• Kafka 一文读懂

    第一、Kafka 简介

           Kafka是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。

    消息队列应用场景

    消息队列优点

    • 解耦
    • 可恢复性
    • 缓冲
    • 灵活性 & 峰值处理能力
    • 异步通信

    消息队列模式

    点对点模式（一对一，消费者主动拉取数据，消息收到后消息清除）

            消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。消息被消费以后，queue中不再有存储，所以消息消费者不可能消费到已经被消费的消息。Queue支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。

    发布/订阅模式（一对多，消费者消费数据之后不会清除消息）

            消息生产者（发布）将消息发布到topic中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到topic的消息会被所有订阅者消费。

    Kafka 基础架构和概念

    • Producer ：消息生产者，就是向kafka broker发消息的客户端；
    • Consumer ：消息消费者，向kafka broker取消息的客户端；
    • Consumer Group （CG）：消费者组，由多个consumer组成。消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
    • Broker ：一台kafka服务器就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic。
    • Topic ：可以理解为一个队列，生产者和消费者面向的都是一个topic；
    • Partition：为了实现扩展性，一个非常大的topic可以分布到多个broker（即服务器）上，一个topic可以分为多个partition，每个partition是一个有序的队列；
    • Replica：副本，为保证集群中的某个节点发生故障时，该节点上的partition数据不丢失，且kafka仍然能够继续工作，kafka提供了副本机制，一个topic的每个分区都有若干个副本，一个leader和若干个follower。
    • leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是leader。
    • follower：每个分区多个副本中的“从”，实时从leader中同步数据，保持和leader数据的同步。leader发生故障时，某个follower会成为新的leader。 

    第二、Kafka 快速入门

    Docker 安装Kafka

    请参考：Docker 安装Kafka

     Kafka 指令操作

    温馨提示:本章节全部的操作是在docker 安装Kafka 环境下进行的操作。

    1. [root@localhost ~]# docker exec -it 06a66409d7ce /bin/sh  # 进入Kafka 容器后端
    2. / # cd /opt/kafka_2.13-2.8.1/bin   # 进入Kafka bin 目录
    3. /opt/kafka_2.13-2.8.1/bin # ls -a  # 查看Kafka 支持指令
    4. .                                    kafka-mirror-maker.sh
    5. ..                                   kafka-preferred-replica-election.sh
    6. connect-distributed.sh               kafka-producer-perf-test.sh
    7. connect-mirror-maker.sh              kafka-reassign-partitions.sh
    8. connect-standalone.sh                kafka-replica-verification.sh
    9. kafka-acls.sh                        kafka-run-class.sh
    10. kafka-broker-api-versions.sh         kafka-server-start.sh
    11. kafka-cluster.sh                     kafka-server-stop.sh
    12. kafka-configs.sh                     kafka-storage.sh
    13. kafka-console-consumer.sh            kafka-streams-application-reset.sh
    14. kafka-console-producer.sh            kafka-topics.sh
    15. kafka-consumer-groups.sh             kafka-verifiable-consumer.sh
    16. kafka-consumer-perf-test.sh          kafka-verifiable-producer.sh
    17. kafka-delegation-tokens.sh           trogdor.sh
    18. kafka-delete-records.sh              windows
    19. kafka-dump-log.sh                    zookeeper-security-migration.sh
    20. kafka-features.sh                    zookeeper-server-start.sh
    21. kafka-leader-election.sh             zookeeper-server-stop.sh
    22. kafka-log-dirs.sh                    zookeeper-shell.sh
    23. kafka-metadata-shell.sh

    1、查看当前服务器中的所有topic

    kafka-topics.sh --zookeeper 192.168.43.10:2181 --list

    1.  
    2. /opt/kafka_2.13-2.8.1/bin # kafka-topics.sh --zookeeper 192.168.43.10:2181 --lis
    3. t
    4. mykafka

    2、创建topic

     kafka-topics.sh --zookeeper 192.168.43.10:2181 --create --replication-factor 1 --partitions 1 --topic first

    1.  
    2. /opt/kafka_2.13-2.8.1/bin # kafka-topics.sh --zookeeper 192.168.43.10:2181 --cre
    3. ate --replication-factor 1 --partitions 1 --topic first
    4. Created topic first.

    3、删除topic

    kafka-topics.sh --zookeeper 192.168.43.10:2181 --delete --topic first

    1. /opt/kafka_2.13-2.8.1/bin # kafka-topics.sh --zookeeper 192.168.43.10:2181 --del
    2. ete --topic first
    3. Topic first is marked for deletion.
    4. Note: This will have no impact if delete.topic.enable is not set to true.

    4、发送消息

    kafka-console-producer.sh --broker-list 192.168.43.10:9092 --topic first

    1. /opt/kafka_2.13-2.8.1/bin # kafka-console-producer.sh --broker-list 192.168.43.1
    2. 0:9092 --topic first
    3. >Hello

    温馨提示：Ctrl + C 退出消息生产者控制台

    5、消费消息

    kafka-console-consumer.sh --bootstrap-server 192.168.43.10:9092 --topic first

    1. /opt/kafka_2.13-2.8.1/bin # kafka-console-consumer.sh --bootstrap-server 192.168
    2. .43.10:9092 --topic first

    6、查看某个topic的详情

    kafka-topics.sh --zookeeper 192.168.43.10:2181 --describe –-topic first

    1. /opt/kafka_2.13-2.8.1/bin # kafka-topics.sh --zookeeper 192.168.43.10:2181 --d
    2. escribe –-topic first
    3. Topic: __consumer_offsets       TopicId: f59s-dtdTLmUMQaCQiWOJg PartitionCount: 50      ReplicationFactor: 1    Configs: compression.type=producer,cleanup.policy=compact,segment.bytes=104857600
    4.         Topic: __consumer_offsets       Partition: 0    Leader: 0       Replicas: 0     Isr: 0
    5.         Topic: __consumer_offsets       Partition: 1    Leader: 0       Replicas: 0     Isr: 0
    6.         Topic: __consumer_offsets       Partition: 2    Leader: 0       Replicas: 0     Isr: 0
    7.         Topic: __consumer_offsets       Partition: 3    Leader: 0       Replicas: 0     Isr: 0
    8.         Topic: __consumer_offsets       Partition: 4    Leader: 0       Replicas: 0     Isr: 0
    9.         Topic: __consumer_offsets       Partition: 5    Leader: 0       Replicas: 0     Isr: 0
    10.         Topic: __consumer_offsets       Partition: 6    Leader: 0       Replicas: 0     Isr: 0
    11.         Topic: __consumer_offsets       Partition: 7    Leader: 0       Replicas: 0     Isr: 0
    12.         Topic: __consumer_offsets       Partition: 8    Leader: 0       Replicas: 0     Isr: 0
    13.         Topic: __consumer_offsets       Partition: 9    Leader: 0       Replicas: 0     Isr: 0
    14.         Topic: __consumer_offsets       Partition: 10   Leader: 0       Replicas: 0     Isr: 0
    15.         Topic: __consumer_offsets       Partition: 11   Leader: 0       Replicas: 0     Isr: 0
    16.         Topic: __consumer_offsets       Partition: 12   Leader: 0       Replicas: 0     Isr: 0
    17.         Topic: __consumer_offsets       Partition: 13   Leader: 0       Replicas: 0     Isr: 0
    18.         Topic: __consumer_offsets       Partition: 14   Leader: 0       Replicas: 0     Isr: 0
    19.         Topic: __consumer_offsets       Partition: 15   Leader: 0       Replicas: 0     Isr: 0
    20.         Topic: __consumer_offsets       Partition: 16   Leader: 0       Replicas: 0     Isr: 0
    21.         Topic: __consumer_offsets       Partition: 17   Leader: 0       Replicas: 0     Isr: 0
    22.         Topic: __consumer_offsets       Partition: 18   Leader: 0       Replicas: 0     Isr: 0
    23.         Topic: __consumer_offsets       Partition: 19   Leader: 0       Replicas: 0     Isr: 0
    24.         Topic: __consumer_offsets       Partition: 20   Leader: 0       Replicas: 0     Isr: 0
    25.         Topic: __consumer_offsets       Partition: 21   Leader: 0       Replicas: 0     Isr: 0
    26.         Topic: __consumer_offsets       Partition: 22   Leader: 0       Replicas: 0     Isr: 0
    27.         Topic: __consumer_offsets       Partition: 23   Leader: 0       Replicas: 0     Isr: 0
    28.         Topic: __consumer_offsets       Partition: 24   Leader: 0       Replicas: 0     Isr: 0
    29.         Topic: __consumer_offsets       Partition: 25   Leader: 0       Replicas: 0     Isr: 0
    30.         Topic: __consumer_offsets       Partition: 26   Leader: 0       Replicas: 0     Isr: 0
    31.         Topic: __consumer_offsets       Partition: 27   Leader: 0       Replicas: 0     Isr: 0
    32.         Topic: __consumer_offsets       Partition: 28   Leader: 0       Replicas: 0     Isr: 0
    33.         Topic: __consumer_offsets       Partition: 29   Leader: 0       Replicas: 0     Isr: 0
    34.         Topic: __consumer_offsets       Partition: 30   Leader: 0       Replicas: 0     Isr: 0
    35.         Topic: __consumer_offsets       Partition: 31   Leader: 0       Replicas: 0     Isr: 0
    36.         Topic: __consumer_offsets       Partition: 32   Leader: 0       Replicas: 0     Isr: 0
    37.         Topic: __consumer_offsets       Partition: 33   Leader: 0       Replicas: 0     Isr: 0
    38.         Topic: __consumer_offsets       Partition: 34   Leader: 0       Replicas: 0     Isr: 0
    39.         Topic: __consumer_offsets       Partition: 35   Leader: 0       Replicas: 0     Isr: 0
    40.         Topic: __consumer_offsets       Partition: 36   Leader: 0       Replicas: 0     Isr: 0
    41.         Topic: __consumer_offsets       Partition: 37   Leader: 0       Replicas: 0     Isr: 0
    42.         Topic: __consumer_offsets       Partition: 38   Leader: 0       Replicas: 0     Isr: 0
    43.         Topic: __consumer_offsets       Partition: 39   Leader: 0       Replicas: 0     Isr: 0
    44.         Topic: __consumer_offsets       Partition: 40   Leader: 0       Replicas: 0     Isr: 0
    45.         Topic: __consumer_offsets       Partition: 41   Leader: 0       Replicas: 0     Isr: 0
    46.         Topic: __consumer_offsets       Partition: 42   Leader: 0       Replicas: 0     Isr: 0
    47.         Topic: __consumer_offsets       Partition: 43   Leader: 0       Replicas: 0     Isr: 0
    48.         Topic: __consumer_offsets       Partition: 44   Leader: 0       Replicas: 0     Isr: 0
    49.         Topic: __consumer_offsets       Partition: 45   Leader: 0       Replicas: 0     Isr: 0
    50.         Topic: __consumer_offsets       Partition: 46   Leader: 0       Replicas: 0     Isr: 0
    51.         Topic: __consumer_offsets       Partition: 47   Leader: 0       Replicas: 0     Isr: 0
    52.         Topic: __consumer_offsets       Partition: 48   Leader: 0       Replicas: 0     Isr: 0
    53.         Topic: __consumer_offsets       Partition: 49   Leader: 0       Replicas: 0     Isr: 0
    54. Topic: first    TopicId: HWeVjvVwRUSvK1zilceuvA PartitionCount: 1       ReplicationFactor: 1    Configs:
    55.         Topic: first    Partition: 0    Leader: 0       Replicas: 0     Isr: 0
    56. Topic: mykafka  TopicId: T5XvnQAGS4uToZfCJJLlpA PartitionCount: 1       ReplicationFactor: 1    Configs:
    57.         Topic: mykafka  Partition: 0    Leader: 0       Replicas: 0     Isr: 0

    第三、Kafka架构

    Kafka工作流程及其文件存储机制

            Kafka中消息是以topic进行分类的，生产者生产消息，消费者消费消息，都是面向topic的。

            topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一个log文件，该log文件中存储的就是producer生产的数据。Producer生产的数据会被不断追加到该log文件末端，且每条数据都有自己的offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上次的位置继续消费。

            由于生产者生产的消息会不断追加到log文件末尾，为防止log文件过大导致数据定位效率低下，Kafka采取了分片和索引机制，将每个partition分为多个segment。每个segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic名称+分区序号。例如，first这个topic有三个分区，则其对应的文件夹为first-0,first-1,first-2。

            index和log文件以当前segment的第一条消息的offset命名。下图为index文件和log文件的结构示意图。

            “.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中message的物理偏移地址。 

    Kafka生产者

    分区策略

    分区原因

    （1）方便在集群中扩展，每个Partition可以通过调整以适应它所在的机器，而一个topic又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据了；

    （2）可以提高并发，因为可以以Partition为单位读写了。

    分区原则

    需要将producer发送的数据封装成一个ProducerRecord对象。

    （1）  指明 partition 的情况下，直接将指明的值直接作为 partiton 值；

    （2） 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值；

    （3）  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，待该分区的batch已满或者已完成，kafka再随机一个分区进行使用.

    数据可靠性保证

    生产者发送数据到topic partition的可靠性保证

            为保证producer发送的数据，能可靠的发送到指定的topic，topic的每个partition收到producer发送的数据后，都需要向producer发送ack（acknowledgement确认收到），如果producer收到ack，就会进行下一轮的发送，否则重新发送数据。

    Topic partition存储数据的可靠性保证

    副本数据同步策略对比

    方案

    优点

    缺点

    半数以上完成同步，就发送ack

    延迟低

    选举新的leader时，容忍n台节点的故障，需要2n+1个副本

    全部完成同步，才发送ack

    选举新的leader时，容忍n台节点的故障，需要n+1个副本

    延迟高

    Kafka选择了第二种方案，原因如下：

    1. 同样为了容忍n台节点的故障，第一种方案需要2n+1个副本，而第二种方案只需要n+1个副本，而Kafka的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。

    2. 虽然第二种方案的网络延迟会比较高，但网络延迟对Kafka的影响较小。

    ISR

            采用第二种方案之后，设想以下情景：leader收到数据，所有follower都开始同步数据，但有一个follower，因为某种故障，迟迟不能与leader进行同步，那leader就要一直等下去，直到它完成同步，才能发送ack。这个问题怎么解决呢？

            Leader维护了一个动态的in-sync replica set (ISR)，意为和leader保持同步的follower集合。当ISR中的follower完成数据的同步之后，leader就会给producer发送ack。如果follower长时间未向leader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。Leader发生故障之后，就会从ISR中选举新的leader。

     ack应答级别

            对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等ISR中的follower全部接收成功。

            所以Kafka为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。

    acks参数配置：

    acks：

    0：这一操作提供了一个最低的延迟，partition的leader接收到消息还没有写入磁盘就已经返回ack，当leader故障时有可能丢失数据；

    1： partition的leader落盘成功后返回ack，如果在follower同步成功之前leader故障，那么将会丢失数据；

    -1（all）： partition的leader和follower全部落盘成功后才返回ack。但是如果在follower同步完成后，broker发送ack之前，leader发生故障，那么会造成数据重复。

    leader和 follower故障处理细节

    LEO：指的是每个副本最大的offset；

    HW：指的是消费者能见到的最大的offset，ISR队列中最小的LEO。

    （1）follower故障

    follower发生故障后会被临时踢出ISR，待该follower恢复后，follower会读取本地磁盘记录的上次的HW，并将log文件高于HW的部分截取掉，从HW开始向leader进行同步。等该follower的LEO大于等于该Partition的HW，即follower追上leader之后，就可以重新加入ISR了。

    （2）leader故障

    leader发生故障之后，会从ISR中选出一个新的leader，之后，为保证多个副本之间的数据一致性，其余的follower会先将各自的log文件高于HW的部分截掉，然后从新的leader同步数据。

    注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

    Exactly Once语义

            将服务器的ACK级别设置为-1，可以保证Producer到Server之间不会丢失数据，即At Least Once语义。相对的，将服务器ACK级别设置为0，可以保证生产者每条消息只会被发送一次，即At Most Once语义。

            At Least Once可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即Exactly Once语义。在0.11版本以前的Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。

            0.11版本的Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指Producer不论向Server发送多少次重复数据，Server端都只会持久化一条。幂等性结合At Least Once语义，就构成了Kafka的Exactly Once语义。即：At Least Once + 幂等性 = Exactly Once

            要启用幂等性，只需要将Producer的参数中enable.idempotence设置为true即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的Producer在初始化的时候会被分配一个PID，发往同一Partition的消息会附带Sequence Number。而Broker端会对做缓存，当具有相同主键的消息提交时，Broker只会持久化一条。但是PID重启就会变化，同时不同的Partition也具有不同主键，所以幂等性无法保证跨分区跨会话的Exactly Once。

    Kafka 消费者

    消费方式

    consumer采用pull（拉）模式从broker中读取数据。

    push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成consumer来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而pull模式则可以根据consumer的消费能力以适当的速率消费消息。

    pull模式不足之处是，如果kafka没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka的消费者在消费数据时会传入一个时长参数timeout，如果当前没有数据可供消费，consumer会等待一段时间之后再返回，这段时长即为timeout。

    分区分配策略

    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有三种分配策略，RoundRobin，Range , Sticky。

    分区分配策略之RoundRobin(轮训)

    分区分配策略之Range(范围)

    分区分配策略之Sticky(标记）

    offset维护

    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。

    Kafka 0.9版本之前，consumer默认将offset保存在Zookeeper中，从0.9版本开始，consumer默认将offset保存在Kafka一个内置的topic中，该topic为__consumer_offsets。

    Kafka 高效读写数据

    顺序写磁盘

            Kafka的producer生产数据，要写入到log文件中，写的过程是一直追加到文件末端，为顺序写。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。

    持久化应用

    Kafka数据持久化是直接持久化到Pagecache中，这样会产生以下几个好处：

    • I/O Scheduler 会将连续的小块写组装成大块的物理写从而提高性能
    • I/O Scheduler 会尝试将一些写操作重新按顺序排好，从而减少磁盘头的移动时间
    • 充分利用所有空闲内存（非 JVM 内存）。如果使用应用层 Cache（即 JVM 堆内存），会增加 GC 负担
    • 读操作可直接在 Page Cache 内进行。如果消费和生产速度相当，甚至不需要通过物理磁盘（直接通过 Page Cache）交换数据
    • 如果进程重启，JVM 内的 Cache 会失效，但 Page Cache 仍然可用

    尽管持久化到Pagecache上可能会造成宕机丢失数据的情况，但这可以被Kafka的Replication机制解决。如果为了保证这种情况下数据不丢失而强制将 Page Cache 中的数据 Flush 到磁盘，反而会降低性能。

    零拷贝

    ZooKeeper在Kafka 的作用

     Kafka集群中有一个broker会被选举为Controller，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。

            Controller的管理工作都是依赖于Zookeeper的。

    以下为partition的leader选举过程：

    Kafka 事务 

    Kafka从0.11版本开始引入了事务支持。事务可以保证Kafka在Exactly Once语义的基础上，生产和消费可以跨分区和会话，要么`全部成功，要么全部失败。

    生产者事务

            为了实现跨分区跨会话的事务，需要引入一个全局唯一的Transaction ID，并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transaction ID获得原来的PID。

            为了管理Transaction，Kafka引入了一个新的组件Transaction Coordinator。Producer就是通过和Transaction Coordinator交互获得Transaction ID对应的任务状态。Transaction Coordinator还负责将事务所有写入Kafka的一个内部Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。        

    消费者事务

     上述事务机制主要是从Producer方面考虑，对于Consumer而言，事务的保证就会相对较弱，尤其时无法保证Commit的信息被精确消费。这是由于Consumer可以通过offset访问任意信息，而且不同的Segment File生命周期不同，同一事务的消息可能会出现重启后被删除的情况。

    如果想完成Consumer端的精准一次性消费，那么需要kafka消费端将消费过程和提交offset过程做原子绑定。此时我们需要将kafka的offset保存到支持事务的自定义介质（比如mysql）。这部分知识会在后续项目部分涉及。

    Kafka API开发

    生产者发送消息核心流程

            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。

    前提：在Kafka 创建Topic  名称为"first"

    Kafka API 之异步发送

    第一步：添加Kafka 相关Jar 包依赖

    1.         
    2.         <dependency>
    3.             <groupId>org.apache.kafkagroupId>
    4.             <artifactId>kafka-clientsartifactId>
    5.             <version>2.4.1version>
    6.         dependency>

    第二步：核心类说明

    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

    第三步：测试功能代码

    1. package com.zzg.kafka;
    2.  
    3. import org.apache.kafka.clients.producer.KafkaProducer;
    4. import org.apache.kafka.clients.producer.Producer;
    5. import org.apache.kafka.clients.producer.ProducerRecord;
    6.  
    7. import java.util.Properties;
    8.  
    9. public class KafkaProduce {
    10.     public static void main(String[] args) {
    11.         Properties props = new Properties();
    12.  
    13.         //kafka集群，broker-list
    14.         props.put("bootstrap.servers", "192.168.43.10:9092");
    15.  
    16.         props.put("acks", "all");
    17.  
    18.         //重试次数
    19.         props.put("retries", 1);
    20.  
    21.         //批次大小
    22.         props.put("batch.size", 16384);
    23.  
    24.         //等待时间
    25.         props.put("linger.ms", 1);
    26.  
    27.         //RecordAccumulator缓冲区大小
    28.         props.put("buffer.memory", 33554432);
    29.  
    30.         props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    31.         props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    32.  
    33.         Producer<String, String> producer = new KafkaProducer<>(props);
    34.  
    35.         for (int i = 0; i < 100; i++) {
    36.             producer.send(new ProducerRecord<String, String>("first", Integer.toString(i), Integer.toString(i)));
    37.         }
    38.  
    39.         producer.close();
    40.     }
    41. }

     Kafka API 之回调函数

    第一步：与上类同

    第二步：与上类同

    第三步：测试功能代码

            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。

    1. package com.zzg.kafka;
    2.  
    3. import org.apache.kafka.clients.producer.*;
    4.  
    5. import java.util.Properties;
    6.  
    7. public class KafkaProduceCallBack {
    8.     public static void main(String[] args) {
    9.         Properties props = new Properties();
    10.  
    11.         //kafka集群，broker-list
    12.         props.put("bootstrap.servers", "192.168.43.10:9092");
    13.  
    14.         props.put("acks", "all");
    15.  
    16.         //重试次数
    17.         props.put("retries", 1);
    18.  
    19.         //批次大小
    20.         props.put("batch.size", 16384);
    21.  
    22.         //等待时间
    23.         props.put("linger.ms", 1);
    24.  
    25.         //RecordAccumulator缓冲区大小
    26.         props.put("buffer.memory", 33554432);
    27.  
    28.         props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    29.         props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    30.  
    31.         Producer<String, String> producer = new KafkaProducer<>(props);
    32.  
    33.         for (int i = 0; i < 100; i++) {
    34.             producer.send(new ProducerRecord<String, String>("first", Integer.toString(i), Integer.toString(i)), new Callback() {
    35.  
    36.                 //回调函数，该方法会在Producer收到ack时调用，为异步调用
    37.                 @Override
    38.                 public void onCompletion(RecordMetadata metadata, Exception exception) {
    39.                     if (exception == null) {
    40.                         System.out.println("success->" + metadata.offset());
    41.                     } else {
    42.                         exception.printStackTrace();
    43.                     }
    44.                 }
    45.             });
    46.         }
    47.  
    48.         producer.close();
    49.     }
    50. }

     Kafka API 之分发器

    1. 默认的分区器 DefaultPartitioner
    2. 自定义分区器
    1. package com.zzg.kafka;
    2.  
    3. import org.apache.kafka.clients.producer.Partitioner;
    4. import org.apache.kafka.common.Cluster;
    5.  
    6. import java.util.Map;
    7.  
    8. public class MyPartitioner implements Partitioner {
    9.     /**
    10.      * 计算某条消息要发送到哪个分区
    11.      *
    12.      * @param topic      主题
    13.      * @param key        消息的key
    14.      * @param keyBytes   消息的key序列化后的字节数组
    15.      * @param value      消息的value
    16.      * @param valueBytes 消息的value序列化后的字节数组
    17.      * @param cluster
    18.      * @return 需求: 以first主题为例，2个分区
    19.      * 消息的 value包含"atguigu"的 进入0号分区
    20.      * 其他的消息进入1号分区
    21.      */
    22.     @Override
    23.     public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
    24.         String msgValue = value.toString();
    25.         int partition;
    26.         if (msgValue.contains("atguigu")) {
    27.             partition = 0;
    28.         } else {
    29.             partition = 1;
    30.         }
    31.         return partition;
    32.     }
    33.  
    34.     /**
    35.      * 收尾工作
    36.      */
    37.     @Override
    38.     public void close() {
    39.  
    40.     }
    41.  
    42.     /**
    43.      * 读取配置的
    44.      * @param configs
    45.      */
    46.     @Override
    47.     public void configure(Map<String, ?> configs) {
    48.  
    49.     }
    50. }

    Kafka API 之同步发送

    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方发即可。

    1. package com.zzg.kafka;
    2.  
    3. import org.apache.kafka.clients.producer.KafkaProducer;
    4. import org.apache.kafka.clients.producer.Producer;
    5. import org.apache.kafka.clients.producer.ProducerRecord;
    6.  
    7. import java.util.Properties;
    8. import java.util.concurrent.ExecutionException;
    9.  
    10. public class KafkaProduceSync {
    11.     public static void main(String[] args) throws ExecutionException, InterruptedException {
    12.         Properties props = new Properties();
    13.  
    14.         props.put("bootstrap.servers", "192.168.43.10:9092");//kafka集群，broker-list
    15.  
    16.         props.put("acks", "all");
    17.  
    18.         props.put("retries", 1);//重试次数
    19.  
    20.         props.put("batch.size", 16384);//批次大小
    21.  
    22.         props.put("linger.ms", 1);//等待时间
    23.  
    24.         props.put("buffer.memory", 33554432);//RecordAccumulator缓冲区大小
    25.  
    26.         props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    27.         props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    28.  
    29.         Producer producer = new KafkaProducer<>(props);
    30.         for (int i = 0; i < 100; i++) {
    31.             Object result = producer.send(new ProducerRecord("first", Integer.toString(i), Integer.toString(i))).get();
    32.             System.out.println("success->" + String.valueOf(result));
    33.         }
    34.         producer.close();
    35.     }
    36. }

    消费者消费消息核心说明

            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。        

    Kafka API之自动提交offset

    核心类说明：

    KafkaConsumer：需要创建一个消费者对象，用来消费数据

    ConsumerConfig：获取所需的一系列配置参数

    ConsuemrRecord：每条数据都要封装成一个ConsumerRecord对象

    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

    1. package com.zzg.kafka.comsumer;
    2.  
    3. import org.apache.kafka.clients.consumer.ConsumerRecord;
    4. import org.apache.kafka.clients.consumer.ConsumerRecords;
    5. import org.apache.kafka.clients.consumer.KafkaConsumer;
    6.  
    7. import java.util.Arrays;
    8. import java.util.Properties;
    9.  
    10. public class KafkaComsumer {
    11.     public static void main(String[] args) {
    12.         Properties props = new Properties();
    13.  
    14.         props.put("bootstrap.servers", "192.168.43.10:9092");
    15.  
    16.         props.put("group.id", "test");
    17.  
    18.         props.put("enable.auto.commit", "true");
    19.  
    20.         props.put("auto.commit.interval.ms", "1000");
    21.  
    22.         props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    23.         props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    24.  
    25.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
    26.  
    27.         consumer.subscribe(Arrays.asList("first"));
    28.  
    29.         while (true) {
    30.  
    31.             ConsumerRecords<String, String> records = consumer.poll(100);
    32.  
    33.             for (ConsumerRecord<String, String> record : records)
    34.  
    35.                 System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
    36.         }
    37.     }
    38. }

    Kafka API之重置Offset

    auto.offset.rest = earliest | latest | none |

    Kafka API之手动提交offset

            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。

    1. package com.zzg.kafka.comsumer;
    2.  
    3. import org.apache.kafka.clients.consumer.ConsumerRecord;
    4. import org.apache.kafka.clients.consumer.ConsumerRecords;
    5. import org.apache.kafka.clients.consumer.KafkaConsumer;
    6.  
    7. import java.util.Arrays;
    8. import java.util.Properties;
    9.  
    10. public class KafkaManualComsumer {
    11.     public static void main(String[] args) {
    12.         Properties props = new Properties();
    13.  
    14. //Kafka集群
    15.         props.put("bootstrap.servers", "192.168.43.10:9092");
    16.  
    17. //消费者组，只要group.id相同，就属于同一个消费者组
    18.         props.put("group.id", "test");
    19.  
    20.         props.put("enable.auto.commit", "false");//关闭自动提交offset
    21.  
    22.         props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    23.         props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    24.  
    25.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
    26.  
    27.         consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
    28.  
    29.         while (true) {
    30.  
    31. //消费者拉取数据
    32.             ConsumerRecords<String, String> records = consumer.poll(100);
    33.  
    34.             for (ConsumerRecord<String, String> record : records) {
    35.  
    36.                 System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
    37.  
    38.             }
    39.  
    40. //同步提交，当前线程会阻塞直到offset提交成功
    41.             consumer.commitSync();
    42.         }
    43.     }
    44. }

    2）异步提交offset

            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。

    1. package com.zzg.kafka.comsumer;
    2.  
    3. import org.apache.kafka.clients.consumer.*;
    4. import org.apache.kafka.common.TopicPartition;
    5.  
    6. import java.util.Arrays;
    7. import java.util.Map;
    8. import java.util.Properties;
    9.  
    10. public class KafkaSyncComsumer {
    11.     public static void main(String[] args) {
    12.         Properties props = new Properties();
    13.  
    14.         //Kafka集群
    15.         props.put("bootstrap.servers", "192.168.43.10:9092");
    16.  
    17.         //消费者组，只要group.id相同，就属于同一个消费者组
    18.         props.put("group.id", "test");
    19.  
    20.         //关闭自动提交offset
    21.         props.put("enable.auto.commit", "false");
    22.  
    23.         props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    24.         props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    25.  
    26.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
    27.         consumer.subscribe(Arrays.asList("first"));//消费者订阅主题
    28.  
    29.         while (true) {
    30.             ConsumerRecords<String, String> records = consumer.poll(100);//消费者拉取数据
    31.             for (ConsumerRecord<String, String> record : records) {
    32.                 System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
    33.             }
    34.  
    35. //异步提交
    36.             consumer.commitAsync(new OffsetCommitCallback() {
    37.                 @Override
    38.                 public void onComplete(Map offsets, Exception exception) {
    39.                     if (exception != null) {
    40.                         System.err.println("Commit failed for" + offsets);
    41.                     }
    42.                 }
    43.             });
    44.         }
    45.     }
    46. }
    1. 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。

    自定义Interceptor 

    拦截器原理

    Producer拦截器(interceptor)是在Kafka 0.10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。

    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

    1. package com.zzg.kafka.interceptor;
    2.  
    3. import org.apache.kafka.clients.producer.ProducerInterceptor;
    4. import org.apache.kafka.clients.producer.ProducerRecord;
    5. import org.apache.kafka.clients.producer.RecordMetadata;
    6.  
    7. import java.util.Map;
    8.  
    9. public class TimeInterceptor implements ProducerInterceptor<String, String> {
    10.     @Override
    11.     public void configure(Map<String, ?> configs) {
    12.  
    13.     }
    14.  
    15.     @Override
    16.     public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
    17.  
    18.         // 创建一个新的record，把时间戳写入消息体的最前部
    19.         return new ProducerRecord(record.topic(), record.partition(), record.timestamp(), record.key(),
    20.                 System.currentTimeMillis() + "," + record.value().toString());
    21.     }
    22.  
    23.     @Override
    24.     public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
    25.  
    26.     }
    27.  
    28.     @Override
    29.     public void close() {
    30.  
    31.     }
    32. }

    （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 

    1. package com.zzg.kafka.interceptor;
    2.  
    3. import org.apache.kafka.clients.producer.ProducerInterceptor;
    4. import org.apache.kafka.clients.producer.ProducerRecord;
    5. import org.apache.kafka.clients.producer.RecordMetadata;
    6.  
    7. import java.util.Map;
    8.  
    9. public class CounterInterceptor implements ProducerInterceptor<String, String> {
    10.     private int errorCounter = 0;
    11.     private int successCounter = 0;
    12.  
    13.     @Override
    14.     public void configure(Map<String, ?> configs) {
    15.  
    16.     }
    17.  
    18.     @Override
    19.     public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
    20.         return record;
    21.     }
    22.  
    23.     @Override
    24.     public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
    25.         // 统计成功和失败的次数
    26.         if (exception == null) {
    27.             successCounter++;
    28.         } else {
    29.             errorCounter++;
    30.         }
    31.     }
    32.  
    33.     @Override
    34.     public void close() {
    35.         // 保存结果
    36.         System.out.println("Successful sent: " + successCounter);
    37.         System.out.println("Failed sent: " + errorCounter);
    38.     }
    39. }

     （3）producer主程序

    1. package com.zzg.kafka;
    2.  
    3. import org.apache.kafka.clients.producer.KafkaProducer;
    4. import org.apache.kafka.clients.producer.Producer;
    5. import org.apache.kafka.clients.producer.ProducerConfig;
    6. import org.apache.kafka.clients.producer.ProducerRecord;
    7.  
    8. import java.util.ArrayList;
    9. import java.util.List;
    10. import java.util.Properties;
    11.  
    12. public class KafkaInterceptorProduce {
    13.     public static void main(String[] args) {
    14.         // 1 设置配置信息
    15.         Properties props = new Properties();
    16.         props.put("bootstrap.servers", "192.168.43.10:9092");
    17.         props.put("acks", "all");
    18.         props.put("retries", 3);
    19.         props.put("batch.size", 16384);
    20.         props.put("linger.ms", 1);
    21.         props.put("buffer.memory", 33554432);
    22.         props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    23.         props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
    24.  
    25.         // 2 构建拦截链
    26.         List interceptors = new ArrayList<>();
    27.         interceptors.add("com.zzg.kafka.interceptor.TimeInterceptor");
    28.         interceptors.add("com.zzg.kafka.interceptor.CounterInterceptor");
    29.         props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);
    30.  
    31.         String topic = "first";
    32.         Producer producer = new KafkaProducer<>(props);
    33.  
    34.         // 3 发送消息
    35.         for (int i = 0; i < 10; i++) {
    36.  
    37.             ProducerRecord record = new ProducerRecord<>(topic, "message" + i);
    38.             producer.send(record);
    39.         }
    40.  
    41.         // 4 一定要关闭producer，这样才会调用interceptor的close方法
    42.         producer.close();
    43.     }
    44. }

    （4）comsumer主程序

    1. package com.zzg.kafka.comsumer;
    2.  
    3. import org.apache.kafka.clients.consumer.ConsumerRecord;
    4. import org.apache.kafka.clients.consumer.ConsumerRecords;
    5. import org.apache.kafka.clients.consumer.KafkaConsumer;
    6.  
    7. import java.util.Arrays;
    8. import java.util.Properties;
    9.  
    10. public class KafkaComsumer {
    11.     public static void main(String[] args) {
    12.         Properties props = new Properties();
    13.  
    14.         props.put("bootstrap.servers", "192.168.43.10:9092");
    15.  
    16.         props.put("group.id", "test");
    17.  
    18.         props.put("enable.auto.commit", "true");
    19.  
    20.         props.put("auto.commit.interval.ms", "1000");
    21.  
    22.         props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    23.         props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
    24.  
    25.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
    26.  
    27.         consumer.subscribe(Arrays.asList("first"));
    28.  
    29.         while (true) {
    30.  
    31.             ConsumerRecords<String, String> records = consumer.poll(100);
    32.  
    33.             for (ConsumerRecord<String, String> record : records)
    34.  
    35.                 System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
    36.         }
    37.     }
    38. }

    第三、Kafka 监控

    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-1.4.5.tar.gz到集群/opt/software目录

    3）解压到本地

    [atguigu@hadoop102 software]$ tar -zxvf kafka-eagle-bin-1.4.5.tar.gz

    4）进入刚才解压的目录

    [atguigu@hadoop102 kafka-eagle-bin-1.4.5]$ ll

    总用量 82932

    -rw-rw-r--. 1 atguigu atguigu 84920710 8月  13 23:00 kafka-eagle-web-1.4.5-bin.tar.gz

    5）将kafka-eagle-web-1.3.7-bin.tar.gz解压至/opt/module

    [atguigu@hadoop102 kafka-eagle-bin-1.4.5]$ tar -zxvf kafka-eagle-web-1.4.5-bin.tar.gz -C /opt/module/

    6）修改名称

    [atguigu@hadoop102 module]$ mv kafka-eagle-web-1.4.5/ eagle

    7）给启动文件执行权限

    [atguigu@hadoop102 eagle]$ cd bin/

    [atguigu@hadoop102 bin]$ ll

    总用量 12

    -rw-r--r--. 1 atguigu atguigu 1848 8月  22 2017 ke.bat

    -rw-r--r--. 1 atguigu atguigu 7190 7月  30 20:12 ke.sh

    [atguigu@hadoop102 bin]$ chmod 777 ke.sh

    8）修改配置文件 conf/system-config.properties

    ######################################

    # 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=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=123456

    9）添加环境变量

    export KE_HOME=/opt/module/eagle

    export PATH=$PATH:$KE_HOME/bin

    注意：source /etc/profile

    10）启动

     [atguigu@hadoop102 eagle]$ bin/ke.sh start

    ... ...

    ... ...

    *******************************************************************

    * Kafka Eagle Service has started success.

    * Welcome, Now you can visit 'http://192.168.202.102:8048/ke'

    * Account:admin ,Password:123456

    *******************************************************************

    * ke.sh [start|status|stop|restart|stats]

    * https://www.kafka-eagle.org/

    *******************************************************************

    [atguigu@hadoop102 eagle]$

    注意：启动之前需要先启动ZK以及KAFKA

    11）登录页面查看监控数据

    http://192.168.202.102:8048/ke

     第四、SpringBoot集成Kafka

    请参考文章：SpringBoot 集成Kafka

  • 相关阅读:
    Vite Server 是如何处理页面资源的？
    WEB漏洞-文件操作之文件包含漏洞
    源码分析 Laravel 重复执行同一个队列任务的原因
    【ccf-csp题解】第11次csp认证-第三题-Json查询超详细讲解
    ＜C++＞ 模拟实现string
    算法竞赛进阶指南 基本算法 0x07 贪心
    Python子进程管理与进程信息获取
    【SpringBoot】响应处理——数据以 json 格式返回的原理
    快速复现 实现 facenet-retinaface-pytorch 人脸识别 windows上 使用cpu实现
    hive常用日期函数
  • 原文地址：https://blog.csdn.net/zhouzhiwengang/article/details/126221781