`

Apache kafka原理与特性

阅读更多

前言: kafka是一个轻量级的/分布式的/具备replication能力的日志采集组件,通常被集成到应用系统中,收集"用户行为日志"等,并可以使用各种消费终端(consumer)将消息转存到HDFS等其他结构化数据存储系统中.因为日志消息通常为文本数据,尺寸较小,且对实时性以及数据可靠性要求不严格,但是需要日志存储端具备较高的数据吞吐能力,这种"宽松"的设计要求,非常适合使用kafka. 

一.入门

    1.1 简介

    Kafka是一个"分布式的"/"可分区的(partitioned)"/"基于备份的(replicated)"/"基于commit-log存储"的服务. 它提供了类似于JMS的特性,但是在设计实现上完全不同,此外它并不是JMS规范的实现.

    kafka消息是根据Topic进行归类,发送消息者成为Producer,消息接收者成为Consumer;此外kafka集群有多个kafka实例组成,每个实例(server)称为broker.

    无论是kafka集群,还是producer和consumer都依赖于zookeeper来保证系统可用性以及保存一些meta信息.

 

(摘自官网) 

    其中client与server的通讯,都是基于TCP,而且消息协议非常轻量级.

    Topics/logs

    一个Topic可以认为是一类消息,每个topic将被分成多个partition(区),每个partition在存储层面是append log文件.任何发布到此partition的消息都会直接追加到log文件的尾部,每条消息在文件中的位置称为offset(偏移量),offset为一个long型数字,它唯一的标记一条消息.kafka并没有提供其他额外的索引机制来存储offset,因为在kafka中几乎不允许对消息进行"随机读-写",一旦消息写入log日志之后,将不能被修改.



(摘自官网) 

    kafka和JMS实现(activeMQ)不同的是:即使消息被消费,消息仍然不会被立即删除.日志文件将会根据broker中的配置要求,保留一定的时间之后删除;比如log文件保留2天,那么两天后,文件会被清除,无论其中的消息是否被消费.kafka通过这种简单的手段,来释放磁盘空间.此外,kafka的性能并不会因为日志文件的太多而低下,所以即使保留较多的log文件,也不不会有问题.

    对于consumer而言,它需要保存消费消息的offset,对于offset的保存和使用,有consumer来控制;当consumer正常消费消息时,offset将会"线性"的向前驱动,即消息将依次顺序被消费.事实上consumer可以使用任意顺序消费消息,它只需要将offset重置为任意值..(offset将会保存在zookeeper中,参见下文)

    kafka集群几乎不需要维护任何consumer和producer状态信息,这些信息有zookeeper保存;因此producer和consumer的客户端实现非常轻量级,它们可以随意离开,而不会对集群造成额外的影响.

    partitions的设计目的有多个.最根本原因是kafka基于文件存储.通过分区,可以将日志内容分散到多个server上,来避免文件尺寸达到单机磁盘的上限,每个partiton都会被当前server(kafka实例)保存;可以将一个topic切分多任意多个partitions(备注:基于sharding),来消息保存/消费的效率.此外越多的partitions意味着可以容纳更多的consumer,有效提升并发消费的能力.(具体原理参见下文).

    Distribution

    一个Topic的多个partitions,被分布在kafka集群中的多个server上;每个server(kafka实例)负责partitions中消息的读写操作;此外kafka还可以配置每个partition需要备份的个数(replicas),每个partition将会被备份到多台机器上,以提高可用性.[replicas特性在0.8V才支持]

    基于replicated方案,那么就意味着需要对多个备份进行调度;一个partition可以在多个server上备份,那么其中一个server作为此partiton的leader;leader负责此partition所有的读写操作,如果leader失效,那么将会有其他follower来接管(成为新的leader);follower只是单调的和leader跟进,同步消息即可..由此可见作为leader的server承载了全部的请求压力,因此从集群的整体考虑,有多少个partitions就意味着有多少个"leader",kafka会将"leader"均衡的分散在每个实例上,来确保整体的性能稳定.[备注:kafka中将leader角色权限下放到partition这个层级]

 

kafka-cluster 

    Producers

    Producer将消息发布到指定的Topic中,同时Producer也能决定将此消息发送到哪个partition;如果一个Topic有多个partitions时,你需要选择partition是算法,比如基于"round-robin"方式或者通过其他的一些算法等.无论如何选择partition路由算法,我们最直接的目的就是希望消息能够均匀的发送给每个partition,这样可以让consumer消费的消息量也能"均衡".

    Consumers

    本质上kafka只支持Topic.每个consumer属于一个consumer group;反过来说,每个group中可以有多个consumer.对于Topic中的一条特定的消息,只会被订阅此Topic的每个group中的一个consumer消费,此消息不会发送给一个group的多个consumer;那么一个group中所有的consumer将会交错的消费整个Topic.

    如果所有的consumer都具有相同的group,这种情况和JMS queue模式很像;消息将会在consumers之间负载均衡.

    如果所有的consumer都具有不同的group,那这就是"发布-订阅";消息将会广播给所有的消费者.



(摘自官网) 

    在kafka中,一个partition中的消息只会被group中的一个consumer消费(同一时刻);每个group中consumer消息消费互相独立;我们可以认为一个group是一个"订阅"者,一个Topic中的每个partions,只会被一个"订阅者"中的一个consumer消费,不过一个consumer可以同时消费多个partitions中的消息.kafka只能保证一个partition中的消息被某个consumer消费时是顺序的.事实上,从Topic角度来说,当有多个partitions时,消息仍不是全局有序的.

    通常情况下,一个group中会包含多个consumer,这样不仅可以提高topic中消息的并发消费能力,而且还能提高"故障容错"性,如果group中的某个consumer失效,那么其消费的partitions将会有其他consumer自动接管.

    kafka的设计原理决定,对于一个topic,同一个group中不能有多于partitions个数的consumer同时消费,否则将意味着某些consumer将无法得到消息.

    Guarantees

    1) 发送到partitions中的消息将会按照它接收的顺序追加到日志中,无论一个partition由多少个log文件构成,那么它发送给consumer的顺序是一定的.

    2) 对于消费者而言,它们消费消息的顺序和日志中消息顺序一致.

    3) 如果Topic的"replication factor"为N,那么允许N-1个kafka实例失效.只要有一个replication存活,那么此partition的读写操作都不会中断.

 

    1.2 Use cases

    Messaging

    和一些常规的消息系统相比,kafka仍然是个不错的选择;它具备partitons/replication和容错,可以使kafka具有良好的扩展性和性能优势.不过到目前为止,我们应该很清楚认识到,kafka并没有提供JMS中的"事务性""消息传输担保(消息确认机制)""消息分组"等企业级特性;kafka只能使用作为"常规"的消息系统,在一定程度上,尚未确保消息的发送与接收绝对可靠(比如,消息重发,消息发送丢失等)

    Websit activity tracking

    kafka可以作为"网站活性跟踪"的最佳工具;可以将网页/用户操作等信息发送到kafka中.并实时监控,或者离线统计分析等.

    Log Aggregation

    kafka的特性决定它非常适合作为"日志收集中心";application可以将操作日志"批量""异步"的发送到kafka集群中,而不是保存在本地或者DB中;kafka可以批量提交消息/压缩消息等,这对producer端而言,几乎感觉不到性能的开支.此时consumer端可以使hadoop等其他系统化的存储和分析系统.

 

二. 设计原理

    kafka的设计初衷是希望做为一个统一的信息收集平台,能够实时的收集反馈信息,并需要能够支撑较大的数据量,且具备良好的容错能力.

    1.Persistence

    kafka使用文件存储消息(append only log),这就直接决定kafka在性能上严重依赖文件系统的本身特性.且无论任何OS下,对文件系统本身的优化是非常艰难的.文件缓存/直接内存映射等是常用的手段.因为kafka是对日志文件进行append操作,因此磁盘检索的开支是较小的;同时为了减少磁盘写入的次数,broker会将消息暂时buffer起来,当消息的个数(或尺寸)达到一定阀值时,再flush到磁盘,这样减少了磁盘IO调用的次数.对于kafka而言,较高性能的磁盘,将会带来更加直接的性能提升.

    2.Efficiency

    需要考虑的影响性能点很多,除磁盘IO之外,我们还需要考虑网络IO,这直接关系到kafka的吞吐量问题.kafka并没有提供太多高超的技巧;对于producer端,可以将消息buffer起来,当消息的条数达到一定阀值时,批量发送给broker;对于consumer端也是一样,批量fetch多条消息.不过消息量的大小可以通过配置文件来指定.对于kafka broker端,似乎有个sendfile系统调用可以潜在的提升网络IO的性能:将文件的数据映射到系统内存中,socket直接读取相应的内存区域即可,而无需进程再次copy和交换(这里涉及到"磁盘IO数据"/"内核内存"/"进程内存"/"网络缓冲区",多者之间的数据copy).

 

    其实对于producer/consumer/broker三者而言,CPU的开支应该都不大,因此启用消息压缩机制是一个良好的策略;压缩需要消耗少量的CPU资源,不过对于kafka而言,网络IO更应该需要考虑.可以将任何在网络上传输的消息都经过压缩.kafka支持gzip/snappy等多种压缩方式.

    3. Producer

    Load balancing

    kafka集群中的任何一个broker,都可以向producer提供metadata信息,这些metadata中包含"集群中存活的servers列表"/"partitions leader列表"等信息(请参看zookeeper中的节点信息). 当producer获取到metadata信心之后, producer将会和Topic下所有partition leader保持socket连接;消息由producer直接通过socket发送到broker,中间不会经过任何"路由层".事实上,消息被路由到哪个partition上,有producer客户端决定.比如可以采用"random""key-hash""轮询"等,如果一个topic中有多个partitions,那么在producer端实现"消息均衡分发"是必要的.在producer端的配置文件中,开发者可以指定partition路由的方式.

 

    Asynchronous send

    将多条消息暂且在客户端buffer起来,并将他们批量发送到broker;小数据IO太多,会拖慢整体的网络延迟,批量延迟发送事实上提升了网络效率;不过这也有一定的隐患,比如当producer失效时,那些尚未发送的消息将会丢失.

    4.Consumer

    consumer端向broker发送"fetch"请求,并告知其获取消息的offset;此后consumer将会获得一定条数的消息;consumer端也可以重置offset来重新消费消息.[备注:offset,消息偏移量,integer值,broker可以根据offset来决定消息的起始位置]

    在JMS实现中,Topic模型基于push方式,即broker将消息推送给consumer端.不过在kafka中,采用了pull方式,即consumer在和broker建立连接之后,主动去pull(或者说fetch)消息;这中模式有些优点,首先consumer端可以根据自己的消费能力适时的去fetch消息并处理,且可以控制消息消费的进度(offset);此外,消费者可以良好的控制消息消费的数量,batch fetch.

    其他JMS实现,消息消费的位置是有prodiver保留,以便避免重复发送消息或者将没有消费成功的消息重发等,同时还要控制消息的状态.这就要求JMS broker需要太多额外的工作.在kafka中,partition中的消息只有一个consumer在消费,且不存在消息状态的控制,也没有复杂的消息确认机制,可见kafka broker端是相当轻量级的.当消息被consumer接收之后,consumer可以在本地保存最后消息的offset,并间歇性的向zookeeper注册offset.由此可见,consumer客户端也很轻量级.

    这就意味着,kafka中consumer负责维护消息的消费记录,而broker则不关心这些,这种设计不仅提高了consumer端的灵活性,也适度的减轻了broker端设计的复杂度;这是和众多JMS prodiver的区别.此外,kafka中消息ACK的设计也和JMS有很大不同,kafka中的消息时批量(通常以消息的条数或者chunk的尺寸为单位)发送给consumer,当消息消费成功后,向zookeeper提交消息的offset,而不会向broker交付ACK.或许你已经意识到,这种"宽松"的设计,将会有"丢失"消息/"消息重发"的危险.

 

    5.Message Delivery Semantics

    对于JMS实现,消息传输担保非常直接:有且只有一次(exactly once).在kafka中稍有不同,对于consumer而言:

    1) at most once: 最多一次,这个和JMS中"非持久化"消息类似.发送一次,无论成败,将不会重发.

    2) at least once: 消息至少发送一次,如果消息未能接受成功,可能会重发,直到接收成功.

    3) exactly once: 消息只会发送一次.

    at most once: 消费者fetch消息,然后保存offset,然后处理消息;当client保存offset之后,但是在消息处理过程中consumer进程失效(crash),导致部分消息未能继续处理.那么此后可能其他consumer会接管,但是因为offset已经提前保存,那么新的consumer将不能fetch到offset之前的消息(尽管它们尚没有被处理),这就是"at most once".

    at least once: 消费者fetch消息,然后处理消息,然后保存offset.如果消息处理成功之后,但是在保存offset阶段zookeeper异常或者consumer失效,导致保存offset操作未能执行成功,这就导致接下来再次fetch时可能获得上次已经处理过的消息,这就是"at least once".

    exactly once: kafka中并没有严格的去实现(基于2阶段提交,事务),我们认为这种策略在kafka中是没有必要的.

    因为"消息消费"和"保存offset"这两个操作的先后时机不同,导致了上述3种情况,通常情况下"at-least-once"是我们搜选.(相比at most once而言,重复接收数据总比丢失数据要好).



 

    6. Replication

    kafka中,replication策略是基于partition,而不是topic;kafka将每个partition数据复制到多个server上,任何一个partition有一个leader和多个follower(可以没有);备份的个数可以通过broker配置文件来设定.leader处理所有的read-write请求,follower需要和leader保持同步.Follower就像一个"consumer",消费消息并保存在本地日志中;leader负责跟踪所有的follower状态,如果follower"落后"太多或者失效,leader将会把它从replicas同步列表中删除.当所有的follower都将一条消息保存成功,此消息才被认为是"committed",那么此时consumer才能消费它,这种同步策略,就要求follower和leader之间必须具有良好的网络环境.即使只有一个replicas实例存活,仍然可以保证消息的正常发送和接收,只要zookeeper集群存活即可.(备注:不同于其他分布式存储,比如hbase需要"多数派"存活才行)

    kafka判定一个follower存活与否的条件有2个:1) follower需要和zookeeper保持良好的链接 2) 它必须能够及时的跟进leader,不能落后太多.如果同时满足上述2个条件,那么leader就认为此follower是"活跃的".如果一个follower失效(server失效)或者落后太多,leader将会把它从同步列表中移除[备注:如果此replicas落后太多,它将会继续从leader中fetch数据,直到足够up-to-date,然后再次加入到同步列表中;kafka不会更换replicas宿主!因为"同步列表"中replicas需要足够快,这样才能保证producer发布消息时接受到ACK的延迟较小].

    当leader失效时,需在followers中选取出新的leader,可能此时follower落后于leader,因此需要选择一个"up-to-date"的follower.kafka中leader选举并没有采用"投票多数派"的算法,因为这种算法对于"网络稳定性"/"投票参与者数量"等条件有较高的要求,而且kafka集群的设计,还需要容忍N-1个replicas失效.对于kafka而言,每个partition中所有的replicas信息都可以在zookeeper中获得,那么选举leader将是一件非常简单的事情.选择follower时需要兼顾一个问题,就是新leader server上所已经承载的partition leader的个数,如果一个server上有过多的partition leader,意味着此server将承受着更多的IO压力.在选举新leader,需要考虑到"负载均衡",partition leader较少的broker将会更有可能成为新的leader.

    在整几个集群中,只要有一个replicas存活,那么此partition都可以继续接受读写操作.

    7.Log

    如果一个topic的名称为"my_topic",它有2个partitions,那么日志将会保存在my_topic_0和my_topic_1两个目录中;日志文件中保存了一序列"log entries"(日志条目),每个log entry格式为"4个字节的数字N表示消息的长度" + "N个字节的消息内容";每个日志都有一个offset来唯一的标记一条消息,offset的值为8个字节的数字,表示此消息在此partition中所处的起始位置..每个partition在物理存储层面,有多个log file组成(称为segment).segment file的命名为"最小offset".kafka.例如"00000000000.kafka";其中"最小offset"表示此segment中起始消息的offset.



(摘自官网) 

    其中每个partiton中所持有的segments列表信息会存储在zookeeper中.

    当segment文件尺寸达到一定阀值时(可以通过配置文件设定,默认1G),将会创建一个新的文件;当buffer中消息的条数达到阀值时将会触发日志信息flush到日志文件中,同时如果"距离最近一次flush的时间差"达到阀值时,也会触发flush到日志文件.如果broker失效,极有可能会丢失那些尚未flush到文件的消息.因为server意外失效,仍然会导致log文件格式的破坏(文件尾部),那么就要求当server启东是需要检测最后一个segment的文件结构是否合法并进行必要的修复.

    获取消息时,需要指定offset和最大chunk尺寸,offset用来表示消息的起始位置,chunk size用来表示最大获取消息的总长度(间接的表示消息的条数).根据offset,可以找到此消息所在segment文件,然后根据segment的最小offset取差值,得到它在file中的相对位置,直接读取输出即可.

    日志文件的删除策略非常简单:启动一个后台线程定期扫描log file列表,把保存时间超过阀值的文件直接删除(根据文件的创建时间).为了避免删除文件时仍然有read操作(consumer消费),采取copy-on-write方式.

    8.Distribution

    kafka使用zookeeper来存储一些meta信息,并使用了zookeeper watch机制来发现meta信息的变更并作出相应的动作(比如consumer失效,触发负载均衡等)

    1) Broker node registry: 当一个kafka broker启动后,首先会向zookeeper注册自己的节点信息(临时znode),同时当broker和zookeeper断开连接时,此znode也会被删除.

    格式: /broker/ids/[0...N]   -->host:port;其中[0..N]表示broker id,每个broker的配置文件中都需要指定一个数字类型的id(全局不可重复),znode的值为此broker的host:port信息.

    2) Broker Topic Registry: 当一个broker启动时,会向zookeeper注册自己持有的topic和partitions信息,仍然是一个临时znode.

    格式: /broker/topics/[topic]/[0...N]  其中[0..N]表示partition索引号.

    3) Consumer and Consumer group: 每个consumer客户端被创建时,会向zookeeper注册自己的信息;此作用主要是为了"负载均衡".

    一个group中的多个consumer可以交错的消费一个topic的所有partitions;简而言之,保证此topic的所有partitions都能被此group所消费,且消费时为了性能考虑,让partition相对均衡的分散到每个consumer上.

    4) Consumer id Registry: 每个consumer都有一个唯一的ID(host:uuid,可以通过配置文件指定,也可以由系统生成),此id用来标记消费者信息.

    格式: /consumers/[group_id]/ids/[consumer_id]

    仍然是一个临时的znode,此节点的值为{"topic_name":#streams...},即表示此consumer目前所消费的topic + partitions列表.

    5) Consumer offset Tracking: 用来跟踪每个consumer目前所消费的partition中最大的offset.

    格式: /consumers/[group_id]/offsets/[topic]/[broker_id-partition_id]   -->offset_value

    此znode为持久节点,可以看出offset跟group_id有关,以表明当group中一个消费者失效,其他consumer可以继续消费.

    6) Partition Owner registry: 用来标记partition正在被哪个consumer消费.临时znode

    格式: /consumers/[group_id]/owners/[topic]/[broker_id-partition_id]   -->consumer_node_id

    此节点表达了"一个partition"只能被group下一个consumer消费,同时当group下某个consumer失效,那么将会触发负载均衡(即:让partitions在多个consumer间均衡消费,接管那些"游离"的partitions)

 

    当consumer启动时,所触发的操作:

    A) 首先进行"Consumer id Registry";

    B) 然后在"Consumer id Registry"节点下注册一个watch用来监听当前group中其他consumer的"leave"和"join";只要此znode path下节点列表变更,都会触发此group下consumer的负载均衡.(比如一个consumer失效,那么其他consumer接管partitions).

    C) 在"Broker id registry"节点下,注册一个watch用来监听broker的存活情况;如果broker列表变更,将会触发所有的groups下的consumer重新balance.

 

    Consumer均衡算法

    当一个group中,有consumer加入或者离开时,会触发partitions均衡.均衡的最终目的,是提升topic的并发消费能力.

     1) 假如topic1,具有如下partitions: P0,P1,P2,P3

     2) 加入group中,有如下consumer: C0,C1

     3) 首先根据partition索引号对partitions排序: P0,P1,P2,P3

     4) 根据consumer.id排序: C0,C1

     5) 计算倍数: M = [P0,P1,P2,P3].size / [C0,C1].size,本例值M=2(向上取整)

     6) 然后依次分配partitions: C0 = [P0,P1],C1=[P2,P3],即Ci = [P(i * M),P((i + 1) * M -1)]



    总结: 

    1) Producer端使用zookeeper用来"发现"broker列表,以及和Topic下每个partition leader建立socket连接并发送消息.

    2) Broker端使用zookeeper用来注册broker信息,已经监测partition leader存活性.

    3) Consumer端使用zookeeper用来注册consumer信息,其中包括consumer消费的partition列表等,同时也用来发现broker列表,并和partition leader建立socket连接,并获取消息.

 

三.主要配置 

    1.Broker主要配置

Xml代码  收藏代码
  1. ##broker标识,cluster中,此ID必须唯一  
  2. broker.id=0  
  3. ##接受consumer/producer的链接端口  
  4. port=9092  
  5. ##用来维护集群状态,以及consumer消费记录  
  6. ##consumer和broker必须接入到同一个zk环境中.  
  7. zookeeper.connect=localhost:2181  
  8. zookeeper.connection.timeout.ms=30000  
  9. ##broker所能接受的消息的最大尺寸  
  10. ##producer不能发布更大尺寸的message  
  11. messages.max.bytes=1000000  
  12. ##broker在处理client请求是,允许开启的线程个数.默认为3.  
  13. num.network.threads=3  
  14. ##用于磁盘IO操作的线程的个数,默认为8,建议和磁盘的个数保持一致  
  15. num.io.threads=8  
  16. ##允许入队的最大请求数,"数据操作请求"首先加入队列,等待IO线程  
  17. ##进行磁盘操作获取数据,数据操作结束后,请求被移除队列并由network  
  18. ##线程响应给client端.此参数用于控制"等待IO处理的请求数".  
  19. queued.max.requests=500  
  20. #socket调优参数: sendBuffer (SO_SNDBUF)  
  21. socket.send.buffer.bytes=1048576  
  22. ##socket调优参数:receiveBuffer (SO_RCVBUFF)  
  23. socket.receive.buffer.bytes=1048576  
  24. # The maximum size of a request that the socket server will accept (protection against OOM)  
  25. socket.request.max.bytes=104857600  
  26. #################Log##########  
  27. log.dirs=/tmp/kafka-logs  
  28. ##每个topic的分区数.  
  29. ##kafka的特点就在于"分区",每个Topic被拆分成多个partitions  
  30. ##partitions可以被sharding到多个broker上,以提高并发能力和"可用性"  
  31. num.partitions=2  
  32. ##log文件片段的最大尺寸,每个partition(逻辑上)的数据都会被写入到磁盘的  
  33. ##log文件中(append only),此参数用于控制单个文件的大小.  
  34. ## 1024*1024*1024,1G  
  35. ##log.segment.bytes=  
  36.   
  37. ##log文件"sync"到磁盘之前累积的消息条数  
  38. ##因为磁盘IO操作是一个慢操作,但又是一个"数据可靠性"的必要手段  
  39. ##所以此参数的设置,需要在"数据可靠性"与"性能"之间做必要的权衡.  
  40. ##如果此值过大,将会导致每次"fsync"的时间较长(IO阻塞)  
  41. ##如果此值过小,将会导致"fsync"的次数较多,这也意味着整体的client请求有一定的延迟.  
  42. ##物理server故障,将会导致没有fsync的消息丢失.  
  43. ##默认值为10000  
  44. log.flush.interval.messages=10000  
  45. ##仅仅通过interval来控制消息的磁盘写入时机,是不足的.  
  46. ##此参数用于控制"fsync"的时间间隔,如果消息量始终没有达到阀值,但是离上一次磁盘同步的时间间隔  
  47. ##达到阀值,也将触发.  
  48. log.flush.interval.ms=1000  
  49. #对某些特定的topic而言,重写log.flush.interval.messages属性  
  50. ##log.flush.intervals.ms.per.topic=topic1:1000, topic2:3000  
  51.   
  52. ######################  
  53. ##是否自动创建topic  
  54. ##如果broker中没有topic的信息,当producer/consumer操作topic时,是否自动创建.  
  55. ##如果为false,则只能通过API或者command创建topic  
  56. auto.create.topics.enable=true  
  57. ##partition leader与replicas之间通讯时,socket的超时时间  
  58. controller.socket.timeout.ms=30000  
  59. ##partition leader与replicas数据同步时,消息的队列尺寸.  
  60. controller.message.queue.size=10  
  61. ##partitions的"replicas"个数,不得大于集群中broker的个数  
  62. default.replication.factor=1  
  63. ##partition Leader和follower通讯时,如果在此时间内,没有收到follower的"fetch请求"  
  64. ##leader将会认为follower"失效",将不会与其同步消息.[follower主动跟随leader,并请求同步消息]  
  65. replica.lag.time.max.ms=10000  
  66. ##如果follower落后与leader太多,将会认为此follower[或者说partition relicas]已经失效  
  67. ##通常,在follower与leader通讯时,因为网络延迟或者链接断开,总会导致replicas中消息同步滞后  
  68. ##如果消息之后太多,leader将认为此follower网络延迟较大或者消息吞吐能力有限,将会把此replicas迁移  
  69. ##到其他follower中.  
  70. ##在broker数量较少,或者网络不足的环境中,建议提高此值.  
  71. replica.lag.max.messages=4000  
  72. ##follower与leader之间的socket超时时间  
  73. replica.socket.timeout.ms=30000  
  74. ##1024*1024,follower每次fetch数据的最大尺寸  
  75. ##没有意义的参数  
  76. replica.fetch.max.bytes=1048576  
  77. ##当follower的fetch请求发出后,等待leader发送数据的时间.  
  78. ##超时后,将会重新fetch.  
  79. replica.fetch.wait.max.ms=500  
  80. ##fetch的最小数据尺寸,如果leader中尚未同步的数据不足此值,将会阻塞,直到满足条件  
  81. replica.fetch.min.bytes=1  
  82. ##follower中开启的fetcher线程数,增加此值可以提高数据同步到速度,但也额外的增加了leader的IO负荷.  
  83. num.replica.fetchers=1  
  84. ###########################  
  85. ##检测log文件的时间间隔  
  86. log.cleanup.interval.mins=1  
  87. ##log文件被保留的时长,如果超过此时长,将会被清除,无论log中的消息是否被消费过.  
  88. log.retention.hours=168  

 

    2.Consumer主要配置

 

Java代码  收藏代码
  1. ##当前消费者的group名称,需要指定  
  2. ##消息的消费进度,是根据group来划定的  
  3. group.id=  
  4. ##consumer作为zookeeper client,需要通过zk保存一些meta信息,  
  5. ##比如consumer消费的消息offset等.  
  6. ##必须和broker使用同样的zk配置  
  7. zookeeper.connect=hostname1:port,hostname2:port2  
  8. zookeeper.session.timeout.ms=6000  
  9. zookeeper.connection.timeout.ms=6000  
  10. zookeeper.sync.time.ms=2000  
  11. ##当前consumer的标识,可以设定,也可以有系统生成.  
  12. ##主要用来跟踪消息消费情况,便于观察  
  13. conusmer.id=  
  14. ##获取消息的最大尺寸,broker不会像consumer输出大于此值的消息chunk  
  15. ##每次feth将得到多条消息,此值为总大小  
  16. ##提升此值,将会消耗更多的consumer端内存  
  17. fetch.messages.max.bytes=1048576  
  18. ##broker发送给consumer的最小数据尺寸,如果消息尺寸不足,将会等待,直到满足.  
  19. fetch.min.bytes=1  
  20. ##当消息的尺寸不足时,server阻塞的时间,如果超时,消息将立即发送给consumer.  
  21. fetch.wait.max.ms=100  
  22. queued.max.message.chunks=10  
  23. ##当有新的consumer加入到group时,将会reblance,此后将会有partitions的消费端迁移到新  
  24. ##的consumer上,如果一个consumer获得了某个partition的消费权限,那么它将会向zk注册  
  25. ##"Partition Owner registry"节点信息,但是有可能此时旧的consumer尚没有释放此节点,  
  26. ##此值用于控制,注册节点的重试次数.  
  27. rebalance.max.retries=4  
  28. ##当consumer消费一定量的消息之后,将会自动向zookeeper提交offset信息  
  29. ##注意offset信息并不是每消费一次消息就向zk提交一次,而是现在本地保存(内存),并定期提交  
  30. auto.commit.enable=true  
  31. ##自动提交的时间间隔,默认为1分钟.  
  32. auto.commit.interval.ms=60*1000  

 

   3.Producer主要配置

 

Java代码  收藏代码
  1. ##对于开发者而言,需要通过broker.list指定当前producer需要关注的broker列表  
  2. ##producer通过和每个broker链接,并获取partitions,  
  3. ##如果某个broker链接失败,将导致此上的partitons无法继续发布消息  
  4. ##格式:host1:port,host2:port2,其中host:port需要参考broker配置文件.  
  5. ##对于producer而言没有使用zookeeper自动发现broker列表,非常奇怪。(0.8V和0.7有区别)  
  6. metadata.broker.list=  
  7. ##producer接收消息ack的时机.默认为0.  
  8. ##0: producer不会等待broker发送ack  
  9. ##1: 当leader接收到消息之后发送ack  
  10. ##2: 当所有的follower都同步消息成功后发送ack.  
  11. request.required.acks=0  
  12. ##在向producer发送ack之前,broker允许等待的最大时间  
  13. ##如果超时,broker将会向producer发送一个error ACK.意味着上一次消息因为某种  
  14. ##原因未能成功(比如follower未能同步成功)  
  15. request.timeout.ms=10000  
  16. ##producer消息发送的模式,同步或异步.  
  17. ##异步意味着消息将会在本地buffer,并适时批量发送  
  18. ##默认为sync,建议async  
  19. producer.type=sync  
  20. ##消息序列化类,将消息实体转换成byte[]  
  21. serializer.class=kafka.serializer.DefaultEncoder  
  22. key.serializer.class=${serializer.class}  
  23. ##partitions路由类,消息在发送时将根据此实例的方法获得partition索引号.  
  24. ##默认为消息的hashcode % partitions个数  
  25. partitioner.class=kafka.producer.DefaultPartitioner  
  26.   
  27. ##消息压缩算法,none,gzip,snappy  
  28. compression.codec=none  
  29. ##消息在producer端buffer的条数.仅在producer.type=async下有效  
  30. batch.num.messages=200  
  31. ##在async模式下,当message被缓存的时间超过此值后,将会批量发送给broker  
  32. ##此值和batch.num.messages协同工作.  
  33. queue.buffering.max.ms=5000  
  34. ##在async模式下,producer端允许buffer的最大消息量  
  35. ##无论如何,producer都无法尽快的将消息发送给broker,从而导致消息在producer端大量沉积  
  36. ##此时,如果消息的条数达到阀值,将会导致producer端阻塞或者消息被抛弃.  
  37. queue.buffering.max.messages=10000  
  38. ##当消息在producer端沉积的条数达到"queue.buffering.max.meesages"后  
  39. ##阻塞一定时间后,队列仍然没有enqueue(producer仍然没有发送出任何消息)  
  40. ##此时producer可以继续阻塞或者将消息抛弃,此timeout值用于控制"阻塞"的时间  
  41. ##-1: 无阻塞超时限制,消息不会被抛弃  
  42. ##0:立即清空队列,消息被抛弃  
  43. queue.enqueue.timeout.ms=-1  
  44. ##当producer接收到error ACK,或者没有接收到ACK时,允许消息重发的次数  
  45. ##因为broker并没有完整的机制来避免消息重复,所以当网络异常时(比如ACK丢失)  
  46. ##有可能导致broker接收到重复的消息.  
  47. message.send.max.retries=3  
  48. ##producer刷新topic metada的时间间隔  
  49. ##producer需要知道partition leader的位置,以及当前topic的情况  
  50. ##因此producer需要一个机制来获取最新的metadata,当producer遇到特定错误时,将会立即刷新  
  51. ##(比如topic失效,partition丢失,leader失效等),此外也可以通过此参数来配置额外的刷新机制  
  52. topic.metadata.refresh.interval.ms=600000  

 

 

    broker配置文件请参考: kafka.server.KafkaConfig

    consumer配置文件请参考: kafka.consumer.ConsumerConfig

    producer配置文件请参考: kafka.producer.ProducerConfig

 

分享到:
评论

相关推荐

    Apache Kafka Cookbook(PACKT,2015)

    《Apache Kafka Cookbook》是由PACKT在2015年出版的一本...通过阅读《Apache Kafka Cookbook》,无论是初学者还是经验丰富的开发者,都能深入理解Kafka的工作原理,掌握其实战技能,并能有效应对各种应用场景下的挑战。

    apache kafka pdf下载

    由于Kafka的这些特性,它在大数据处理和实时数据管道领域得到了广泛的应用。Kafka作为一个开源项目,最初由LinkedIn公司开发,并于2011年开源发布。2012年成为Apache软件基金会的开源项目。它最初是为了实现LinkedIn...

    Apache Kafka.pdf

    ### Apache Kafka 知识点概览 #### 一、引言 Apache Kafka 是一款开源的流处理平台,由 LinkedIn 开发并捐赠给 Apache 软件基金会。它以一种高吞吐量、低延迟的方式处理实时数据流,并支持可扩展性、持久性和容错性...

    kafka细心原理与实战

    ### Kafka核心原理与实战 #### 一、Kafka概述与特点 Kafka是一款开源的分布式消息系统,由LinkedIn开发并在2011年开源,现在是Apache顶级项目。其主要设计目的是为了提供一种高吞吐量、低延迟的发布订阅模型,适用...

    Apache Kafka实战.pdf--有新特性的介绍-强烈推荐

    《Apache Kafka实战》共分为10章:第1章全面介绍消息引擎系统以及Kafka的基本概念与特性,快速带领读者走进Kafka的世界;第2章简要回顾了Apache Kafka的发展历史;第3章详细介绍了Kafka集群环境的搭建;第4、5章深入...

    Apache Kafka 3.0.0 (kafka-3.0.0-src.tgz)

    Apache Kafka 3.0.0 是一款强大的开源分布式事件流处理平台,它的核心特性在于提供高吞吐量、低延迟的消息传递服务。这个版本的Kafka源代码(kafka-3.0.0-src.tgz)是开发人员深入了解和定制Kafka内部机制的重要资源...

    Apache Kafka

    在集成方面,Apache Kafka可以与Apache Hadoop和Apache Storm等大数据处理工具无缝集成,这样能够处理流数据和批量数据的整合。文档将提供如何实现这种集成的指导。 Kafka也配备了管理工具,这些工具可以帮助用户...

    Introduction to Apache Kafka.pdf

    ### Apache Kafka介绍与核心知识点详解 #### 一、Apache Kafka概览 **Apache Kafka**是一种分布式提交日志服务,广泛应用于数据摄入场景。它提供了一系列关键特性,包括可扩展性、高性能、高可靠性和灵活性。从...

    Apache Kafka 3.1.0 (kafka-3.1.0-src.tgz)

    - **理解原理**:通过源代码,开发者能深入了解Kafka如何处理消息的存储、复制、消费等核心操作。 - **自定义开发**:对于有特殊需求的场景,可以修改源代码实现特定功能。 - **贡献社区**:了解源代码后,有能力...

    Apache Kafka实战 高清PDF(带完整的目录标签)

    Apache Kafka实战 高清PDF(带完整的目录标签。 style Apache Kafka实战 高清PDF...包括Kafka基本概念与特性以及部署、开发、运营、监控、调试、优化以及重要组件的设计原理,并给出了翔实的案例。 Kafka 1.0 胡夕。

    Apache Kafka 2.8.1 (kafka-2.8.1-src.tgz源代码)

    Apache Kafka 2.8.1 是一款高度可扩展和高吞吐量的分布式消息系统,由Apache软件基金会开发。作为源代码版本,`kafka-2.8.1-src.tgz` 包含了构建和自定义Kafka所需的所有文件,使得开发者能够深入理解其内部工作原理...

    kafka概述及原理.pdf

    ### Apache Kafka概述及原理 #### 一、Apache Kafka简介 Apache Kafka是一款开源的分布式流处理平台,由LinkedIn公司创建,并于2011年捐赠给Apache软件基金会,现已成为Apache顶级项目之一。Kafka主要用于构建实时...

    Apache Kafka面试题

    #### 四、Kafka 实现高吞吐的原理 **4.1 技术基础** - **操作系统页缓存**: 利用OS的页缓存机制,而非JVM内部缓存,提高了内存利用率。 - **SendFile 技术**: 采用零拷贝技术,减少了CPU负载和内存复制操作。 - **...

    Learning.Apache.Kafka.2nd.Edition.2015.2.pdf

    ### Apache Kafka 学习指南第二版(2015年)关键知识点解析 #### 一、书籍概述 ...通过阅读本书,读者可以系统地了解Kafka的工作原理、架构设计以及如何在实际项目中应用Kafka来解决大数据处理问题。

    Apache Flink结合Apache Kafka实现端到端的一致性语义

    综上所述,Apache Flink 结合 Apache Kafka 实现端到端的一致性语义是一个复杂的过程,需要对两个系统的特性和交互有深入的理解。通过正确配置和实现上述提到的关键步骤,可以有效地实现数据处理的一致性,从而构建...

    4 链表在 Apache Kafka 中的应用 1

    链表作为数据结构在计算机科学中的应用广泛,Kafka 也利用了链表的一些特性来优化其内部实现。在这个主题中,我们将探讨链表如何在 Apache Kafka 中发挥作用。 首先,Kafka 的核心组件之一是它的消息队列,它存储和...

    (高清版)深入理解Kafka:核心设计与实践原理.zip

    《深入理解Kafka:核心设计与实践原理》是一本深入探讨Apache Kafka这一分布式流处理平台的专业书籍。Kafka是目前大数据领域中广泛使用的实时数据处理工具,它在消息队列、日志聚合以及流处理等多个场景下发挥着关键...

    Kafka源码解析与实战-高清-完整目录-2018年1月

    标题中提到的“Kafka源码解析与实战”指向了关于Apache Kafka这个开源流处理平台的深入分析和应用实践。Apache Kafka是一个分布式流处理平台,最初是由LinkedIn公司开发,并于2011年开源。它主要用于构建实时数据...

    apache-atlas-2.2.0-kafka-hook.tar.gz

    Apache Atlas Kafka Hook 的工作原理是监听 Atlas 中的元数据变更事件,如创建、更新或删除数据实体,然后将这些事件转化为 Kafka 消息,发布到预设的 Kafka 主题。Kafka 的消费者可以订阅这些主题,从而获取并处理...

    Kafka技术内幕:图文详解Kafka源码设计与实现+书签.pdf+源码

    《Kafka技术内幕:图文详解Kafka源码设计与实现》是一本深入解析Apache Kafka的专著,旨在帮助读者理解Kafka的核心设计理念、内部机制以及源码实现。这本书结合图文并茂的方式,使得复杂的概念变得更为易懂。同时,...

Global site tag (gtag.js) - Google Analytics