欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

kafka生產(chǎn)實踐(詳解)

 更新時間：2017年08月02日 09:20:15   投稿：jingxian  
下面小編就為大家?guī)硪黄猭afka生產(chǎn)實踐(詳解)。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

1.引言

最近接觸到一個APP流量分析的項目，類似于友盟。涉及到幾個C端（客戶端）高并發(fā)的接口，這幾個接口主要用于C端數(shù)據(jù)的提交。在沒有任何緩沖的情況下，一個接口涉及到5張表的提交。壓測的結(jié)果很不理想，主要瓶頸就在與RDS的交互。

一臺雙核，16G機子，單實例，jdbc最大連接數(shù)100，吞吐量竟然只有50TPS。

能想到的改造方案就是引入一層緩沖，讓C端接口不與RDS直接交互，很自然就想到了rabbitmq,但是rabbitmq對分布式的支持比較一般，我們的數(shù)據(jù)體量也比較大，所以我們借鑒了友盟，引入了kafka,Kafka是一種高吞吐量的分布式發(fā)布訂閱消息系統(tǒng)，起初在不做任何kafka優(yōu)化的時候，簡單地將C端提交的數(shù)據(jù)直接send到單節(jié)點kafka,就這樣，我們的吞吐量達到了100TPS.還是有點小驚喜的。

最近一段時間研究了一下kafka,對一些參數(shù)進行調(diào)整，目前接口的吞吐量已經(jīng)達到220TPS,寫這篇文章主要想記錄一下自己優(yōu)化和部署經(jīng)歷。

2.kafka簡介

kafka的結(jié)構(gòu)圖

這張圖很好的詮釋了kafka的結(jié)構(gòu)，但是遺漏了一點，就是group的概念，我這里補充一下，一個組可以包含多個consumer對多個topic進行消費，但是不同組的消費都是獨立的。

也就是說同一個topic的同一條消息可以被不同組的consumer消費。

我這里的主要的優(yōu)化途徑就是將kafka集群化，多partition化，使其并發(fā)度更高。

集群化都很好理解，那什么是多partition？

partition是topic的一個概念，即對topic進行分組，不同partition之間的消費相互獨立，并且有序。并且一個partiton只能被一個消費者消費，所以咯，假如topic只有一個partition的話，那么消費者實例不能大于一個，那實例再多也沒用，受限于kafka的partition。

上面都是講消費，其實send操作也是一樣的，要保證有序必然要等上一個發(fā)送ack之后，下一個發(fā)送才能進行，如果只有一個partition，那send之后的ack的等待時間必然會阻塞下面一次send,設(shè)計多個partition之后，可以同時往多個partition發(fā)送消息，自然吞吐量也就上去。

3.kafka集群的搭建以及參數(shù)配置

集群搭建

準備兩臺機子，然后去官網(wǎng)（http://kafka.apache.org/downloads）下載一個包。通過scp到服務(wù)器上，解壓進入config目錄，編輯server.config.

第一臺機子配置（172.18.240.36）：

broker.id=0 每臺服務(wù)器的broker.id都不能相同


#hostname
host.name=172.18.240.36

#在log.retention.hours=168 下面新增下面三項
message.max.byte=5242880
default.replication.factor=2
replica.fetch.max.bytes=5242880

#設(shè)置zookeeper的連接端口
zookeeper.connect=172.18.240.36:4001
#默認partition數(shù)
num.partitions=2

第二臺機子配置（172.18.240.62）：

broker.id=1 每臺服務(wù)器的broker.id都不能相同

#hostname
host.name=172.18.240.62

#在log.retention.hours=168 下面新增下面三項
message.max.byte=5242880
default.replication.factor=2
replica.fetch.max.bytes=5242880

#設(shè)置zookeeper的連接端口
zookeeper.connect=172.18.240.36:4001
#默認partition數(shù)
num.partitions=2

新增或者修改成以上配置。

對了，在此之前請先安裝zookeeper，如果你用的是zookeeper集群的話，zookeeper.connect可以填寫多個，中間用逗號隔開。

然后啟動

nohup ./kafka-server-start.sh ../config/server.properties 1>/dev/null 2>&1 &

測試一下：

在第一臺機子上開啟一個producer

./kafka-console-producer.sh --broker-list 172.18.240.36:9092 --topic test-test

在第二臺機子上開啟一個consumer

./kafka-console-consumer.sh --bootstrap-server 172.18.240.62:9092 --topic test-test --from-beginning

第一臺機子發(fā)送一條消息

第二臺機子立馬收到消息

這樣kafka的集群部署就完成了。就下來我們來看看，java的客戶端代碼如何編寫。

4.kafka客戶端代碼示例

我這里的工程是建立在spring boot 之下的,僅供參考。

在 application.yml下添加如下配置:

kafka:
 consumer:
 default:
  server: 172.18.240.36:9092,172.18.240.62:9092
  enableAutoCommit: false
  autoCommitIntervalMs: 100
  sessionTimeoutMs: 15000
  groupId: data_analysis_group
  autoOffsetReset: latest
 producer:
 default:
  server: 172.18.240.36:9092,172.18.240.62:9092
  retries: 0
  batchSize: 4096
  lingerMs: 1
  bufferMemory: 40960

添加兩個配置類

package com.dtdream.analysis.config;

import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.common.serialization.StringDeserializer;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.boot.context.properties.ConfigurationProperties;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.kafka.annotation.EnableKafka;
import org.springframework.kafka.config.ConcurrentKafkaListenerContainerFactory;
import org.springframework.kafka.config.KafkaListenerContainerFactory;
import org.springframework.kafka.core.ConsumerFactory;
import org.springframework.kafka.core.DefaultKafkaConsumerFactory;
import org.springframework.kafka.listener.ConcurrentMessageListenerContainer;
import org.springframework.kafka.listener.adapter.RecordFilterStrategy;

import java.util.HashMap;
import java.util.Map;

@ConfigurationProperties(
  prefix = "kafka.consumer.default"
)
@EnableKafka
@Configuration
public class KafkaConsumerConfig {


 private static final Logger log = LoggerFactory.getLogger(KafkaConsumerConfig.class);
 private static String autoCommitIntervalMs;

 private static String sessionTimeoutMs;

 private static Class keyDeserializerClass = StringDeserializer.class;

 private static Class valueDeserializerClass = StringDeserializer.class;

 private static String groupId = "test-group";

 private static String autoOffsetReset = "latest";

 private static String server;

 private static boolean enableAutoCommit;

 public static String getServer() {
  return server;
 }

 public static void setServer(String server) {
  KafkaConsumerConfig.server = server;
 }

 public static boolean isEnableAutoCommit() {
  return enableAutoCommit;
 }

 public static void setEnableAutoCommit(boolean enableAutoCommit) {
  KafkaConsumerConfig.enableAutoCommit = enableAutoCommit;
 }

 public static String getAutoCommitIntervalMs() {
  return autoCommitIntervalMs;
 }

 public static void setAutoCommitIntervalMs(String autoCommitIntervalMs) {
  KafkaConsumerConfig.autoCommitIntervalMs = autoCommitIntervalMs;
 }

 public static String getSessionTimeoutMs() {
  return sessionTimeoutMs;
 }

 public static void setSessionTimeoutMs(String sessionTimeoutMs) {
  KafkaConsumerConfig.sessionTimeoutMs = sessionTimeoutMs;
 }

 public static Class getKeyDeserializerClass() {
  return keyDeserializerClass;
 }

 public static void setKeyDeserializerClass(Class keyDeserializerClass) {
  KafkaConsumerConfig.keyDeserializerClass = keyDeserializerClass;
 }

 public static Class getValueDeserializerClass() {
  return valueDeserializerClass;
 }

 public static void setValueDeserializerClass(Class valueDeserializerClass) {
  KafkaConsumerConfig.valueDeserializerClass = valueDeserializerClass;
 }

 public static String getGroupId() {
  return groupId;
 }

 public static void setGroupId(String groupId) {
  KafkaConsumerConfig.groupId = groupId;
 }

 public static String getAutoOffsetReset() {
  return autoOffsetReset;
 }

 public static void setAutoOffsetReset(String autoOffsetReset) {
  KafkaConsumerConfig.autoOffsetReset = autoOffsetReset;
 }


 @Bean
 public KafkaListenerContainerFactory<ConcurrentMessageListenerContainer<String, String>> kafkaListenerContainerFactory() {
  ConcurrentKafkaListenerContainerFactory<String, String> factory = new ConcurrentKafkaListenerContainerFactory<>();
  factory.setConsumerFactory(consumerFactory());
  factory.setConcurrency(10);
  factory.getContainerProperties().setPollTimeout(3000);
  factory.setRecordFilterStrategy(new RecordFilterStrategy<String, String>() {
   @Override
   public boolean filter(ConsumerRecord<String, String> consumerRecord) {
    log.debug("partition is {},key is {},topic is {}",
      consumerRecord.partition(), consumerRecord.key(), consumerRecord.topic());
    return false;
   }
  });
  return factory;
 }

 private ConsumerFactory<String, String> consumerFactory() {
  return new DefaultKafkaConsumerFactory<>(consumerConfigs());
 }

 private Map<String, Object> consumerConfigs() {
  Map<String, Object> propsMap = new HashMap<>();
  propsMap.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, server);
  propsMap.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, enableAutoCommit);
  propsMap.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, autoCommitIntervalMs);
  propsMap.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, sessionTimeoutMs);
  propsMap.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, keyDeserializerClass);
  propsMap.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, valueDeserializerClass);
  propsMap.put(ConsumerConfig.GROUP_ID_CONFIG, groupId);
  propsMap.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, autoOffsetReset);
  return propsMap;

 }


 /* @Bean
 public Listener listener() {
  return new Listener();
 }*/
}
package com.dtdream.analysis.config;

import org.apache.kafka.clients.producer.ProducerConfig;
import org.apache.kafka.common.serialization.StringSerializer;
import org.springframework.boot.context.properties.ConfigurationProperties;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.kafka.annotation.EnableKafka;
import org.springframework.kafka.core.DefaultKafkaProducerFactory;
import org.springframework.kafka.core.KafkaTemplate;
import org.springframework.kafka.core.ProducerFactory;

import java.util.HashMap;
import java.util.Map;

/**
 * Created with IntelliJ IDEA.
 * User: chenqimiao
 * Date: 2017/7/24
 * Time: 9:43
 * To change this template use File | Settings | File Templates.
 */
@ConfigurationProperties(
  prefix = "kafka.producer.default",
  ignoreInvalidFields = true
)//注入一些屬性域
@EnableKafka
@Configuration//使得@Bean注解生效
public class KafkaProducerConfig {
 private static String server;
 private static Integer retries;
 private static Integer batchSize;
 private static Integer lingerMs;
 private static Integer bufferMemory;
 private static Class keySerializerClass = StringSerializer.class;
 private static Class valueSerializerClass = StringSerializer.class;

 private Map<String, Object> producerConfigs() {
  Map<String, Object> props = new HashMap<>();
  props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, server);
  props.put(ProducerConfig.RETRIES_CONFIG, retries);
  props.put(ProducerConfig.BATCH_SIZE_CONFIG, batchSize);
  props.put(ProducerConfig.LINGER_MS_CONFIG, lingerMs);
  props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, bufferMemory);
  props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, keySerializerClass);
  props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, valueSerializerClass);
  return props;
 }

 private ProducerFactory<String, String> producerFactory() {
  return new DefaultKafkaProducerFactory<>(producerConfigs());
 }

 public static String getServer() {
  return server;
 }

 public static void setServer(String server) {
  KafkaProducerConfig.server = server;
 }

 public static Integer getRetries() {
  return retries;
 }

 public static void setRetries(Integer retries) {
  KafkaProducerConfig.retries = retries;
 }

 public static Integer getBatchSize() {
  return batchSize;
 }

 public static void setBatchSize(Integer batchSize) {
  KafkaProducerConfig.batchSize = batchSize;
 }

 public static Integer getLingerMs() {
  return lingerMs;
 }

 public static void setLingerMs(Integer lingerMs) {
  KafkaProducerConfig.lingerMs = lingerMs;
 }

 public static Integer getBufferMemory() {
  return bufferMemory;
 }

 public static void setBufferMemory(Integer bufferMemory) {
  KafkaProducerConfig.bufferMemory = bufferMemory;
 }

 public static Class getKeySerializerClass() {
  return keySerializerClass;
 }

 public static void setKeySerializerClass(Class keySerializerClass) {
  KafkaProducerConfig.keySerializerClass = keySerializerClass;
 }

 public static Class getValueSerializerClass() {
  return valueSerializerClass;
 }

 public static void setValueSerializerClass(Class valueSerializerClass) {
  KafkaProducerConfig.valueSerializerClass = valueSerializerClass;
 }

 @Bean(name = "kafkaTemplate")
 public KafkaTemplate<String, String> kafkaTemplate() {
  return new KafkaTemplate<>(producerFactory());
 }
}

利用kafkaTemplate即可完成發(fā)送。

@Autowired
private KafkaTemplate<String,String> kafkaTemplate;


 @RequestMapping(
   value = "/openApp",
   method = RequestMethod.POST,
   produces = MediaType.APPLICATION_JSON_UTF8_VALUE,
   consumes = MediaType.APPLICATION_JSON_UTF8_VALUE
 )
 @ResponseBody
 public ResultDTO openApp(@RequestBody ActiveLogPushBo activeLogPushBo, HttpServletRequest request) {

  logger.info("openApp: activeLogPushBo {}, dateTime {}", JSONObject.toJSONString(activeLogPushBo),new DateTime().toString("yyyy-MM-dd HH:mm:ss.SSS"));

  String ip = (String) request.getAttribute("ip");

  activeLogPushBo.setIp(ip);

  activeLogPushBo.setDate(new Date());

  //ResultDTO resultDTO = dataCollectionService.collectOpenInfo(activeLogPushBo);

  kafkaTemplate.send("data_collection_open",JSONObject.toJSONString(activeLogPushBo));

  // logger.info("openApp: resultDTO {} ,dateTime {}", resultDTO.toJSONString(),new DateTime().toString("yyyy-MM-dd HH:mm:ss.SSS"));

  return new ResultDTO().success();
 }

kafkaTemplate的send方法會更根據(jù)你指定的key進行hash,再對partition數(shù)進行去模，最后決定發(fā)送到那一個分區(qū)，假如沒有指定key,那send方法對分區(qū)的選擇是隨機。具體怎么隨機的話，這里就不展開講了，有興趣的同學可以自己看源碼，我們可以交流交流。

接著配置一個監(jiān)聽器

package com.dtdream.analysis.listener;

import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.kafka.annotation.KafkaListener;

import java.util.Optional;
@Component
public class Listener {

 private Logger logger = LoggerFactory.getLogger(this.getClass());

 @KafkaListener(topics = {"test-topic"})
 public void listen(ConsumerRecord<?, ?> record) {
  Optional<?> kafkaMessage = Optional.ofNullable(record.value());
  if (kafkaMessage.isPresent()) {
   Object message = kafkaMessage.get();
   logger.info("message is {} ", message);
  }
 }
}

@KafkaListener其實可以具體指定消費哪個分區(qū)，如果不指定的話，并且只有一個消費者實例，那么這個實例會消費所有的分區(qū)的消息。

消費者的數(shù)量是一定要少于partition的數(shù)量的，不然沒有任何意義。會出現(xiàn)消費者過剩的情況。

消費者數(shù)量和partition數(shù)量的多與少，會動態(tài)影響消費節(jié)點所消費的partition數(shù)目，最終會在整個集群中達到一種動態(tài)平衡。

5.總結(jié)

理論上只要cpu核心數(shù)無限，那么partition數(shù)也可以無上限，與此同時消費者節(jié)點和生產(chǎn)者節(jié)點也可以無上限，最終會使單個topic的并發(fā)無上限。單機的cpu的核心數(shù)總是會達到一個上限，kafka作為分布式系統(tǒng)，可以很好利用集群的運算能力，進行動態(tài)擴展，在DT時代，應(yīng)該會慢慢成為主流吧。

以上這篇kafka生產(chǎn)實踐(詳解)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

相關(guān)文章

最新評論