生产者发送消息的流程
发送原理
在消息发送的过程中,涉及到了两个线程:main 线程和 Sender 线程。
在 main 线程中创建了一个双端队列 RecordAccumulator。
main 线程将消息发送给双端队列,Sender 线程不断从双端队列中拉取消息发送到 Kafka Broker。
batch.size:数据积累到 batch.size 之后,sender 才会发送数据。batch.size 的值默认为:16k
linger.ms:如果数据迟迟未达到 batch.size,sender 等待 linger.ms 设置的时间到了之后就会发送数据。
linger.ms 的单位是:ms,默认值是:0 ms,表示没有延迟。
sender 线程发送数据的时机:要么数据积累到了 batch.size 值的大小,要么等待时间达到了 linger.ms 值。
Kafka 的应答级别:
- 0:生产者发送过来的数据,不需要等数据落盘就应答。
- 1:生产者发送过来的数据,Leader 收到数据后就应答。
- -1:生产者发送过来的数据,Leader 和 ISR 队列里面的所有节点都收到数据后应答。(-1 和 all 等价)
生产者重要参数列表
| 参数名称 | 描述 | | —- | —- | | bootstrap.servers | 生产者连接集群所需的 broker 地址清单。
例如:hadoop102:9092,hadoop103:9092,hadoop104:9092,
可以设置 1 个或多个,中间用逗号隔开。
注意这里并非需要所有的 broker 地址,
因为生产者从给定的 broker 里查找到其他 broker 信息。 | | key.serializer 和 value.serializer | 指定发送消息的 key 和 value 的序列化类型。
一定要写全类名。 | | buffer.memory | 双端队列 RecordAccumulator 缓冲区总大小,默认值为:32m。 | | batch.size | 缓冲区一批数据的最大值,默认值为:16k。
适当增加该值,可以提高吞吐量,
但是如果该值设置太大,会导致数据传输延迟增加。 | | linger.ms | 如果数据未达到 batch.size,sender 等待 linger.time 后就会发送数据。
单位 ms,默认值是 0ms,表示没有延迟。
生产环境建议该值大小为 5-100ms 之间。 | | acks | 0:生产者发送过来的数据,不需要等数据落盘应答。
1:生产者发送过来的数据,Leader 收到数据后应答。
-1:生产者发送过来的数据,Leader 和 ISR 队列里面的所有节点都收到数据后应答。该参数的默认值是:-1,-1 和 all 是等价的。 | | max.in.flight.requests.per.connection | 允许最多没有返回 ack 的次数,默认值为:5,
开启幂等性要保证该值是 1-5 的数字。 | | retries | 当消息发送出现错误的时候,系统会重发消息。
retries 表示重试次数。默认值为:int 的最大值,2147483647。
如果设置了重试,还想保证消息的有序性,需要设置
MAX_IN_FLIGHT_REQUESTS_PER_CONNECTION=1
否则在重试此失败消息的时候,其他的消息可能发送成功了。 | | retry.backoff.ms | 两次重试之间的时间间隔,默认值为:100ms。 | | enable.idempotence | 是否开启幂等性,默认值为:true,开启幂等性。 | | compression.type | 生产者发送的所有数据的压缩方式。默认值为:none,也就是不压缩。
支持的压缩类型:none、gzip、snappy、lz4 和 zstd。 |
使用 Java 程序操作 Kafka
对云服务器的操作:开放:9092 端口
配置参考博客
对 Kafka 需要修改 kafka/config/server.properties 配置文件中的 advertised.listeners 才能使得 Kafka 集群能被远程客户端访问。advertised.listeners=PLAINTEXT://<公网IP>:9092
(写的时候不加 <> 尖括号)
此配置选项的作用就是:为客户端提供监听服务,如果不配置会默认设置为 localhost,但是云服务器的 IP 地址分为内外和外网,localhost 是内网地址。因此无法通过 Java 客户端访问到 Kafka 集群,因此将此配置项配置为此台云服务器的外网地址即解决问题。
- 添加依赖项
编写业务代码
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
# 该配置文件必须要写,不然会报 WARN:Please initialize the log4j system properly.
log4j.rootLogger=DEBUG,Console
log4j.appender.Console=org.apache.log4j.ConsoleAppender
log4j.appender.Console.layout=org.apache.log4j.PatternLayout
log4j.appender.Console.layout.ConversionPattern=%d [%t] %-5p [%c] - %m%n
如果不添加 slf4j 的依赖,则会报如下错误,并无法显示 Kafka 程序执行过程中的日志信息
public class CustomProducer {
public static void main(String[] args) {
// Kafka 的配置信息
Properties kafkaProperties = new Properties();
// 连接的 Kafka 服务器信息、key value 的序列号方式(必要信息)
kafkaProperties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "47.96.188.26:9092");
kafkaProperties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
kafkaProperties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
// 创建 Kafka 生产者对象
KafkaProducer<String, String> kafkaProducer = new KafkaProducer(kafkaProperties);
// 调用 send() 发送消息
String topic = "myFirstTopic";
String value = "hello,world";
Future<RecordMetadata> future = kafkaProducer.send(new ProducerRecord<>(topic, value));
// 关闭资源
kafkaProducer.close();
}
}
异步发送 & 同步发送
以下的同步和异步是针对 main 线程将消息发送给双端队列 RecordAccumulator 来讲的。
而 sender 线程将双端队列 RecordAccumulator 中的数据发送到 Broker 总是异步的。
同步发送:发送一次数据后,必须等待 Leader 的 ACK 到达后才能发送下一个数据。
异步发送:发送一次数据后,不需要等待 Leader 的 ACK,就可以继续发送数据。
对应到 Java 程序中,同步就是:响应之后,程序才会继续执行下面的指令
异步就是:无需等待响应,程序就可以继续执行下面的指令
带回调函数的异步发送
Future<RecordMetadata> future = kafkaProducer.send(new ProducerRecord<>(topic, value));
就是普通异步发送。
回调函数 onCompletion() 会在生产者收到 Leader 发的 ACK 时调用,
该 onCompletion() 方法有两个参数,分别是:元数据信息(RecordMetadata)和异常信息(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。
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。
public class CustomProducer {
public static void main(String[] args) {
// Kafka 的配置信息
Properties kafkaProperties = new Properties();
// 连接的 Kafka 服务器信息、key value 的序列号方式(必要信息)
kafkaProperties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "47.96.188.26:9092");
kafkaProperties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
kafkaProperties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
// 创建 Kafka 生产者对象
KafkaProducer<String, String> kafkaProducer = new KafkaProducer(kafkaProperties);
// 调用 send() 发送消息
String topic = "myFirstTopic";
String value = "hello,world";
Future<RecordMetadata> future = kafkaProducer.send(new ProducerRecord<>(topic, value), new Callback() {
// 该方法在 生产者 收到 ACK 时调用,为异步调用
// 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。
@Override
public void onCompletion(RecordMetadata recordMetadata, Exception e) {
if (e == null) {
System.out.println("消息发送成功");
System.out.println("topic:" + recordMetadata.topic());
System.out.println("分区:" + recordMetadata.partition());
} else {
System.out.println("消息发送失败");
e.printStackTrace();
}
}
});
// 关闭资源
kafkaProducer.close();
}
}
同步发送
如果需要使用同步发送,可以在每次发送之后使用 get() 方法。future.get();
因为 producer.send() 返回一个 Future 类型对象,使用该对象的 get() 可以获得任务执行的结果。
Future 的 get() 会阻塞,直到该线程的任务得到返回值,也就是 Broker 返回发送结果。
生产者分区
分区的好处
便于合理使用存储资源,每个 Partition 在一个 Broker 上存储,
可以把海量的数据按照分区切割成一块一块的数据存储在多台 Broker 上。
(一个 Topic 的不同 Partition 可以分布在同一个 Broker,也可以分布在不同的 Broker 上)
合理控制分区的任务,可以实现负载均衡的效果。
提高并行度,生产者可以以分区为单位发送数据;消费者可以以分区为单位进行消费数据。
生产者发送消息的默认分区策略
默认的分区器类:DefaultPartitioner public class DefaultPartitioner implements Partitioner {}
如果我们想使用自定义的分区器,那么就可以实现 Partitioner 接口,并进行相关配置。
ProducerRecord 类用于对发送的消息和相关参数进行封装。
ProducerRecord 类有好多个构造器,默认分区策略对不同的构造器采用不同的策略。
默认分区策略对不同的构造器分为三种情况
- 有 partition 值的情况
- 没有 partition 值,但有 key 值的情况
- 既没有 partition 值,又没有 key 值的情况
有 partition 值的情况下,直接使用 partition 值对应的分区。
例如:partition = 0,所有数据写入分区 0
没有 partition 值,但有 key 值的情况下,将 key 的 hash 值与该 topic 的分区数进行取余得到 partition 值;
例如:key1 的 hash 值为:5, key2 的 hash 值为:6 ,topic 的分区数为:2,
那么 key1 对应的 value1 写入 1 号分区,key2 对应的 value2 写入 0 号分区。
既没有 partition 值,又没有 key 值的情况下,Kafka 采用 Sticky Partition(黏性分区器),会随机选择一个分区,并尽可能一直使用该分区,等到该分区的 batch 已满或者已完成,Kafka 再随机一个分区进行使用(保证和上一次的分区不同)。
例如:第一次随机选择 0 号分区,等到 0 号分区当前批次满了(默认为:16k)或者 linger.ms 设置的等待时间到了, Kafka 再随机一个分区进行使用(如果还是 0 会继续随机,即保证和上一次的分区不同)。
自定义分区器
自定义分区器的实现步骤
- 定义一个类,该类实现 Partitioner 接口
- 重写 partition() 方法
发送消息时,使用自定义分区器的方法:在生产者的配置中添加分区器参数。 properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG, MyPartitioner.class.getName());
public class MyPartitioner implements Partitioner {
/**
* 返回信息对应的分区
*
* @param topic 主题
* @param key 消息的 key
* @param keyBytes 消息的 key 序列化后的字节数组
* @param value 消息的 value
* @param valueBytes 消息的 value 序列化后的字节数组
* @param cluster 集群元数据可以查看分区信息
* @return
*/
@Override
public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
// 实现自己的分区策略
// 返回数据写入的分区号
return 0;
}
// 关闭资源
@Override
public void close() {
}
// 配置方法
@Override
public void configure(Map<String, ?> configs) {
}
}
=======生产经验=======
生产者如何提高吞吐量
修改相关的参数:
batch.size:批次大小,默认为:16k
linger.ms:等待时间,修改为:5-100ms
compression.type:压缩方式,修改为:snappy,可配置值:gzip、snappy、lz4 和 zstd
RecordAccumulator:缓冲区大小(双端队列),修改为:64m
// batch.size: 批次大小,默认为:16K
kafkaProperties.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
// linger.ms:等待时间,默认为:0 ms
kafkaProperties.put(ProducerConfig.LINGER_MS_CONFIG, 1);
// RecordAccumulator:缓冲区大小,默认 32M:buffer.memory
kafkaProperties.put(ProducerConfig.BUFFER_MEMORY_CONFIG, 33554432);
// compression.type:压缩,默认为:none,无压缩
kafkaProperties.put(ProducerConfig.COMPRESSION_TYPE_CONFIG, "snappy");
数据可靠性
可以为 Kafka 集群设置不同的应答级别
- 0:生产者发送过来的数据,不需要等数据落盘就应答。
- 1:生产者发送过来的数据,Leader 收到数据后就应答。
- -1:生产者发送过来的数据,Leader 和 ISR 队列里面的所有节点都收到数据后应答。(-1 和 all 等价)
当应答级别为 0 时,如果应答完成后,数据还没落盘,Broker 就故障了,则消息丢失,不可靠
当应答级别为 1 时,如果应答完成后,还没开始同步副本,Leader 就挂了,切换 Leader 后,消息丢失,不可靠
当应答级别为 -1 时,思考:Leader 收到数据,所有 Follower 开始同步数据, 但是有一个 Follower,因为某种故障,迟迟不能与 Leader 进行同步,那这个问题该怎么解决呢?
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,默认为:30s。例如 2 超时,(leader:0, isr:0, 1)。
这样就不用等长期联系不上或者已经故障的节点,直接应答 ACK 即可。
数据可靠性分析
如果分区副本设置为 1 个,或者 ISR 里应答的最小副本数量( min.insync.replicas 默认为:1)设置为 1,和ack=1 的效果是一样的,仍然有丢数的风险(leader:0,isr:0)。
数据完全可靠的条件 = ACK级别设置为-1 + 分区副本数≥2 + ISR 里应答的最小副本数≥2
可靠性总结:
- acks = 0,生产者发送过来数据就不管了,可靠性差,效率高
- acks = 1,生产者发送过来数据 Leader 应答,可靠性中等,效率中等;
- acks = -1,生产者发送过来数据 Leader 和 ISR 队列里面所有 Follwer 应答,可靠性高,效率低;
在生产环境中,acks=0 很少使用;
acks=1,一般用于传输普通日志,允许丢个别数据;
acks=-1,一般用于传输和钱相关的数据,对可靠性要求比较高的场景。
数据去重
设置应答级别为 -1 时,生产者发送过来的数据,Leader 和 ISR 队列里面的所有节点都收到数据后才应答。
如果已经开始同步副本,并且已经有分区副本完成了同步,此时 Leader 挂了,切换 Leader 后,生产者会重发消息,这时就会有一些副本里存在两份相同的数据,导致数据重复。
数据传递语义
至少一次(At Least Once)= ACK级别设置为-1 + 分区副本数≥2 + ISR里应答的最小副本数≥2
最多一次(At Most Once)= ACK级别设置为0
精确一次(Exactly Once):对于一些非常重要的信息,比如和钱相关的数据,要求数据既不能重复也不丢失
对 至少一次 & 最多一次的总结:
- 至少一次(At Least Once)可以保证数据不丢失,但是不能保证数据不重复
- 最多一次(At Most Once)可以保证数据不重复,但是不能保证数据不丢失
Kafka 0.11 版本以后,引入了重大特性:幂等性和事务。
幂等性
幂等性就是指:生产者不论向 Broker 发送多少次重复数据,Broker 端都只会持久化一次,保证数据不重复。
精确一次(Exactly Once) = 幂等性 + 至少一次
重复数据的判断标准:具有
- PID 是 Kafka 每次重启都会分配一个新的;(Producer Id,生产者ID)
- 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。
开启幂等性,需要设置参数:enable.idempotence,默认为:true,即默认开启幂等性。
生产者事务
开启事务,必须开启幂等性。
生产者在使用事务功能前,必须先自定义一个唯一的 transactional.id。(事务 ID)
有了 transactional.id 即使客户端挂掉了,客户端重启后也能继续处理未完成的事务
单个生产者,使用事务保证消息的仅一次发送。步骤:
- 设置事务 ID,事务 ID 任意起名
- 初始化事务
- 开启事务
提交事务 / 终止事务
public class CustomProducer {
public static void main(String[] args) {
// Kafka 的配置信息
Properties kafkaProperties = new Properties();
// 连接的 Kafka 服务器信息、key value 的序列号方式(必要信息)
kafkaProperties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "47.96.188.26:9092");
kafkaProperties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
kafkaProperties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
// 设置事务 ID,事务 ID 任意起名
kafkaProperties.put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "transaction_id_0");
// 创建 Kafka 生产者对象
KafkaProducer<String, String> kafkaProducer = new KafkaProducer(kafkaProperties);
// 初始化事务
kafkaProducer.initTransactions();
// 开启事务
kafkaProducer.beginTransaction();
try {
// 调用 send() 发送消息
String topic = "myFirstTopic";
String value = "hello,world1";
for (int i = 0; i < 5; i++) {
kafkaProducer.send(new ProducerRecord<>(topic, value));
}
// 手动模拟异常
int a = 10 / 0;
// 提交事务
kafkaProducer.commitTransaction();
} catch (Exception e) {
// 出现异常, 放弃事务(类似于回滚事务的操作)
kafkaProducer.abortTransaction();
e.printStackTrace();
} finally {
// 关闭资源
kafkaProducer.close();
}
}
}
数据有序 & 数据乱序
单分区内有序(满足一定条件,才能保证单分区内有序);
多分区、分区与分区间无序;
kafka 在 1.x 版本之前保证数据单分区内有序,需要满足的条件为:必须设置max.in.flight.requests.per.connection=1
(不需要考虑是否开启幂等性)。
kafka 在 1.x 及以后版本保证数据单分区内有序,需要满足的条件如下:
- 如果未开启幂等性:必须设置
max.in.flight.requests.per.connection=1
- 如果开启了幂等性:max.in.flight.requests.per.connection 需要设置 ≤ 5
需要设置 ≤ 5 的原因说明:因为在 kafka1.x 以后,开启幂等后,kafka 服务端会缓存生产者发送的最近 5 个
写入请求(request)的元数据, 故无论如何,都可以保证最近的 5 个 request 的数据都是有序的。