酷客网生产者发送消息的基本流程
- 从创建一个 ProducerRecord 对象开始， Producer Record 对象需要包含目标主题和要 发送的内容。我们还可以指定键或分区。在发送 ProducerReco rd 对象时，生产者要先把键 和值对象序列化成字节数组，这样它们才能够在网络上传输。
-
接下来，数据被传给分区器。如果之前在 Producer Record 对象里指定了分区，那么分 区器就不会再做任何事情，直接把指定的分区返回。如果没有指定分区，那么分区器会根据 Producer Record 对象的键来选择一个分区。选好分区以后，生产者就知道该往哪个主题和 分区发送这条记录了。紧接着，这条记录被添加到一个记录批次里，这个批次里的所有消息 会被发送到相同的主题和分区上。有一个独立的线程负责把这些记录批次发送到相应的 broker 上。
-
服务器在收到这些消息时会返回一个响应。如果消息成功写入 Kafka ，就返回一个 RecordMetaData 对象，它包含了主题和分区信息，以及记录在分区里的偏移量。如果写入 失败， 则会返回一个错误。生产者在收到错误之后会尝试重新发送消息，几次之后如果还 是失败，就返回错误信息。
使用 Kafka 生产者
三种发送方式
1、 发送并忘记
忽略 send 方法的返回值，不做任何处理。大多数情况下，消息会正常到达，而且生产 者会自动重试，但有时会丢失消息。
2、 同步非阻塞发送
获得 send 方法返回的 Future 对象，在合适的时候调用 Future 的 get 方法。参见代码， 模块 kafka-no-spring 下包 sendtype 中。
3、 异步发送
实现接口 org.apache.kafka.clients.producer.Callback，然后将实现类的实例作为参数传递 给 send 方法。参见代码，模块 kafka-no-spring 下包 sendtype 中。
生产者常用配置
生产者有很多属性可以设置，大部分都有合理的默认值，无需调整。有些参数可能对内 存使用，性能和可靠性方面有较大影响。可以参考 org.apache.kafka.clients.producer 包下的 ProducerConfig 类。
1. acks：
指定了必须要有多少个分区副本收到消息，生产者才会认为写入消息是成功的，这个参 数对消息丢失的可能性有重大影响。
acks=0：生产者在写入消息之前不会等待任何来自服务器的响应，容易丢消息，但是吞 吐量高。
acks=1：只要集群的首领节点收到消息，生产者会收到来自服务器的成功响应。如果消 息无法到达首领节点（比如首领节点崩溃，新首领没有选举出来），生产者会收到一个错误 响应，为了避免数据丢失，生产者会重发消息。不过，如果一个没有收到消息的节点成为新 首领，消息还是会丢失。默认使用这个配置。
acks=all：只有当所有参与复制的节点都收到消息，生产者才会收到一个来自服务器的 成功响应。延迟高。
2. buffer.memory
设置生产者内存缓冲区的大小，生产者用它缓冲要发送到服务器的消息。如果数据产生 速度大于向 broker 发送的速度，导致生产者空间不足，producer 会阻塞或者抛出异常。缺 省 33554432 (32M)
3. max.block.ms
指定了在调用 send()方法或者使用 partitionsFor()方法获取元数据时生产者的阻塞时间。 当生产者的发送缓冲区已满，或者没有可用的元数据时，这些方法就会阻塞。在阻塞时间达 到 max.block.ms 时，生产者会抛出超时异常。缺省 60000ms
4. retries
发送失败时，指定生产者可以重发消息的次数。默认情况下，生产者在每次重试之间等 待 100ms，可以通过参数 retry.backoff.ms 参数来改变这个时间间隔。缺省 0
5. receive.buffer.bytes 和 send.buffer.bytes
指定 TCP socket 接受和发送数据包的缓存区大小。如果它们被设置为-1，则使用操作系 统的默认值。如果生产者或消费者处在不同的数据中心，那么可以适当增大这些值，因为跨 数据中心的网络一般都有比较高的延迟和比较低的带宽。缺省 102400
6. batch.size
当多个消息被发送同一个分区时，生产者会把它们放在同一个批次里。该参数指定了一 个批次可以使用的内存大小，按照字节数计算。当批次内存被填满后，批次里的所有消息会 被发送出去。但是生产者不一定都会等到批次被填满才发送，半满甚至只包含一个消息的批 次也有可能被发送。缺省 16384(16k)
7. linger.ms
指定了生产者在发送批次前等待更多消息加入批次的时间。它和 batch.size 以先到者为 先。也就是说，一旦我们获得消息的数量够 batch.size 的数量了，他将会立即发送而不顾这 项设置，然而如果我们获得消息字节数比 batch.size 设置要小的多，我们需要“linger”特定的 时间以获取更多的消息。这个设置默认为 0，即没有延迟。设定 linger.ms=5，例如，将会减 少请求数目，但是同时会增加 5ms 的延迟，但也会提升消息的吞吐量。
8. compression.type
producer 用于压缩数据的压缩类型。默认是无压缩。正确的选项值是 none、gzip、snappy。 压缩最好用于批量处理，批量处理消息越多，压缩性能越好。snappy 占用 cpu 少，提供较 好的性能和可观的压缩比，如果比较关注性能和网络带宽，用这个。如果带宽紧张，用 gzip， 会占用较多的 cpu，但提供更高的压缩比。
9. client.id
当向 server 发出请求时，这个字符串会发送给 server。目的是能够追踪请求源头，以此 来允许 ip/port 许可列表之外的一些应用可以发送信息。这项应用可以设置任意字符串，因 为没有任何功能性的目的，除了记录和跟踪。
10. max.in.flight.requests.per.connection
指定了生产者在接收到服务器响应之前可以发送多个消息，值越高，占用的内存越大， 当然也可以提升吞吐量。发生错误时，可能会造成数据的发送顺序改变,默认是 5 (修改）。
如果需要保证消息在一个分区上的严格顺序，这个值应该设为 1。不过这样会严重影响 生产者的吞吐量。
11. request.timeout.ms
客户端将等待请求的响应的最大时间,如果在这个时间内没有收到响应，客户端将重发 请求;超过重试次数将抛异常
12. metadata.fetch.timeout.ms
是指我们所获取的一些元数据的第一个时间数据。元数据包含：topic，host，partitions。 此项配置是指当等待元数据 fetch 成功完成所需要的时间，否则会跑出异常给客户端
13. timeout.ms
此配置选项控制 broker 等待副本确认的最大时间。如果确认的请求数目在此时间内没 有实现，则会返回一个错误。这个超时限制是以 server 端度量的，没有包含请求的网络延迟。 这个参数和 acks 的配置相匹配。
14. max.request.size
控制生产者发送请求最大大小。假设这个值为 1M，如果一个请求里只有一个消息，那 这个消息不能大于 1M，如果一次请求是一个批次，该批次包含了 1000 条消息，那么每个 消息不能大于 1KB。注意：broker 具有自己对消息记录尺寸的覆盖，如果这个尺寸小于生产 者的这个设置，会导致消息被拒绝。
消息顺序发送
Kafka 可以保证同一个分区里的消息是有序的。也就是说，如果生产者一定的顺序发送 消息， broker 就会按照这个顺序把它们写入分区，消费者也会按照同样的顺序读取它们。 在某些情况下， 顺序是非常重要的。例如，往一个账户存入 100 元再取出来，这个与先取 钱再存钱是截然不同的！不过，有些场景对顺序不是很敏感。
如果把 retires 设为非零整数，同时把 max.in.flight.request.per.connection 设为比 1 大的 数，那么，如果第一个批次消息写入失败，而第二个批次写入成功， broker 会重试写入第 一个批次。如果此时第一个批次也写入成功，那么两个批次的顺序就反过来了。
一般来说，如果某些场景要求消息是有序的，那么消息是否写入成功也是很关键的，所 以不建议把 retires 设为 0 。可以把 max.in.flight.request.per.connection 设为 1，这样在生产 者尝试发送第一批消息时，就不会有其他的消息发送给 broker 。不过这样会严重影响生产 者的吞吐量，所以只有在对消息的顺序有严格要求的情况下才能这么做。
序列化和反序列化
Kafka为我们提供了不同类型的序列化器和反序列化器
内置序列化器
内置反序列化器
创建生产者对象必须指定序列化器，默认的序列化器并不能满足我们所有的场景。我们 完全可以自定义序列化器。只要实现 org.apache.kafka.common.serialization.Serializer 接口即 可。 示例代码如下：
/**
* @Author: 张钰博
* @Date: 2020/4/7 14:07
* @Description: 自定义序列化器,序列化JavaBean
*/
//实现Kafka中的Serializer
public class SelfSerializer implements Serializer<DemoUser> {
//一般做相关配置
@Override
public void configure(Map configs, boolean isKey) {
}
@Override
public byte[] serialize(String topic, DemoUser data) {
try {
byte[] name;
int nameSize;
if(data==null){
return null;
}
if(data.getName()!=null){
name = data.getName().getBytes("UTF-8");
//字符串的长度
nameSize = data.getName().length();
}else{
name = new byte[0];
nameSize = 0;
}
/*id的长度4个字节，字符串的长度描述4个字节，
字符串本身的长度nameSize个字节*/
ByteBuffer buffer = ByteBuffer.allocate(4+4+nameSize);
buffer.putInt(data.getId());//4
buffer.putInt(nameSize);//4
buffer.put(name);//nameSize
return buffer.array();
} catch (Exception e) {
throw new SerializationException("Error serialize DemoUser:"+e);
}
}
//一般用于释放资源
@Override
public void close() {
}
}
反序列化
/**
* @Author: 张钰博
* @Date: 2020/4/7 14:21
* @Description: 自定义反序列化器,反序列化JavaBean
*/
public class SelfDeserializer implements Deserializer<DemoUser> {
@Override
public void configure(Map<String, ?> configs, boolean isKey) {
//do nothing
}
@Override
public DemoUser deserialize(String topic, byte[] data) {
try {
if(data==null){
return null;
}
if(data.length<8){
throw new SerializationException("Error data size.");
}
ByteBuffer buffer = ByteBuffer.wrap(data);
int id;
String name;
int nameSize;
id = buffer.getInt();
nameSize = buffer.getInt();
byte[] nameByte = new byte[nameSize];
buffer.get(nameByte);
name = new String(nameByte,"UTF-8");
return new DemoUser(id,name);
} catch (Exception e) {
throw new SerializationException("Error Deserializer DemoUser."+e);
}
}
@Override
public void close() {
//do nothing
}
}
提示：
有很多成熟的序列化框架，可以帮我们把自定义JavaBean序列化为数组，例如messagePack，Avro，Protobuf等。首先推荐Apache的Avro和Google的Protobuf。
分区
我们在新增ProducerRecord对象中可以看到，ProducerRecord包含了目标主题，键和值， Kafka 的消息都是一个个的键值对。键可以设置为默认的 null。
键的主要用途有两个：一，用来决定消息被写往主题的哪个分区，拥有相同键的消息将 被写往同一个分区，二，还可以作为消息的附加消息。
如果键值为 null，并且使用默认的分区器，分区器使用轮询算法将消息均衡地分布到各 个分区上。
如果键不为空，并且使用默认的分区器，Kafka 对键进行散列（Kafka 自定义的散列算法， 具体算法原理不知），然后根据散列值把消息映射到特定的分区上。很明显，同一个键总是 被映射到同一个分区。但是只有不改变主题分区数量的情况下，键和分区之间的映射才能保 持不变，一旦增加了新的分区，就无法保证了，所以如果要使用键来映射分区，那就要在创 建主题的时候把分区规划好，而且永远不要增加新分区。
1. 分区原因和策略
（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。
2. 分区的原则
我们需要将 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，第一次调用时随机生成一个整数（后 面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法。
3. 自定义分区器
某些情况下，数据特性决定了需要进行特殊分区，比如电商业务，北京的业务量明显比 较大，占据了总业务量的 20%，我们需要对北京的订单进行单独分区处理，默认的散列分区 算法不合适了， 我们就可以自定义分区算法，对北京的订单单独处理，其他地区沿用散列 分区算法。或者某些情况下，我们用 value 来进行分区。 示例代码如下：
/**
* @Author: 张钰博
* @Date: 2020/4/7 14:34
* @Description: 自定义分区器，以value作为分区
*/
public class SelfPartitioner implements Partitioner {
@Override
public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
//获取某一个主题下的所有分区
List<PartitionInfo> partitionInfos = cluster.partitionsForTopic(topic);
//获取该主题下的所有分区数目
int num = partitionInfos.size();
//对num进行取模运算
int parId = value.hashCode() % num;
//将消息发送到该分区Id下
return parId;
}
@Override
public void close() {
//do nothing
}
@Override
public void configure(Map<String,?> configs) {
//do nothing
}
}
保障生产者数据高可用
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。
1.副本数据同步策略
| 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。
2. ISR策略
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？
答： 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 follower 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
3.ACK应答机制
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
0: producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还 没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；
1：producer 等待 broker 的 ack，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；
acks = 1 数据丢失案例
-1（all）：producer 等待 broker 的 ack，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。
acks = -1 数据重复案例
4.故障处理细节
Log文件中的HW和LEO
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.idompotence 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。
酷客网相关文章：
评论前必须登录！
注册