Apache kafka

1. 消息队列的介绍

消息队列：一种应用间的通信方式，消息发送后立即返回。

我们可以把消息队列比作是一个存放消息的容器，当我们使用消息的时候可以取出消息供自己使用，消息队列是分布式系统中的重要组件，使用消息队列主要是为了异步处理提高系统性能和削峰，降低系统耦合性。

https://www.jianshu.com/p/36a7775b04ec

2. 常用的消息队列

RabbitMQ：开源的消息队列，基于AMQP。

ActiveMQ：Apache旗下的一款消息队列产品。消息处理速度快

RocketMQ：是阿里出品的开源消息队列

Kafk：最初是LinkedIn公司开发，后托管给Apache。

3. 消息队列的应用场景

应用耦合：将多个应用之间解耦合。如果各个模块之间不存在直接调用，那么在新增模块或者修改模块就对其他模块影响小。

异步处理：消息的异步处理

限流削峰：即通过异步处理，将短时间高并发产生的事务消息存储在消息队列中，从而削平高峰期的并发事务。对于峰值访问的数据，通过消息队列削峰。

4.消息队列两种模式

点对点模式：一个生产者和一个消费者。一条消息只能被一个消费者接使用，未消费的消息存在队列直到被消费或者失效。

发布订阅模式：生产者和多个消费者，通过订阅主题消费。发布者发布一条消息，消息通过主题传递给所有的订阅用户。

5.kafka基本介绍

一个消息队列，是linkedin公司出品，适用于大数据的工作场景，使用scala语言编写的。

kafka是一个分布式，分区的，多副本的，多订阅者的日志系统，可用于搜索日志，监控日志，访问日志等。

流式处理：flume+kafka+spark streaming（flink）完成实时数据（流式处理）的处理

6. kafka的架构

生产者api：允许应用程序发布记录流至一个或者多个topic

消费者api：允许应用程序订阅一个或者多个主题，并处理这些主题接收到的记录流

7. kafka内部结构细节解析

8. kafka集群的使用命令

##集群的启动
nohup bin/kafka-server-start.sh config/server.properties 2>&1 &
##集群的关闭
bin/kafka-server-stop.sh
##创建主题
bin/kafka-topics.sh --create --zookeeper hadoop01:2181 --replication-factor 2 --partitions 3 --topic test
##查看主题
bin/kafka-topics.sh  --list --zookeeper hadoop01:2181,hadoop02:2181,hadoop03:2181
##生产数据
bin/kafka-console-producer.sh --broker-list hadoop01:9092,hadoop02:9092,hadoop03:9092 --topic test
##消费主题
bin/ kafka-console-consumer.sh --from-beginning --topic test  --zookeeper hadoop01:2181,hadoop02:2181,hadoop03:2181
##查看topic的信息
cd /export/servers/kafka_2.11-1.0.0
bin/kafka-topics.sh --describe --zookeeper hadoop01:2181 --topic test
##增加topic
cd /export/servers/kafka_2.11-1.0.0
bin/kafka-topics.sh --zookeeper zkhost:port --alter --topic topicName --partitions 8
##修改配置
bin/kafka-topics.sh --zookeeper hadoop01:2181 --alter --topic test --config flush.messages=1
##删除配置
bin/kafka-topics.sh --zookeeper hadoop01:2181 --alter --topic test --delete-config flush.messages
##删除主题
kafka-topics.sh --zookeeper zkhost:port --delete --topic topicName

9. kafka当中的数据不丢失机制

A.  生产者的角度考虑

同步：发送一批数据给kafka后，等待kafka返回结果

• 生产者等待10秒，如果broker没有给ack响应，就认为失败
• 生产者会重试三次，如果三次后还没有响应就失败。

异步：发送一批数据给kfka，只提供一个回调函数。

• 先将数据保存在生产者端的buffer中。buffer大小是2万条
• 满足数据阈值或者数量阈值其中的一个条件就可以发送数据。
• 发送一批数据的大小是500条

ack确认机制：生产者发送数据，需要服务端返回一个确认码，即ack响应码

• 0：生产者只负责发送数据，不关心数据是否丢失，响应的状态码为0（丢失的数据，需要再次发送      ）
• 1：partition的leader收到数据，响应的状态码为1
• -1：所有的从节点都收到数据，响应的状态码为-1

2. broker节点的角度考虑

通过副本的方式保证数据的不丢失

3. 从消费者的角度考虑

只要每个消费者记录好offset就好

10. kafka整合flume

#为我们的source channel  sink起名
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#指定我们的source收集到的数据发送到哪个管道
a1.sources.r1.channels = c1
#指定我们的source数据收集策略
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /export/servers/flumedata
a1.sources.r1.deletePolicy = never
a1.sources.r1.fileSuffix = .COMPLETED
a1.sources.r1.ignorePattern = ^(.)*\.tmp$
a1.sources.r1.inputCharset = GBK
#指定我们的channel为memory,即表示所有的数据都装进memory当中
a1.channels.c1.type = memory
#指定我们的sink为kafka  sink，并指定我们的sink从哪个channel当中读取数据
a1.sinks.k1.channel = c1
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.topic = test
a1.sinks.k1.kafka.bootstrap.servers = hadoop01:9092,hadoop02:9092,hadoop03:9092
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1


##启动flume
bin/flume-ng agent --conf conf --conf-file conf/flume_kafka.conf --name a1 -Dflume.root.logger=INFO,console

11. CAP理论及其在kafka中的应用

　　分布式系统最大的难点就是各个节点的状态如何同步。为了解决各个节点间的状态同步问题，1988年加州大学的计算机科学家提出了分布式系统的三个指标，分别是：

• Consistency：一致性
• Availabel：可用性
• Partition tolerance：分区容错性

A. 一致性

• 通过某个节点的写操作结果对后面通过其他节点的读操作可见
• 如果更新数据后，并发访问情况下后续读操作能立即感知到更新，称为强一致性。
• 如果更新数据后，允许部分或者全部感知不到该更新，称为弱一致性。
• 若在之后的一段时间后，一定可以感知到更新，称为最终一致性。

 

 不一致性

 为了保持一致性

 

B. 可用性

1. 任何一个没有故障的节点必须在优先的时间内返回合理的结果。

C. 分区容错性

1. 部分节点宕机或者无法和其他节点通信时，各分区间还可保持分布式系统的功能。

 D. kafka中的CAP应用

　　kafka满足CAP定律的CA。kafka写数据写入到不同的分区，每个分区可能有很多的副本，数据首先写到leader副本里面去，读写操作都是在leader分区进行通信，保证了数据的一致性。然后kafka通过分区机制来保证当中数据的可用性，但是存在另外的一个问题，就是副本分区当中的数据与leader当中数据存在差别的问题如何解决，这个就是分区容错性的问题。

　　kafka为了解决这个问题，使用了ISR的同步策略来尽可能的减少Partition tolerance的问题。每个leader会维护一个ISR的列表，这个列表的作用就是决定哪些副本分区是可用的，也就是说leader的数据同步到那个副本分区里面去。决定一个分区是否可用是由两个因素（见下），如果FollowOver超过一定时间或者消息落后太多leader会将其从isr的列表移除

replica.lag.time.max.ms=10000     副本分区与主分区心跳时间延迟replica.lag.max.messages=4000    副本分区与主分区消息同步最大差

12. kafka的监控和运维

##启动
cd /export/servers/kafka-eagle-bin-1.3.2/kafka-eagle-web-1.3.2/bin
chmod u+x ke.sh
./ke.sh start
##进入网址
访问kafka-eagle
http://hadoop03:8048/ke/account/signin?/ke/
用户名：admin
密码：123456

 

 

 

 

 

 

 

 

 

 

 

 

 

补充：kafka消费消息为什么快？

1. 数据的存储按照队列的顺序进行存储

2. 采用页缓存（pagebuffer），系统级别的缓存。

3. 顺序读取数据（按照每一个分区）