作者：牟大恩
出版社：人民邮电出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
Kafka入门与实践试读：
前言
为什么要写这本书Kafka 由于高吞吐量、可持久化、分布式、支持流数据处理等特性而被广泛应用。但当前关于Kafka原理及应用的相关资料较少，在我打算编写本书时，还没有见到中文版本的Kafka相关书籍，对于初学者甚至是一些中高级应用者来说学习成本还是比较高的，因此我打算在对Kafka进行深入而系统的研究基础上，结合自己在工作中的实践经验，编写一本介绍Kafka原理及其基本应用的书籍，以帮助Kafka初、中、高级应用者更快、更好地全面掌握Kafka的基础理论及其基本应用，从而解决实际业务中的问题。同时，一直以来我都考虑在技术方面写点什么，将自己所学、所积累的知识沉淀下来。
通过编写本书，我最大收获有如下两点。
第一，凡事不是要尽力而为，而是要全力以赴，持之以恒。写书和阅读源码其实都是很枯燥的事，理工科出身的我，在文字表达能力上还是有所欠缺的，有些知识点可能在脑海里十分清晰，然而当用文字表述出来时，就显得有些“力不从心”了。对于纯技术的东西要用让读者阅读时感觉轻松的文字描述出来更是不易，因此看似简短的几行文字，我在编写时可能斟酌和修改了很久。我真的很钦佩那些大师们，他们写出来的东西总让人很轻松地就能够掌握，“路漫漫其修远兮，吾将上下而求索”，向大师们致敬！虽然有很多客观或主观的因素存在，但我依然没有放弃。还记得2016年10月的一天，当我决定编写本书时，我告诉妻子：“我要写一本书作为送给我们未来宝宝的见面礼！”带着这份动力我利用下班时间、周末时间，在夜深人静时默默地进行着Kafka相关内容的研究、学习、实战，妻子对我的鼓励、陪伴更是激励我要坚持本书的编写。带着这份动力，带着这份爱，我终于完成了本书。
第二，通过对Kafka源码的阅读，我除了对很多原来在实践中只知其然而不知其所以然的问题有了更深入的理解以外，还对Kafka优秀的设计思想及其编码技巧有所了解。如何阅读本书
本书共10章，各章主要内容具体描述如下。
第1章对Kafka的基本概念进行简要介绍，方便读者对Kafka有一个大致的了解。
第2章详细介绍Kafka安装环境的配置及Kafka源码的编译，这一章为后续各章的Kafka原理讲解及基本操作进行准备。
第3章对Kafka基本组件的实现原理、实现细节进行了分析。如果只想了解Kafka的相关应用，而不关注Kafka的实现原理，在阅读时可以直接跳过这一章。但我觉得，如果想真正掌握Kafka及其实现细节，这一章是值得花时间仔细阅读的。
第4章对Kafka核心流程进行分析，主要从Kafka启动流程到创建一个主题、生产者发送消息、消费者消费消息的过程进行了简要介绍。这一章是Kafka运行机制的缩影，如果跳过了第3章关于组件实现原理的讲解，那么建议一定要阅读这一章，因为通过阅读这一章可以更进一步地了解Kafka运行时的主要角色及其职责，为后面的Kafka实战部分打下坚实基础。
第5章开始就进入了Kafka实战部分。这一章通过Kafka自带脚本演示，详细介绍了Kafka基本应用的操作步骤，基本覆盖了Kafka相关操作，因此请读者在阅读时要跟随本书所讲内容进行实战。
第6章对Kafka的API应用进行了详细介绍。如果读者在实践工作中不会用到调用Kafka的相关API，在阅读时也可以跳过这一章。
第7章对Kafka Streams进行了介绍。Kafka Streams是Kafka新增的支持流数据处理的Java库。如果读者不希望使用此功能，也可以跳过这一章。
第8章介绍Kafka在数据采集方面的应用，主要包括与Log4j、Flume和HDFS的整合应用。
第9章对Kafka与ELK（Elasticsearch、Logstash和Kibana）整合实现日志采集平台相关应用进行介绍。
第10章通过两个简单的实例，介绍了Spark以及Kafka与Spark整合在离线计算、实时计算方面的应用。
本书的结构安排上，各章的内容相互独立，因此读者可以首先选择自己最感兴趣的章进行阅读，之后再阅读其他章。例如，读者可以先阅读第5章及其之后的几章，先通过实践操作对Kafka有一个感性的认识，然后再阅读第3章和第4章的相关原理及运行机制的内容，逐步加深对Kafka实现细节的理解。而第8章至第10章则是Kafka与当前大数据处理主流框架的整合应用，属于Kafka高级应用部分，可以帮助读者解决实际业务问题。
我建议读者一定要阅读第2章。通过第2章介绍的环境配置，读者能自己在本地搭建Kafka运行环境，阅读本书时，可跟随本书所讲解的操作进行实践。读者对象
本书的目标读者定位是应用Kafka的初、中、高级开发人员及运维工程师。
从事Kafka应用开发的技术人员读完本书，可以学习到Kafka原理的分析及相关API应用以及结合当前主流大数据框架整合的应用，应该能够全面掌握Kafka的基本原理和整体结构，并为实际业务实现提供思路，从而能够更加快速地解决一些问题。
从事Kafka或数据运维的技术人员，读完本书详细的Kafka基本操作以及Kafka与其他大数据框架的整合应用案例，应该可以快速搭建、运维和管理Kafka及相应的系统平台。
从事Kafka相关应用的资深开发或架构人员，读完本书对Kafka原理的分析有助于对Kafka性能进行调优，可以更好地开发和设计与Kafka相关的应用。
对于初学者，通过阅读本书可以全面掌握Kafka的知识，同时可以通过Kafka与其他框架整合的案例来拓宽视野，为学习分布式相关知识打下基础。
在阅读本书之前，读者需要具备以下基础。● 具有一定的Linux操作系统基本操作的基础知识。● 对于分布式系统的基础有所了解，这关系到对集群的理解。● 如果希望阅读本书第3章至第7章关于Kafka基本组件实现原理及
编程实战的内容，需要具有Java或Scala语言基础，尤其是Java
语言基础，这有助于阅读Kafka源码和调用相应的API。参考资料
在写作过程当中，我除阅读了Kafka源码之外，还从网络上阅读了大量参考资料，从中获得了很多帮助，在此对这些前辈的无私奉献精神表示由衷的钦佩和衷心的感谢。本书参考的资料如下。● 书籍● 怀特．Hadoop权威指南［M］．3版．华东师范大学数据科学与工程学院，译．北京：清华大学出版社，2015：20-156．● 霍夫曼，佩雷拉．Flume日志收集与MapReduce模式［M］．张龙，译．北京：机械工业出版社，2015：1-61．● 耿嘉安．深入理解Spark：核心思想与源码分析［M］．北京：机械工业出版社，2016：224-282．● 网络资源● Kafka官方网站：http://kafka.apache.org/0101/documentation.html。● Elasticsearch官方网站：https://www.elastic.co/guide/en/elasticsearch/reference/index.html。● http://orchome.com/网站上关于Kafka系列文章。● conflument官方博客：https://www.confluent.io/blog/。● zqhxuyuan的博客：http://zqhxuyuan.github.io/。● lizhitao的博客：http://blog.csdn.net/lizhitao。读者反馈
非常高兴能将这本书分享给大家，也十分感谢大家购买和阅读本书。在编写本书时，虽然我精益求精，尽了最大的努力，但由于能力有限，加之时间仓促，书中难免存在不足甚至错误，敬请读者给予指正。如果有任何问题和建议，读者可发送邮件至moudaen@163.com。致谢
在编写本书时得到了很多人的帮助。
首先我要感谢我的妻子，在我编写本书时你承担了所有家务，让我过着饭来张口、衣来伸手的生活，使我能够全身心投入到写作当中，这本书能够完成有你一半的功劳。也要感谢我的家人，家永远是我心灵的港湾，家人的爱永远是我奋斗的动力。同时也将本书献给我即将出生的宝宝，愿你健康成长，在未来的日子里我会给你更多的惊喜。
然后我特别要感谢人民邮电出版社的杨海玲老师，感谢你一直以来给予我的支持和鼓励，感谢你在本书编写、出版整个过程当中的辛勤付出。也要感谢人民邮电出版社所有参与本书编辑和出版的老师们，正是由于你们的辛勤付出和一丝不苟的工作态度才让本书出版成为可能。
同时要感谢我的工作单位海通证券，公司为我提供了一个非常优越的工作、学习和生活环境。在此要特别感谢部门领导和同事在我编写本书过程中提出很多宝贵的建议，我很荣幸能够与大家成为同事，共同奋斗。
最后我要感谢所有培养过我的老师们，是你们教会了我用知识改变命运，用学习成就未来。牟大恩2017年9月于上海第1章Kafka简介
Kafka是一个高吞吐量、分布式的发布—订阅消息系统。据Kafka官方网站介绍，当前的Kafka已经定位为一个分布式流式处理平台（a distributed streaming platform），它最初由LinkedIn公司开发，后来成为Apache项目的一部分。Kafka核心模块使用Scala语言开发，支持多语言（如Java、C/C++、Python、Go、Erlang、Node.js等）客户端，它以可水平扩展和具有高吞吐量等特性而被广泛使用。目前越来越多的开源分布式处理系统（如Flume、Apache Storm、Spark、Flink等）支持与Kafka集成，本书第8章至第10章将通过具体案例详细介绍Kafka与当前一些流行的分布式处理系统的集成应用。接下来我们将对Kafka相关知识做进一步深入介绍。1.1 Kafka背景
随着信息技术的快速发展及互联网用户规模的急剧增长，计算机所存储的信息量正呈爆炸式增长，目前数据量已进入大规模和超大规模的海量数据时代，如何高效地存储、分析、处理和挖掘海量数据已成为技术研究领域的热点和难点问题。当前出现的云存储、分布式存储系统、NoSQL数据库及列存储等前沿技术在海量数据的驱使下，正日新月异地向前发展，采用这些技术来处理大数据成为一种发展趋势。而如何采集和运营管理、分析这些数据也是大数据处理中一个至关重要的组成环节，这就需要相应的基础设施对其提供支持。针对这个需求，当前业界已有很多开源的消息系统应运而生，本书介绍的Kafka就是当前流行的一款非常优秀的消息系统。
Kafka 是一款开源的、轻量级的、分布式、可分区和具有复制备份的（Replicated）、基于ZooKeeper 协调管理的分布式流平台的功能强大的消息系统。与传统的消息系统相比，Kafka能够很好地处理活跃的流数据，使得数据在各个子系统中高性能、低延迟地不停流转。
据Kafka官方网站介绍，Kafka定位就是一个分布式流处理平台。在官方看来，作为一个流式处理平台，必须具备以下3个关键特性。● 能够允许发布和订阅流数据。从这个角度来讲，平台更像一个消
息队列或者企业级的消息系统。● 存储流数据时提供相应的容错机制。● 当流数据到达时能够被及时处理。
Kafka能够很好满足以上3个特性，通过Kafka能够很好地建立实时流式数据通道，由该通道可靠地获取系统或应用程序的数据，也可以通过Kafka方便地构建实时流数据应用来转换或是对流式数据进行响应处理。特别是在0.10版本之后，Kafka推出了Kafka Streams，这让Kafka对流数据处理变得更加方便。
Kafka已发布多个版本。截止到编写本书时，Kafka的最新版本为0.10.1.1，因此本书内容都是基于该版本进行讲解。1.2 Kafka基本结构
通过前面对Kafka背景知识的简短介绍，我们对Kafka是什么有了初步的了解，本节我们将进一步介绍Kafka作为消息系统的基本结构。我们知道，作为一个消息系统，其基本结构中至少要有产生消息的组件（消息生产者，Producer）以及消费消息的组件（消费者，Consumer）。虽然消费者并不是必需的，但离开了消费者构建一个消息系统终究是毫无意义的。Kafka消息系统最基本的体系结构如图1-1所示。图1-1 Kafka消息系统最基本的体系结构
生产者负责生产消息，将消息写入Kafka集群；消费者从Kafka集群中拉取消息。至于生产者如何将生产的消息写入 Kafka，消费者如何从 Kafka 集群消费消息，Kafka 如何存储消息，Kafka 集群如何管理调度，如何进行消息负载均衡，以及各组件间如何进行通信等诸多问题，我们将在后续章节进行详细阐述，在本节我们只需对Kafka基本结构轮廓有个清晰认识即可。随着对Kafka相关知识的深入学习，我们将逐步对Kafka的结构图进行完善。1.3 Kafka基本概念
在对Kafka基本体系结构有了一定了解后，本节我们对Kafka的基本概念进行详细阐述。1．主题
Kafka将一组消息抽象归纳为一个主题（Topic），也就是说，一个主题就是对消息的一个分类。生产者将消息发送到特定主题，消费者订阅主题或主题的某些分区进行消费。2．消息
消息是Kafka通信的基本单位，由一个固定长度的消息头和一个可变长度的消息体构成。在老版本中，每一条消息称为Message；在由Java重新实现的客户端中，每一条消息称为Record。3．分区和副本
Kafka将一组消息归纳为一个主题，而每个主题又被分成一个或多个分区（Partition）。每个分区由一系列有序、不可变的消息组成，是一个有序队列。
每个分区在物理上对应为一个文件夹，分区的命名规则为主题名称后接“—”连接符，之后再接分区编号，分区编号从0开始，编号最大值为分区的总数减1。每个分区又有一至多个副本（Replica），分区的副本分布在集群的不同代理上，以提高可用性。从存储角度上分析，分区的每个副本在逻辑上抽象为一个日志（Log）对象，即分区的副本与日志对象是一一对应的。每个主题对应的分区数可以在Kafka启动时所加载的配置文件中配置，也可以在创建主题时指定。当然，客户端还可以在主题创建后修改主题的分区数。
分区使得Kafka在并发处理上变得更加容易，理论上来说，分区数越多吞吐量越高，但这要根据集群实际环境及业务场景而定。同时，分区也是Kafka保证消息被顺序消费以及对消息进行负载均衡的基础。
Kafka只能保证一个分区之内消息的有序性，并不能保证跨分区消息的有序性。每条消息被追加到相应的分区中，是顺序写磁盘，因此效率非常高，这是Kafka高吞吐率的一个重要保证。同时与传统消息系统不同的是，Kafka并不会立即删除已被消费的消息，由于磁盘的限制消息也不会一直被存储（事实上这也是没有必要的），因此Kafka提供两种删除老数据的策略，一是基于消息已存储的时间长度，二是基于分区的大小。这两种策略都能通过配置文件进行配置，在这里不展开探讨，在3.5.4节将详细介绍。4．Leader副本和Follower副本
由于Kafka副本的存在，就需要保证一个分区的多个副本之间数据的一致性，Kafka会选择该分区的一个副本作为Leader副本，而该分区其他副本即为Follower副本，只有Leader副本才负责处理客户端读/写请求，Follower副本从Leader副本同步数据。如果没有Leader副本，那就需要所有的副本都同时负责读/写请求处理，同时还得保证这些副本之间数据的一致性，假设有n个副本则需要有n×n条通路来同步数据，这样数据的一致性和有序性就很难保证。
引入Leader副本后客户端只需与Leader副本进行交互，这样数据一致性及顺序性就有了保证。Follower副本从Leader副本同步消息，对于n个副本只需n−1条通路即可，这样就使得系统更加简单而高效。副本Follower与Leader的角色并不是固定不变的，如果Leader失效，通过相应的选举算法将从其他Follower副本中选出新的Leader副本。5．偏移量
任何发布到分区的消息会被直接追加到日志文件（分区目录下以“.log”为文件名后缀的数据文件）的尾部，而每条消息在日志文件中的位置都会对应一个按序递增的偏移量。偏移量是一个分区下严格有序的逻辑值，它并不表示消息在磁盘上的物理位置。由于Kafka几乎不允许对消息进行随机读写，因此Kafka并没有提供额外索引机制到存储偏移量，也就是说并不会给偏移量再提供索引。消费者可以通过控制消息偏移量来对消息进行消费，如消费者可以指定消费的起始偏移量。为了保证消息被顺序消费，消费者已消费的消息对应的偏移量也需要保存。需要说明的是，消费者对消息偏移量的操作并不会影响消息本身的偏移量。旧版消费者将消费偏移量保存到ZooKeeper当中，而新版消费者是将消费偏移量保存到Kafka内部一个主题当中。当然，消费者也可以自己在外部系统保存消费偏移量，而无需保存到Kafka中。6．日志段
一个日志又被划分为多个日志段（LogSegment），日志段是Kafka日志对象分片的最小单位。与日志对象一样，日志段也是一个逻辑概念，一个日志段对应磁盘上一个具体日志文件和两个索引文件。日志文件是以“.log”为文件名后缀的数据文件，用于保存消息实际数据。两个索引文件分别以“.index”和“.timeindex”作为文件名后缀，分别表示消息偏移量索引文件和消息时间戳索引文件。7．代理
在Kafka基本体系结构中我们提到了Kafka集群。Kafka集群就是由一个或多个Kafka实例构成，我们将每一个Kafka实例称为代理（Broker），通常也称代理为Kafka服务器（KafkaServer）。在生产环境中Kafka集群一般包括一台或多台服务器，我们可以在一台服务器上配置一个或多个代理。每一个代理都有唯一的标识id，这个id是一个非负整数。在一个Kafka集群中，每增加一个代理就需要为这个代理配置一个与该集群中其他代理不同的id，id值可以选择任意非负整数即可，只要保证它在整个Kafka集群中唯一，这个id就是代理的名字，也就是在启动代理时配置的broker.id对应的值，因此在本书中有时我们也称为brokerId。由于给每个代理分配了不同的brokerId，这样对代理进行迁移就变得更方便，从而对消费者来说是透明的，不会影响消费者对消息的消费。代理有很多个参数配置，由于在本节只是对其概念进行阐述，因此不做深入展开，对于代理相关配置将穿插在本书具体组件实现原理、流程分析及相关实战操作章节进行介绍。8．生产者
生产者（Producer）负责将消息发送给代理，也就是向Kafka代理发送消息的客户端。9．消费者和消费组
消费者（Comsumer）以拉取（pull）方式拉取数据，它是消费的客户端。在Kafka中每一个消费者都属于一个特定消费组（ConsumerGroup），我们可以为每个消费者指定一个消费组，以groupId代表消费组名称，通过group.id配置设置。如果不指定消费组，则该消费者属于默认消费组test-consumer-group。同时，每个消费者也有一个全局唯一的id，通过配置项client.id指定，如果客户端没有指定消费者的id，Kafka会自动为该消费者生成一个全局唯一的id，格式为${groupId}-${hostName}-${timestamp}-${UUID前8位字符}。同一个主题的一条消息只能被同一个消费组下某一个消费者消费，但不同消费组的消费者可同时消费该消息。消费组是Kafka用来实现对一个主题消息进行广播和单播的手段，实现消息广播只需指定各消费者均属于不同的消费组，消息单播则只需让各消费者属于同一个消费组。10．ISR
Kafka在ZooKeeper中动态维护了一个ISR（In-sync Replica），即保存同步的副本列表，该列表中保存的是与Leader副本保持消息同步的所有副本对应的代理节点id。如果一个Follower副本宕机（本书用宕机来特指某个代理失效的情景，包括但不限于代理被关闭，如代理被人为关闭或是发生物理故障、心跳检测过期、网络延迟、进程崩溃等）或是落后太多，则该Follower副本节点将从ISR列表中移除。11．ZooKeeper
这里我们并不打算介绍ZooKeeper的相关知识，只是简要介绍ZooKeeper在Kafka中的作用。Kafka利用ZooKeeper保存相应元数据信息，Kafka元数据信息包括如代理节点信息、Kafka集群信息、旧版消费者信息及其消费偏移量信息、主题信息、分区状态信息、分区副本分配方案信息、动态配置信息等。Kafka在启动或运行过程当中会在ZooKeeper上创建相应节点来保存元数据信息，Kafka通过监听机制在这些节点注册相应监听器来监听节点元数据的变化，从而由ZooKeeper负责管理维护Kafka集群，同时通过ZooKeeper我们能够很方便地对Kafka集群进行水平扩展及数据迁移。
通过以上Kafka基本概念的介绍，我们可以对Kafka基本结构图进行完善，如图1-2所示。图1-2 Kafka的集群结构1.4 Kafka设计概述1.4.1 Kafka设计动机
Kafka的设计初衷是使Kafka能够成为统一、实时处理大规模数据的平台。为了达到这个目标，Kafka必须支持以下几个应用场景。（1）具有高吞吐量来支持诸如实时的日志集这样的大规模事件流。（2）能够很好地处理大量积压的数据，以便能够周期性地加载离线数据进行处理。（3）能够低延迟地处理传统消息应用场景。（4）能够支持分区、分布式，实时地处理消息，同时具有容错保障机制。
满足以上功能的Kafka与传统的消息系统相比更像是一个数据库日志系统。了解了Kafka的设计动机之后，在下一节我们将看看Kafka发展至今已具有哪些特性。1.4.2 Kafka特性
上一节对Kafka的设计动机进行了介绍。随着Kafka的不断更新发展，当前版本的Kafka又增加了一些新特性，下面就来逐个介绍Kafka的这些新特性。1．消息持久化
Kafka高度依赖于文件系统来存储和缓存消息。说到文件系统，大家普遍认为磁盘读写慢，依赖于文件系统进行存储和缓存消息势必在性能上会大打折扣，其实文件系统存储速度快慢一定程度上也取决于我们对磁盘的用法。据Kafka官方网站介绍：6块7200r/min SATA RAID-5阵列的磁盘线性写的速度为600 MB/s，而随机写的速度为100KB/s，线性写的速度约是随机写的6000多倍。由此看来磁盘的快慢取决于我们是如何去应用磁盘。加之现代的操作系统提供了预读（read-ahead）和延迟写（write-behind）技术，使得磁盘的写速度并不是大家想象的那么慢。同时，由于Kafka是基于JVM（Java Virtual Machine）的，而Java对象内存消耗非常高，且随着Java对象的增加JVM的垃圾回收也越来越频繁和繁琐，这些都加大了内存的消耗。鉴于以上因素，使用文件系统和依赖于页缓存（page cache）的存储比维护一个内存的存储或是应用其他结构来存储消息更有优势，因此Kafka选择以文件系统来存储数据。
消息系统数据持久化一般采用为每个消费者队列提供一个 B 树或其他通用的随机访问数据结构来维护消息的元数据，B树操作的时间复杂度为O(log n)，O(log n)的时间复杂度可以看成是一个常量时间，而且B树可以支持各种各样的事务性和非事务性语义消息的传递。尽管B树具有这些优点，但这并不适合磁盘操作。目前的磁盘寻道时间一般在10ms以内，对一块磁盘来说，在同一时刻只能有一个磁头来读写磁盘，这样在并发IO能力上就有问题。同时，对树结构性能的观察结果表明：其性能会随着数据的增长而线性下降。鉴于消息系统本身的作用考虑，数据的持久化队列可以建立在简单地对文件进行追加的实现方案上。因为是顺序追加，所以Kafka在设计上是采用时间复杂度O(1)的磁盘结构，它提供了常量时间的性能，即使是存储海量的信息（TB级）也如此，性能和数据的大小关系也不大，同时Kafka将数据持久化到磁盘上，这样只要磁盘空间足够大数据就可以一直追加，而不会像一般的消息系统在消息被消费后就删除掉，Kafka提供了相关配置让用户自己决定消息要保存多久，这样为消费者提供了更灵活的处理方式，因此Kafka能够在没有性能损失的情况下提供一般消息系统不具备的特性。
正是由于Kafka将消息进行持久化，使得Kafka在机器重启后，已存储的消息可继续恢复使用。同时Kafka能够很好地支持在线或离线处理、与其他存储及流处理框架的集成。2．高吞吐量
高吞吐量是Kafka设计的主要目标，Kafka将数据写到磁盘，充分利用磁盘的顺序读写。同时，Kafka在数据写入及数据同步采用了零拷贝（zero-copy）技术，采用sendFile()函数调用，sendFile()函数是在两个文件描述符之间直接传递数据，完全在内核中操作，从而避免了内核缓冲区与用户缓冲区之间数据的拷贝，操作效率极高。Kafka还支持数据压缩及批量发送，同时Kafka将每个主题划分为多个分区，这一系列的优化及实现方法使得Kafka具有很高的吞吐量。经大多数公司对Kafka应用的验证，Kafka支持每秒数百万级别的消息。3．扩展性
Kafka要支持对大规模数据的处理，就必须能够对集群进行扩展，分布式必须是其特性之一，这样就可以将多台廉价的PC服务器搭建成一个大规模的消息系统。Kafka依赖ZooKeeper来对集群进行协调管理，这样使得Kafka更加容易进行水平扩展，生产者、消费者和代理都为分布式，可配置多个。同时在机器扩展时无需将整个集群停机，集群能够自动感知，重新进行负责均衡及数据复制。4．多客户端支持
Kafka核心模块用Scala语言开发，但Kafka支持不同语言开发生产者和消费者客户端应用程序。0.8.2之后的版本增加了Java版本的客户端实现，0.10之后的版本已废弃Scala语言实现的Producer及Consumer，默认使用Java版本的客户端。Kafka提供了多种开发语言的接入，如Java、Scala、C、C++、Python、Go、Erlang、Ruby、Node.js等，感兴趣的读者可以自行参考https://cwiki.apache.org/confluence/display/KAFKA/Clients。同时，Kafka支持多种连接器（Connector）的接入，也提供了Connector API供开发者调用。Kafka与当前主流的大数据框架都能很好地集成，如Flume、Hadoop、HBase、Hive、Spark、Storm等。5．Kafka Streams
Kafka在0.10之后版本中引入Kafak Streams。Kafka Streams是一个用Java语言实现的用于流处理的jar文件，关于Kafka Streams的相关内容将在第7章中进行讲解。6．安全机制
当前版本的Kafka支持以下几种安全措施：● 通过SSL和SASL(Kerberos)，SASL/PLAIN验证机制支持生产
者、消费者与代理连接时的身份认证；● 支持代理与ZooKeeper连接身份验证；● 通信时数据加密；● 客户端读、写权限认证；● Kafka支持与外部其他认证授权服务的集成。7．数据备份
Kafka可以为每个主题指定副本数，对数据进行持久化备份，这可以一定程度上防止数据丢失，提高可用性。8．轻量级
Kafka的代理是无状态的，即代理不记录消息是否被消费，消费偏移量的管理交由消费者自己或组协调器来维护。同时集群本身几乎不需要生产者和消费者的状态信息，这就使得Kafka非常轻量级，同时生产者和消费者客户端实现也非常轻量级。9．消息压缩
Kafka支持Gzip、Snappy、LZ4这3种压缩方式，通常把多条消息放在一起组成MessageSet，然后再把MessageSet放到一条消息里面去，从而提高压缩比率进而提高吞吐量。1.4.3 Kafka应用场景
消息系统或是说消息队列中间件是当前处理大数据一个非常重要的组件，用来解决应用解耦、异步通信、流量控制等问题，从而构建一个高效、灵活、消息同步和异步传输处理、存储转发、可伸缩和最终一致性的稳定系统。当前比较流行的消息中间件有Kafka、RocketMQ、RabbitMQ、ZeroMQ、ActiveMQ、MetaMQ、Redis等，这些消息中间件在性能及功能上各有所长。如何选择一个消息中间件取决于我们的业务场景、系统运行环境、开发及运维人员对消息中件间掌握的情况等。我认为在下面这些场景中，Kafka是一个不错的选择。（1）消息系统。Kafka作为一款优秀的消息系统，具有高吞吐量、内置的分区、备份冗余分布式等特点，为大规模消息处理提供了一种很好的解决方案。（2）应用监控。利用Kafka采集应用程序和服务器健康相关的指标，如CPU占用率、IO、内存、连接数、TPS、QPS等，然后将指标信息进行处理，从而构建一个具有监控仪表盘、曲线图等可视化监控系统。例如，很多公司采用Kafka与ELK（ElasticSearch、Logstash和Kibana）整合构建应用服务监控系统。（3）网站用户行为追踪。为了更好地了解用户行为、操作习惯，改善用户体验，进而对产品升级改进，将用户操作轨迹、内容等信息发送到Kafka集群上，通过Hadoop、Spark或Strom等进行数据分析处理，生成相应的统计报告，为推荐系统推荐对象建模提供数据源，进而为每个用户进行个性化推荐。（4）流处理。需要将已收集的流数据提供给其他流式计算框架进行处理，用Kafka收集流数据是一个不错的选择，而且当前版本的Kafka提供了Kafka Streams支持对流数据的处理。（5）持久性日志。Kafka可以为外部系统提供一种持久性日志的分布式系统。日志可以在多个节点间进行备份，Kafka为故障节点数据恢复提供了一种重新同步的机制。同时，Kafka很方便与HDFS和Flume进行整合，这样就方便将Kafka采集的数据持久化到其他外部系统。1.5 本书导读
本书在结构编排上，先介绍Kafka基础知识，接着介绍Kafka应用环境搭建，然后对Kafka核心组件实现原理进行简要讲解。在核心组件原理讲解之后，又将相应组件应用串起来分析Kafka核心流程，之后从Kafka基本脚本操作实战开始，结合Kafka在实际工作中应用案例详细介绍Kafka与当前主流大数据处理框架的应用。同时，将Kafka Streams独立成一章进行详细介绍，基本上覆盖了Kafka Streams的核心及重要知识的讲解。
为了编写和讲解方便，本书有以下几点约定说明。（1）本书所讲Kafka版本为0.10.1.1，书中提及的当前版本Kafka均指这一版本。（2）在Kafka基本组件实现原理讲解时，为了指明方法所属的对象，本书简单地以“类名.方法名()”的形式说明，这并不表示对类静态方法的调用。同时，鉴于篇幅考虑也省去了方法参数列表，但不代表该方法无参数。（3）读者在阅读本书时经常会看到“${属性字段}”表达式，本书以此表示该属性字段对应的值。1.6 小结
本章首先对Kafka背景及一个简单的Kafka消息系统基本结构进行了简单介绍，然后对Kafka涉及的基本概念进行了阐述，最后就Kafka的设计思想、特性及应用场景进行了归纳。第2章Kafka安装配置
本章将详细介绍Kafka运行环境的搭建，包括在Linux系统和Windows系统中搭建Kafka运行环境。2.1 基础环境配置
由于Kafka是用Scala语言开发的，运行在JVM上，因此在安装Kafka之前需要先安装JDK。2.1.1 JDK安装配置
最新版本的Kafka需要运行在JDK 1.7以上，Kafka官方网站推荐使用JDK 1.8，因此本书所应用的JDK环境采用JDK 1.8。下面将详细介绍JDK 1.8安装步骤。1．Windows安装JDK（1）下载并安装。首先在Oracle官方网站http://www.oracle.com/technetwork/java/javase/ downloads/jdk8-downloads-2133151.html下载JDK 1.8安装文件，根据操作系统类型选择相应的JDK版本。我使用的是64位操作系统，因此下载jdk-8u111-windows-x64.exe安装文件。下载完成后，双击运行安装。在安装时可以选择安装路径，这里在安装时全使用默认路径。（2）环境变量配置。在系统变量中新增变量名JAVA_HOME，变量值为JDK 1.8安装路径。由于Java默认安装在Program Files目录下，这个目录名之间有空格，有可能在运行某些应用时因JDK安装路径有空格而报错。例如，我在安装JDK后，运行Kafka时报如下错误：错误: 找不到或无法加载主类 Files\Java\jdk1.8.0_111\lib\dt.jar;C:\Program
为了避免出现类似的错误，在Windows系统上，若JDK安装在Program File目录下，在设置JAVA_HOME时，用该目录别名PROGRA～1，因此将JAVA_HOME设置为C:\PROGRA～1\Java\jdk1.8.0_111。新增变量名CLASSPATH，变量值为.;% JAVA_HOME%\lib\dt.jar;% JAVA_HOME%\ lib\tools.jar。本步操作JDK环境变量配置如表2-1所示。表2-1 JDK环境变量配置变 量 类 型变 量 名变 量 值系统变量JAVA_HOMEC:\PROGRA～1\Java\jdk1.8.0_111用户变量CLASSPATH.;% JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar（3）验证。环境变量配置完成后，在Windows的cmd终端输入查看Java版本的命令，以此来验证JDK安装配置是否成功。命令如下：Java –version
若输出为以下JDK版本信息，则表示JDK 1.8已安装成功，且为系统默认JDK。Java version "1.8.0_111"Java(TM) SE Runtime Environment (build 1.8.0_111-b14)Java HotSpot(TM) 64-Bit Server VM (build 25.111-b14, mixed mode)2．Linux安装JDK
一些Linux的发行版默认已安装了JDK，如OpenJDK，这里所用的Linux操作系统默认已经安装了OpenJDK。输入下面的命令查看JDK版本信息：Java –version
输出JDK版本信息如下：Java version "1.7.0_45"OpenJDK Runtime Environment (rhel-2.4.3.3.el6-x86_64 u45-b15)OpenJDK 64-Bit Server VM (build 24.45-b08, mixed mode)
然而有些Linux系统并没有安装JDK，因此本小节将详细讲解如何在Linux中安装JDK。这里我们讲解JDK 1.8的安装。（1）下载并安装。进入Oracle官方网站http://www.oracle.com/technetwork/Java/Javase/downloads/ jdk8-downloads-2133151.html下载Linux版本的JDK 1.8安装包。这里我们下载的安装包版本为jdk-8u111-linux-x64.gz，并将安装包解压到/usr/local/software/Java路径下。tar -xzvf jdk-8u111-linux-x64.gz # 解压jdk安装包
将安装包解压后，即完成JDK的安装。（2）配置环境变量。在/etc/profile文件中添加JDK和JRE的路径，并添加到Path中，操作命令如下：vi /etc/profile # 编辑profile文件
在文件中添加以下内容：export JAVA_HOME=/usr/local/software/Java/jdk1.8.0_111export JRE_HOME=/usr/local/software/Java/jdk1.8.0_111/jreexport PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin
保存退出。若系统默认安装了OpenJDK，则用户可以选择将其删除，也可以修改配置用最新安装的版本替换OpenJDK。这里选择用新安装的JDK替换系统自带的OpenJDK，则按序执行以下命令。● 将Java添加到bin： update-alternatives --install /usr/bin/Java Java /usr/local/software/Java/jdk1.8.0_111 300● 将Javac添加到bin： update-alternatives --install /usr/bin/Javac Javac /usr/local/software/ Java/jdk1.8.0_111/bin/Javac 300● 选择JDK版本： update-alternatives --config Java
执行以上命令会出现JDK版本选择界面，如图2-1所示。这里我们选择新安装的JDK 1.8，即输入序号3，按回车键。图2-1 Linux控制台展示的JDK版本选择命令行界面
环境变量配置好后执行以下命令，让刚才的修改操作立即生效： source /etc/profile # 让对/etc/profile的修改立即生效（3）验证。输入查看JDK版本命令，查看环境变量配置是否成功，执行以下命令：Java –version # 查看jdk版本
输出以下JDK版本信息：Java version "1.8.0_111"Java(TM) SE Runtime Environment (build 1.8.0_111-b14)Java HotSpot(TM) 64-Bit Server VM (build 25.111-b14, mixed mode)
由以上JDK版本信息可知，JDK版本已替换为新安装的JDK 1.8版本。至此，JDK安装完成。2.1.2 SSH安装配置
对Kafka集群本身来讲，配置SSH免密钥登录并不是必需的步骤，但作为分布式系统，一般会由多台机器构成。为了便于操作管理，如通过SSH方式启动集群代理等，这里对SSH安装配置进行介绍。（1）在根目录下查看是否存在一个隐藏文件夹.ssh。若没有该文件夹，则在确保机器联网条件下执行以下命令安装ssh：sudo apt-get install ssh # 安装ssh（2）进入.ssh目录，生成密钥对，执行命令如下：ssh-keygen -t rsa # 产生密钥
在执行以上命令时一路回车即可。ssh-keygen用于生成认证密钥，-t用来指定密钥类型，这里选择rsa密钥。执行完毕后会在～/.ssh目录下生成id_rsa和id_rsa.pub两个文件，其中id_rsa为私钥文件，id_rsa.pub为公钥文件。依次在集群其他机器上完成步骤1和步骤2。（3）将id_rsa.pub文件内容追加到授权的key文件中，命令如下：cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys # 追加公钥到授权文件中
若是单机环境，则至此已完成ssh配置。（4）将第一台机器的authorized_keys文件复制到第二台机器上，并将第二台机器的公钥也追加到authorized_keys文件中，依次执行以下命令：scp authorized_keys root@172.117.12.62:~/.ssh/ # 复制第一台机器的授权文件到第二台机器cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys # 在第二台机器上执行此命令，将第二台机器的公钥追加到授权文件中（5）将第二台机器的authorized_keys文件复制到第三台机器上，并将第三台机器的公钥追加到authorized_keys文件中，执行命令如下：scp authorized_keys root@172.117.12.63:~/.ssh/ # 复制第二台机器的授权文件到第三台机器cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys # 在第三台机器上执行此命令，将第三台机器的公钥追加到授权文件中
若集群还有更多机器，则依此类推完成授权文件合并。至此 ssh 配置完成，在已配置 ssh的任何一台机器上均可免密登录到其他机器。例如，在第一台机器上执行以下ssh命令，输出如下（首次登录会让输入密码）：[root@rhel65 .ssh]# ssh 172.117.12.61The authenticity of host '172.117.12.61 (172.117.12.61)' can't be established.RSA key fingerprint is a3:5b:a9:29:ed:00:74:f4:ce:51:e5:7c:42:5b:8d:44.Are you sure you want to continue connecting (yes/no)? yesWarning: Permanently added '172.117.12.61' (RSA) to the list of known hosts.root@172.117.12.61's password: Last login: Wed Feb 8 17:30:11 2017 from server-1[root@rhel65 ~]# ssh 172.117.12.61Last login: Wed Feb 8 17:32:04 2017 from server-3[root@rhel65 ~]# ssh 172.117.12.62Last login: Wed Feb 8 17:26:09 2017 from server-12.1.3 ZooKeeper环境
ZooKeeper是一个分布式应用程序协调服务框架，分布式应用程序可以基于ZooKeeper来实现同步服务、配置维护、命名服务等，ZooKeeper能提供基于类似于文件系统的目录节点树方式的数据存储，通过监控各节点数据状态的变化，达到基于数据的集群管理。ZooKeeper主要由表2-2所示的几个角色构成。表2-2 ZooKeeper集群主要角色说明
角 描 述
色Leade集群的领导者，负责投票的发起和决议及更新系统状态rLearnFoll跟随者，接受客户端的请求并返回结果给客户端，参与投票erowerObs接受客户端的请求，将写的请求转发给Leader，不参与投票。erveObserver目的是扩展系统，提高读的速度r
关于ZooKeeper的原理及其他相关知识，读者可查阅ZooKeeper官方网站（http://mirrors. cnnic.cn/apache/zookeeper/）及相关书籍进行深入了解。
Kafka依赖ZooKeeper，通过ZooKeeper来对代理、消费者上下线管理、集群、分区元数据管理等，因此ZooKeeper也是Kafka得以运行的基础环境之一。
进入ZooKeeper官方网站http://mirrors.cnnic.cn/apache/zookeeper/下载ZooKeeper（本书所用ZooKeeper版本为zookeeper-3.4.8），然后将下载文件解压到指定目录。对ZooKeeper的安装，下面按Windows和Linux分别进行讲解。1．Windows安装ZooKeeper
一般会选择在Linux操作系统上安装和部署分布式服务，因此这里并不打算讲解Windows环境下ZooKeeper集群环境搭建，只是简单介绍Windows环境下ZooKeeper单机模式的安装。（1）解压安装。首先将ZooKeeper安装包zookeeper-3.4.8.tar.gz解压到相应目录，这里将ZooKeeper解压到D:\software\zookeeper-3.4.8目录下。然后进入ZooKeeper安装路径conf目录下，会看到ZooKeeper提供了一个zoo_sample.cfg的配置模板，将该文件重命名为zoo.cfg。zoo.cfg文件中只需修改dataDir和dataLogDir配置，其他配置使用默认值（其他配置及其含义将在下面的“Linux搭建ZooKeeper环境”小节详细介绍）。这里对dataDir和dataLogDir配置如下：dataDir=F:\\zookeeper\\datadataLogDir=F:\\zookeeper\\logs
至此，Windows环境下ZooKeeper安装配置完成。下面进入ZooKeeper安装路径bin目录下，启动及验证ZooKeeper安装是否成功。（2）验证。执行启动ZooKeeper命令：zkServer.cmd # windows下启动ZooKeeper
若输出没有任何错误，通过jps命令可以看到ZooKeeper相关进程。输入命令：jps # 查看Java进程命令
输出结果中至少包括以下进程名：12008 QuorumPeerMain11596 Jps
还可以进入ZooKeeper的安装路径bin目录下，通过ZooKeeper客户端连接到ZooKeeper服务，执行以下命令进一步验证ZooKeeper是否安装成功：zkCli.cmd -server 127.0.0.1:2181 # 登录到ZooKeeper服务器
在输出信息中会看到“Welcome to ZooKeeper!”，同时显示接受命令输入界面。
在客户端输入：ls / # 查看ZooKeeper服务器目录结构
此时ZooKeeper服务器中仅有一个zookeeper节点，信息显示如下：[zk: 127.0.0.1:2181(CONNECTED) 0] ls /[zookeeper]
至此，Windows环境下安装ZooKeeper讲解完毕。2．Linux搭建ZooKeeper环境
在Linux环境下ZooKeeper单机模式配置与上一小节介绍的Windows环境下ZooKeeper安装配置的操作步骤基本相同，因此本小节直接介绍ZooKeeper分布式环境搭建。下面将讲解在Linux环境下如何配置由3台机器构成的ZooKeeper集群环境，这3台机器的IP地址分别为172.117.12.61、172.117.12.62和172.117.12.63。（1）解压安装。首先在3台机器上分别将zookeeper-3.4.8.tar.gz解压到/usr/local/software/ zookeeper目录。进入解压后的zookeeper-3.4.8 /conf目录，将zoo.sample.cfg重命名为zoo.cfg。关于ZooKeeper配置文件中几个基础配置项的说明如表2-3所示。表2-3 ZooKeeper基础配置说明配 默 说 明置 认 项值tickT2000ZooKeeper中的一个时间单元。ZooKeeper中所有时间都以这个时间单imems元为基准，进行整数倍配置，默认是2 sinitLi10Follower在启动过程中，会从Leader同步所有最新数据，确定自己能够mit对外服务的起始状态。当Follower在initLimt个tickTime还没有完成数据同步时，则Leader仍为Follower连接失败sync5Leader与Follower之间通信请求和应答的时间长度。若Leader在LimitsyncLimit个tickTime还没有收到Follower应答，则认为该Leader已下线
试读结束[说明：试读内容隐藏了图片]