必须相等；每个消费者订阅的主题必须相同。首先将所有主题分区组成 TopicAndPartition 列表，然后对 TopicAndPartition 列表按照 hashCode 进行排序，最后按照轮询的方式发给每一个消费线程。
15. 简述 Kafka 的日志目录结构？
每个分区对应一个文件夹，文件夹的命名为 topic-0，topic-1，内部为.log 和.index文件
每个partition一个文件，包含四类文件：.index、.log、.timeindex、leader-epoch-checkpoint。
.index、.log 和 .timeindex 三个文件成对出现，前缀为上一个 segment 的最后一个消息的偏移 log 文件中保存了所有的消息。
index 文件中保存了稀疏的相对偏移的索引
timeindex 保存的则是时间索引。
leader-epoch-checkpoint 中保存了每一任leader开始写入消息时的 offset，会定时更新，follower 被选为leader 时会根据这个确定哪些消息可用。
16. 如果我指定了一个 offset，Kafka Controller 怎么查找到对应的消息？
（1）二分查找获取对应 index 索引文件，获取到对应的物理 offset。
（2）拿着物理 offset 去 log 数据文件顺序查找对应消息
（3）返回查找找到的消息
17. 聊一聊 Kafka Controller 的作用？
负责管理集群 broker 的上下线，所有 topic 的分区副本分配和 leader 选举等工作;
在 kafka 集群中会有一个或者多个 broker，其中有一个 broker 会被选举为控制器（kafka controller），它负责管理整个集群中所有分区和副本的状态;
当某个分区的 leader 副本出现故障时，由控制器负责为该分区选举新的 leader 副本;
当检测到某个分区的 ISR 集合发生变化时，由控制器负责通知所有 broker 更新其元数据信息;
当使用 kafka-topic.sh脚本为某个 topic 增加分区数量时，同样还是由控制器负责分区的重新分配。
18. Kafka 中有那些地方需要选举？这些地方的选举策略又有哪些？
partition leader（ISR）
kafka controller（先到先得）
当 broker 启动时，会尝试去创建 /controller 节点，创建成功即成为 controller；如果该 controller 死亡，/controller 节点会释放，由新的 broker 创建此节点成为新的 controller。
以下为 partition 的 leader 选举过程：
19. 失效副本是指什么？有那些应对措施？
正常情况下，分区的所有副本都处于 ISR 集合中，但是难免会有异常情况发生，从而某些副本被剥离出 ISR 集合中。在 ISR 集合之外，也就是处于同步失效或功能失效（比如副本处于非存活状态）的副本统称为失效副本，失效副本对应的分区也就称为同步失效分区，即 under-replicated 分区。
应对措施：我们用 UnderReplicatedPartitions 代表 leader 副本在当前 Broker 上且具有失效副本的分区的个数。
如果集群中有多个 Broker 的UnderReplicatedPartitions 保持一个大于 0 的稳定值时，一般暗示着集群中有 Broker 已经处于下线状态。这种情况下，这个 Broker 中的分区个数与集群中的所有UnderReplicatedPartitions（处于下线的 Broker 是不会上报任何指标值的）之和是相等的。通常这类问题是由于机器硬件原因引起的，但也有可能是由于操作系统或者 JVM 引起的 。
如果集群中存在 Broker的UnderReplicatedPartitions 频繁变动，或者处于一个稳定的大于 0 的值（这里特指没有 Broker下线的情况）时，一般暗示着集群出现了性能问题，通常这类问题很难诊断，不过我们可以一步一步的将问题的范围缩小，比如先尝试确定这个性能问题是否只存在于集群的某个 Broker 中，还是整个集群之上。如果确定集群中所有的 under-replicated 分区都是在单个 Broker 上，那么可以看出这个 Broker 出现了问题，进而可以针对这单一的 Broker 做专项调查，比如：操作系统、GC、网络状态或者磁盘状态（比如：iowait、ioutil 等指标）。
20. Kafka 的哪些设计让它有如此高的性能？
（1）分区
kafka 是个分布式集群的系统，整个系统可以包含多个 broker，也就是多个服务器实例。每个主题 topic会有多个分区，kafka 将分区均匀地分配到整个集群中，当生产者向对应主题传递消息，消息通过负载均衡机制传递到不同的分区以减轻单个服务器实例的压力。一个 Consumer Group 中可以有多个consumer，多个 consumer 可以同时消费不同分区的消息，大大的提高了消费者的并行消费能力。但是一个分区中的消息只能被一个 Consumer Group 中的一个 consumer 消费。
（2）网络传输上减少开销
批量发送：在发送消息的时候，kafka 不会直接将少量数据发送出去，否则每次发送少量的数据会增加网络传输频率，降低网络传输效率。kafka 会先将消息缓存在内存中，当超过一个的大小或者超过一定的时间，那么会将这些消息进行批量发送。
端到端压缩：当然网络传输时数据量小也可以减小网络负载，kafaka 会将这些批量的数据进行压缩，将一批消息打包后进行压缩，发送 broker 服务器后，最终这些数据还是提供给消费者用，所以数据在服务器上还是保持压缩状态，不会进行解压，而且频繁的压缩和解压也会降低性能，最终还是以压缩的方式传递到消费者的手上。
（3）顺序读写
kafka 将消息追加到日志文件中，利用了磁盘的顺序读写，来提高读写效率。官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间 。
（4）零拷贝技术
零拷贝将文件内容从磁盘通过 DMA 引擎复制到内核缓冲区，而且没有把数据复制到 socket 缓冲区，只是将数据位置和长度信息的描述符复制到了 socket 缓存区，然后直接将数据传输到网络接口，最后发送。这样大大减小了拷贝的次数，提高了效率。kafka 正是调用 linux 系统给出的 sendfile 系统调用来使用零拷贝。Java 中的系统调用给出的是 FileChannel.transferTo 接口。
（5）优秀的文件存储机制
如果分区规则设置得合理，那么所有的消息可以均匀地分布到不同的分区中，这样就可以实现水平扩展。不考虑多副本的情况，一个分区对应一个日志（Log）。为了防止 Log 过大，Kafka 又引入了日志分段（LogSegment）的概念，将 Log 切分为多个 LogSegment，相当于一个巨型文件被平均分配为多个相对较小的文件，这样也便于消息的维护和清理。
Kafka 中的索引文件以稀疏索引（sparse index）的方式构造消息的索引，它并不保证每个消息在索引文件中都有对应的索引项。每当写入一定量（由 broker 端参数 log.index.interval.bytes 指定，默认值为4096，即 4KB）的消息时，偏移量索引文件和时间戳索引文件分别增加一个偏移量索引项和时间戳索引项，增大或减小 log.index.interval.bytes 的值，对应地可以增加或缩小索引项的密度。
参考：
https://www.bilibili.com/video/BV1a4411B7V9?p=21
https://blog.csdn.net/weixin_45557389/article/details/109486482
https://blog.csdn.net/JacksonKing/article/details/107458383
https://zhuanlan.zhihu.com/p/72741998
https://www.cnblogs.com/luozhiyun/p/11811835.html
https://www.cnblogs.com/luozhiyun/p/12079527.html