Kafka学习之：mac 上基础使用 python 来使用 kafka 的生产者和消费者进行数据处理

前提

• 我的配置是 M1 芯片 Macbook pro

• 你的 kafka 处于启动状态，如果尚未启动，则通过以下命令依次运行 zookeeper 和 kafka，如果有安装问题可以参考上一篇文章

  brew services start zookeeper
  brew services start kafka
  1
  2

python 环境配置

• 首先，确保安装了confluent-kafka

  pip install confluent-kafka
  1

• 使用以下Python脚本创建一个新的Kafka主题：

  from confluent_kafka.admin import AdminClient, NewTopic
  
  # Kafka服务器配置
  admin_client = AdminClient({
      "bootstrap.servers": "localhost:9092"
  })
  
  # 创建新主题的配置
  topic_list = [NewTopic("my_new_topic", num_partitions=3, replication_factor=1)]
  # 注意: replication_factor 和 num_partitions 可能需要根据你的Kafka集群配置进行调整; 
  
  # 创建主题
  fs = admin_client.create_topics(topic_list)
  
  # 处理结果
  for topic, f in fs.items():
      try:
          f.result()  # The result itself is None
          print(f"Topic {topic} created")
      except Exception as e:
          print(f"Failed to create topic {topic}: {e}")
  
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22

  • 注意 replication_factor 不能超过 broker 的数量
  • 具体原因可以参考视频
  • 通过 python 只能创建 broker 的主题，而不能控制创建多个 broker，增加或管理brokers的过程需要在集群的配置和部署阶段进行，而不能通过像confluent_kafka这样的客户端库来实现。

Kafka 生产消费者模型

生产者 producer

"""
 @file: producer.py
 @Time    : 2024/3/29
 @Author  : Peinuan qin
 """
from confluent_kafka import Producer
import json

# Kafka配置
config = {
    'bootstrap.servers': 'localhost:9092'
}

# 创建生产者
producer = Producer(**config)

# 模拟的用户活动数据
data = {'user_id': 1234, 'activity': 'page_view', 'page': 'homepage'}

# 发送数据
producer.produce('user_activities', key=str(data['user_id']), value=json.dumps(data))
producer.flush()
print("Data sent to Kafka")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

Data sent to Kafka

检查当前存在的所有 topic / 是否自动创建 topic

• 可以用如下命令来检查已经存在的 topics

  kafka-topics --list --bootstrap-server localhost:9092
  1

• 对于上述 producer 中，我的 server.property 中的 auto.create.topics.enable 设置为 True，这意味着如果当前 topics 不存在会自动创建。

• 检查 auto.create.topics.enable 的方式：

  grep "auto.create.topics.enable" /path/to/your/kafka/config/server.properties
  1

• 一般 /path/to/your/kafka/config/server.properties 在我的 上篇文章 中提到了, m1 芯片的 mac 的地址是在 /opt/homebrew/etc/kafka/server.properties，所以对应的查看命令就是：

  grep "auto.create.topics.enable" /opt/homebrew/etc/kafka/server.properties
  1

• 如果这一行在你的 server.properties 中并不存在，则默认为 true，如果想更改，需要在 server.properties 中加入 auto.create.topics.enable=false 然后保存更改，重新启动 kafka

• 当你设置成 auto.create.topics.enable=false，再次运行上面的代码，但是 topic 换成一个新的

producer.produce('user_activities1', key=str(data['user_id']), value=json.dumps(data))
1

• 你会发现执行结果还是下面内容，并且没有报错：

  Data sent to Kafka

• 但是当你列出所有的 topic，却发现其实 user_activities1 并没有创建成功。

为什么 producer 要通过 key, value 来发布数据

键（Key）

• 分区选择： 键主要用于决定消息被发送到主题的哪个分区。如果为消息指定了键，Kafka会对键进行哈希处理，根据哈希值将消息均匀分配到不同的分区。这种方式确保了相同键的所有消息都会被发送到同一个分区中，保证了消息的顺序性。如果没有指定键，消息会以轮询的方式分配到所有分区，这可能不会保证相同键的消息顺序。

• 日志压缩： 键还用于日志压缩（log compaction）功能。在这个模式下，Kafka保证每个键在分区日志中只保留最后一次更新的值。这对于维护长期运行的聚合状态非常有用。

值（Value）

• 消息内容： 值部分承载了消息的实际内容。这是生产者想要发送给消费者的数据。值可以是任何格式的数据，比如字符串、JSON对象、序列化后的字节码等。

• 使用场景示例

  • 订单系统：在一个订单系统中，订单ID可以作为键，而订单的详细信息（如客户信息、订单项、价格等）作为值。使用订单ID作为键确保了相同订单的更新会被顺序地发送到同一个分区，并且通过日志压缩，Kafka可以只保留订单的最新状态。
  • 用户行为跟踪：在用户行为跟踪应用中，用户ID 可以作为键，用户的行为（如点击、浏览等）作为值。这样，相同用户的所有行为都会被顺序地记录在同一个分区中，便于后续进行用户行为分析。

消费者 consumer

"""
 @file: consumer.py
 @Time    : 2024/3/29
 @Author  : Peinuan qin
 """

from confluent_kafka import Consumer, KafkaError

# Kafka配置
config = {
    'bootstrap.servers': 'localhost:9092',
    'group.id': 'user-activity-group',
    'auto.offset.reset': 'earliest'
}

# 创建消费者
consumer = Consumer(**config)
consumer.subscribe(['user_activities'])

# 读取数据
try:
    while True:
        msg = consumer.poll(timeout=1.0)  # 1秒超时
        if msg is None:
            continue
        if msg.error():
            if msg.error().code() == KafkaError._PARTITION_EOF:
                # End of partition event
                continue
            else:
                print(msg.error())
                break
        # 成功接收消息
        print('Received message: {}'.format(msg.value().decode('utf-8')))
except KeyboardInterrupt:
    pass
finally:
    # 清理操作
    consumer.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

• 可以看到我们订阅了 'user_activities' 这个 topic，从其中源源不断地取数据来进行消费（处理）

• 但是同时在 consumer 的代码中定义了一个 group.id，而这个是 producer 中没有的，这样做的原因是：

  • 负载均衡：在同一个消费者组中，每个消费者可以负责消费特定的分区中的消息，这样可以在消费者之间分摊负载。如果一个消费者组中有多个消费者实例，Kafka会尽量平衡地将分区分配给每个消费者，确保每个分区只被组内的一个消费者消费。这意味着增加消费者可以提高消费的并行度，加快处理速度。

  • 容错和高可用性： 如果某个消费者失败，它负责的分区会被重新分配给同一消费者组内的其他消费者，这样可以确保消息的持续消费，提高了系统的容错能力。

  • 消息广播： 通过使用不同的消费者组，可以实现消息的广播模式，即相同的消息可以被多个消费者组独立消费。

• 如果不是认为还不是很清楚，可以 参考视频

consumer 得到的 message 有哪些方法？

print("msg dict:", dir(msg))
1

msg dict: ['__class__', '__delattr__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__len__', '__lt__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', 'error', 'headers', 'key', 'latency', 'leader_epoch', 'offset', 'partition', 'set_headers', 'set_key', 'set_value', 'timestamp', 'topic', 'value']
1

1. Key: 消息的键（如果有）。键用于消息的分区内排序和日志压缩。

2. Value: 消息的实际内容或负载。

3. Topic: 消息所属的主题。

4. Partition: 消息所在的分区号。Kafka中的每个主题可以被分割成多个分区，分区号从0开始。

5. Offset: 消息在其分区中的偏移量。偏移量是一个递增的序列号，用于唯一标识分区中的每条消息。

6. Timestamp: 消息的时间戳。它可以是消息创建时的时间戳（生产者发送消息的时间）或者是消息被追加到日志的时间戳。时间戳的具体含义取决于Kafka生产者的配置。

7. Headers: 消息头部，是键值对的集合，可以用来存储与消息相关的附加信息。生产者可以添加任意多的键值对作为消息的一部分，消费者可以读取这些信息进行相应的处理。

8. Serialized Key Size: 键的序列化后的大小（以字节为单位）。如果消息没有键，通常这个值是-1。

9. Serialized Value Size: 值的序列化后的大小（以字节为单位）。

10. Leader Epoch (Kafka 0.11.0及以上版本): 分区领导者的纪元号。这是一个内部使用的字段，用于Kafka的复制机制，以确保数据一致性。

为什么 consumer 拿到的内容需要 decode

• 消费者在接收到Kafka中的消息后需要进行解码（decoding），原因在于消息的生产者在发送消息到Kafka之前通常会对消息的键（key）和值（value）进行编码（encoding）。编码和解码是为了在网络上传输数据时确保数据的一致性和完整性，同时也支持消息的有效存储。

• 一般使用 utf-8 进行编解码

• 上述的 producer 中没有显式调用 encoder 是因为 json.dumps 本身就是序列化的过程，也就是编码的过程。 但好习惯应该是对 key 和 value 都进行 encode：

  producer.produce('user_activities1', key=str(data['user_id']).encode("utf-8"), value=json.dumps(data).encode("utf-8"))
  1