前置：熟悉javase，熟悉linux，熟悉idea，熟悉hadoop

1. KafKa

1.1 KafKa定义

前端埋点记录用户（浏览，点赞，收藏，评论）到日志服务器，然后通过Flume（小于100m/s）将大日志文件导入到Hadoop集群，每产生一个日志就发送到hadoop（上传100m/s）中。
秒杀活动：Flume采集速度大于200ms/s，就需要KafKa集群。
kafka
Kafka传统定义：一个分布式的基于发布/订阅的消息队列（MessageQueue），主要用于大数据实时处理领域。
发布/订阅：消息的发布者不会将消息直接发送给特定的订阅者，而是将发布的消息分为不同的类别，订阅者只接收感兴趣的消息。
Kafka最新定义：一个开源的分布式事件流平台（EventStreamingPlatform），用于高性能数据管道，流分析，数据集成和关键任务应用。

1.2消息队列

常见消息队列：Kafka，ActiveMQ，RabbitMQ，RocketMQ，大数据场景主要采用Kafka。

1.2.1 传统消息队列应用

缓存/削峰，解耦和异步通信。
缓冲/削峰：控制和优化数据流速度，解决生产和消费消息处理速度不一致的情况。
解耦：独立的扩展或修改两边的处理过程，只要确保他们遵循同样的接口约束。
数据解耦
异步通信：允许用户把一个消息放入队列，但并不立即处理它，然后再需要的时候再去处理。

1.2.2 消息队列的两种模式

点对点模式消费者主动拉取数据，消息收到后清除消息。
发布/订阅模式

可以有多个topic主题（浏览，点赞，收藏，评论）
消费者消费数据之后，不删除数据
每个消费者独立，都可以消费数据

1.3 KafKa基础架构

KafKa架构

为方便扩展，提高吞吐量（大数据量），一个topic分为多个partition
配合分区的设计，提出消费者组（多消费）的概念，组内每个消费者并行消费，注意：某一个分区数据只能由一个消费者消费，防止会出现混乱
为提高可用性，为每个partition增加若干副本，类似NameNode HA，leader挂了后才会用副本。
ZK中记录谁是leader，Kafka2.8.0后可不采用ZK，用kraft

2. KafKa快速入门

2.1 安装部署

2.1.1 集群规划

hadoop102	hadoop103	hadoop104
ZK	ZK	ZK
Kafka	Kafka	Kafka

2.1.2 集群部署

注意：(在server.properties中修改)每个kafka在集群中的broker.id一定要唯一，修改log.dirs地址，修改zookeeper.connect地址
注意：一定要先关kafka，再关zookeeper

官方地址：http://kafka.apache.org/downloads.html
解压，修改文件名，修改配置文件

2.2.2 集群启停脚本

--kf.sh
#!/bin/bash
case $1 in
"start")
	for i in hadoop1 hadoop2 hadoop3
	do
		echo "---启动 $i kafka---"
		ssh $i"/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties"
	done
;;
"stop")
	for i in hadoop1 hadoop2 hadoop3
	do
		echo "---启动 $i kafka---"
		ssh $i"/opt/module/kafka/bin/kafka-server-stop.sh"
	done
;;
esac

chomod 777

2.2 Kafka命令行操作

2.2.1 主题命令行操作

查看操作主题命令： bin/kafka-topics.sh
连接的kafkaBroker主机名端口：–bootstarp-server<String:server toconnect to>
操作topic名称：–topic String:topic
创建主题：–create
删除主题：–delete
修改主题：–alter
查看主题：–list
查看详情 --describe
设置分区数 --partitions<Integer:# of partitions>
设置分区副本：–replication-factor<Integer:replication factor>
查看当前服务器中的所有topic：bin/kafka-topics.sh --bootstrap-server localhost:9092 --list
创建first topic：bin/kafka-topics.sh --bootstrap-server

进入kafka目录下，不用进入bin目录下

-- 查看所有topic

.\bin\windows\kafka-topics.bat --zookeeper localhost:2181 --list

-- 查看指定topic信息

.\bin\windows\kafka-topics.bat --zookeeper localhost:2181 --describe --topic test

-- 创建topic信息

.\bin\windows\kafka-topics.bat --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test

-- 创建生产者产生消息，不关闭页面

.\bin\windows\kafka-console-producer.bat --broker-list localhost:9092 --topic test

-- 创建消费者接收消息，不关闭页面

.\bin\windows\kafka-console-consumer.bat --bootstrap-server localhost:9092 --topic test --from-beginning

-- 删除topic：

.\bin\windows\kafka-topics.bat kafka.admin.DeleteTopicCommand --zookeeper localhost:2181 --delete --topic test

2.2.2 生产者命令行操作

生产者发送：bin/kafka-console-producer.sh --bootstrap-server localhost:9092 -topic first

2.2.3 消费者命令行操作

消费者消费：bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 -topic first
查看历史数据：bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 -topic first-beginning

3 KafKa生产者

3.1 生产者消息发送流程

3.1.1 发送原理

在消息发送过程中有2线程，main和sender。main中创建一个双端队列RecordAccumulator。main将消息发给队列，Sender线程从中拉取消息发送到Kafka Broker。
Kafka发送
DQueue中数据发给Send条件：

batch.size：数据累计到batch.size，sender就会发送数据。默认16k
linger.ms：如果数据没达到batch.size，sender在linger.ms时间后也会发送数据，单位ms，默认0ms，没有延时。
应答ack级别：
0：生产者发送的数据不需要等待数据落盘应答
1：生产者发送的数据Leader收到数据后应答
-1（all）：生产者发送的数据，Leader和ISR队列里所有的节点收齐数据后应答。-1和all等价。

3.1 异步发送API

3.2.1 普通异步发送

需求：创建Kafka生产者，采用异步的方式发送到Kafka Broker
注：windows下创建topic： bin目录windows下执行：.\kafka-topics.bat --delete --bootstrap-server 127.0.0.1:9092 --topic test

public class CustomProducer {
    public static void main(String[] args) {
        //0.配置
        Properties properties = new Properties();
        //连接kafka
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092");
        //指定对应的ke和value序列化类型
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
        //1.创建kafka生产者对象
        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(properties);
        //2.发送数据
        for (int i = 0; i < 5; i++) {
            kafkaProducer.send(new ProducerRecord<String, String>("first", "xuyu" + i));
        }
        //3.关闭资源
        kafkaProducer.close();
    }
}

3.2.1 带回调函数的异步发送

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：元数据信息（RecordMetadata）和异常信息（Exception），如果Exception为null，说明发送成功。
只需在send()方法上添加callback参数即可。

kafkaProducer.send(new ProducerRecord<String, String>("first", "xuyu" + i), new Callback() {
	@Override
	public void onCompletion(RecordMetadata recordMetadata, Exception e) {
		if(e == null){
			System.out.println("主题：" + recordMetadata.topic() + "分区：" + recordMetadata.partition());
		}
	}
);

3.3 同步发送API

只需在异步发送的基础上，再调用get()方法即可。

kafkaProducer.send(new ProducerRecord<String, String>("first", "xuyu" + i)).get();

3.4 生产者分区

3.4.1 分区好处

便于合理使用资源，每个partition在一个Broker上存储，可把海量数据按照分区切割成一块一块的数据存储在多台Broker上，合理控制分区，可实现负载均衡的效果。
提高并行度，生产者可以分区为单位发送数据，消费者可以分区为单位进行消费。

3.4.2 生产者发送消息的分区策略

默认的分区器DefaultPartitioner(源码:IDEA中ctrl+n，全局查找DefaultPartitioner)

有设置分区，则有设置值。
没设置分区，将key的hash与topic的partition数进行取余得到partition值。
没设置分区，也没有key，则用粘性分区，随机选择一分区，待该分区batch满了，kafka再随机一个分区。

3.4.2 自定义分区

如果根据企业需求，自己实现分区器。

需求
将发送过来的数据如果包含x，就发往0号分区，否则发往1号分区。
实现

/**
 * @author 自定义分区器
 */
public class MyPartitioner implements Partitioner {
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        //获取数据
        String msgValue = value.toString();
        int partition;
        if (msgValue.contains("x")) {
            partition = 0;
        } else {
            partition = 1;
        }
        return partition;
    }
    @Override
    public void close() {}
    @Override
    public void configure(Map<String, ?> map) {}
}
//使用：关联自定义分区器
properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG, "com/xuyu/kafka/producer/config/MyPartitioner.java");

3.5 生产经验-如何提高吞吐量

从生产者到kafka集群broker仓库本来一次只发送一个data包数据，修改batch.size(批次大小，默认16k)，linger.ms(等待时间，修改为5-100ms)使等待时间和发送数据量增大。同时使用compression.type(压缩snappy)将数据压缩。并将RecordAccumulator(缓冲区大小，修改为64m)调大。

public class CustomProducerParameters {
    public static void main(String[] args) {
        //0. 配置
        Properties properties = new Properties();
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092"); //连接/集群
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());  //key序列化
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());  //value序列化
        //优化参数
        properties.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);  //缓冲区大小，默认32M
        properties.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);  //批次大小,默认16K
        properties.put(ProducerConfig.LINGER_MS_CONFIG, 1);  //linger.ms 等待时间，默认0
        properties.put(ProducerConfig.COMPRESSION_TYPE_CONFIG, "snappy");  //压缩，默认none，可选gzip，snappy，lz4，zstd
        //1. 创建生产者
        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(properties);
        //2. 发送
        for (int i = 0; i < 5; i++) {
            kafkaProducer.send(new ProducerRecord<String, String>("first", "xuyu" + i));
        }
        //3. 关闭
        kafkaProducer.close();
    }
}

3.6 生产经验-数据可靠性

acks应答原理
ACK应答级别
0：生产者发送过来的数据，不需要等数据落盘应答。
问题：当Producer数据到leader内存中，服务器挂掉，数据会丢失，效率高。
1：生产者发送夺来的数据，Leader收到数据后应答。
问题：当Producer数据到Leader内存中，应答完成后还没开始同步副本就挂掉了，新的leader不会收到这个信息，因为生产者已经认为发送成功了，数据会丢失，效率中等。

-1（all）：生产者发送过来的数据，Leader和ISR队列里所有节点都收到数据后应答。

问题：Leader收到数据，ISR队列所有Follower都同步到数据，可靠性高，效率低，但有一个长时间没有同步到,怎么办？
解决：Leader维护了一个动态的in-sync replica set(ISR)，意为和Leader保持同步的Follower+Leader集合(leader:0 isr:0,1,2)，如果Follower长时间未向Leader发送通信请求或同步数据，则该follower将被踢出ISR。该时间阈值由replica.lag.time.max.ms参数设定，默认30s。
数据可靠性分析：如果分区副本设置为1，或ISR里应答的最小副本数为1(min.insync.replicas默认1)，和ack=1的效果是一样的，仍会丢失数据(leader:0 isr:0)。
数据完全可靠条件 = ACK级别设置为-1 + 分区副本>=2 + ISR里应答的最小副本数>=2
结论：生产环境中，ack=0不用，ack=1用于日志传输，ack=-1用于传输和钱相关的数据，对可靠性要求高的场景。

        //acks
        properties.put(ProducerConfig.ACKS_CONFIG, "1");  //ack参数，默认-1 可选0，1，-1
        properties.put(ProducerConfig.RETRIES_CONFIG, 3);  //重试次数，默认int最大值21亿

数据重复分析：生产者发送过来的数据，Leader和ISR队列中所有节点收到数据后，leader挂了，没有返回ack，选出新的leader重复收到相同的数据。解决见下文。

3.7 生产经验-数据去重

3.7.1 数据传递语义

至少一次(At LEadtest Once)：ACK级别设置为-1 + 分区副本>=2 + ISR里应答的最小副本数>=2，可保证数据不丢失，不能保证数据不重复。
至多一次(At Most Once)：ACK级别设置为0，可保证数据不重复，不能保证数据不丢失。
精确一次(Exactly Once)：重要数据，既不能重复也不能丢失。
Kafka 0.11版本后，引入幂等性和事务。

3.7.2 幂等性

幂等原理
幂等性指Producer不论向Broker发送多少次重复数据，Broker端只会持久化一条，保证不重复。
精确一次(Exactly Once) = 幂等性 + 至少一次(ack = -1 + 分区副本数>=2 + ISR最小副本数量>=2)。
重复数据判断依据：具有<PID，Partition，SeqNumber>相同主键的消息提交时，Broker只会持久化一条。其中PID是Kafka每次重启都会分配一个新的；Partition表示分区号；Sequence Number是单调自增的。所以幂等性只能保证在单分区单会话内不重复。
如何使用幂等性
开启参数enable.idempotence默认为true。

3.2.3 生产者事务

Kafka事务原理
说明：开启事务必须开启幂等性。
Producer在使用事务功能前，必须先自定义一个唯一的transactional.id。有此id，即使客户端挂掉，它重启后也能继续处理未完成的事务。
Kafka的事务的5个API
void initTransactions(); 初始化事务
void beginTransaction(); 开启事务
void sendOffsetsToTransaction(Map<TopicPartition, OffsetAndMetadata> offsets, String consumerGroupId); 在事务内提交已经消费的偏移量（主要用于消费者）
void commitTransaction(); 提交事务
void abortTransaction(); 放弃事务（回滚）
单个Producer，使用事务保证消息仅一次发送。

public class CustomProducerTransactions {
    public static void main(String[] args) {
        //0.配置
        Properties properties = new Properties();
        //连接kafka
        properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");
        //指定对应的ke和value序列化类型
        properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
        properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
        properties.put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "transaction_id_1");  //指定事务id
        //1.创建kafka生产者对象
        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(properties);
        //添加事务
        kafkaProducer.initTransactions();
        kafkaProducer.beginTransaction();
        try {
            //2.发送数据
            for (int i = 0; i < 5; i++) {
                kafkaProducer.send(new ProducerRecord<String, String>("first", "xuyu" + i));
            }
            kafkaProducer.commitTransaction();
        } catch (Exception e) {
            kafkaProducer.abortTransaction();
        } finally {
            //3.关闭资源
            kafkaProducer.close();
        }
    }
}

3.8 生产经验-数据有序

单分区有序
单分区内有序：有条件，见下文
多分区，分区与分区间无序。

3.8 生产经验-数据乱序

kafka在1.x版本之前保证数据单分区有序，条件：max.in.flight.requests.per.connection=1(不需要考虑是否开启幂等)
kafka在1.x以及后版本保证数据单分区有序，条件：

未开幂等性：max.in.flight.requests.per.connection=1
开启幂等性：max.in.flight.requests.per.connection需要设置<=5
原因：在kafka1.x后，启用幂等，kafka服务端会缓存producer发来的最近的5个request的元数据进行重排序，无论如何，都可保证最近5个request有序。因为幂等性的pid可保证。类似tcp数据校验