kafka partition（分割槽）與 group
一、
1、原理圖
2、原理描述
一個topic 可以配置幾個partition，produce傳送的訊息分發到不同的partition中，consumer接受資料的時候是按照group來接受，kafka確保每個partition只能同一個group中的同一個consumer消費，如果想要重複消費，那麼需要其他的組來消費。Zookeerper中儲存這每個topic下的每個partition在每個group中消費的offset
新版kafka把這個offsert儲存到了一個__consumer_offsert的topic下
這個__consumer_offsert 有50個分割槽，通過將group的id雜湊值%50的值來確定要儲存到那一個分割槽. 這樣也是為了考慮到zookeeper不擅長大量讀寫的原因。
所以，如果要一個group用幾個consumer來同時讀取的話，需要多執行緒來讀取，一個執行緒相當於一個consumer例項。當consumer的數量大於分割槽的數量的時候，有的consumer執行緒會讀取不到資料。
假設一個topic test 被groupA消費了，現在啟動另外一個新的groupB來消費test，預設test-groupB的offset不是0，而是沒有新建立，除非當test有資料的時候，groupB會收到該資料，該條資料也是第一條資料，groupB的offset也是剛初始化的ofsert, 除非用顯式的用–from-beginnging 來獲取從0開始資料
3、檢視topic-group的offsert
位置：zookeeper
路徑：[zk: localhost:2181(CONNECTED) 3] ls /brokers/topics/__consumer_offsets/partitions
在zookeeper的topic中有一個特殊的topic __consumer_offserts
計算方法：（放入哪個partitions）
int hashCode = Math.abs("ttt".hashCode());
int partition = hashCode % 50;
先計算group的hashCode，再除以分割槽數(50),可以得到partition的值
使用命令檢視： kafka-simple-consumer-shell.sh --topic __consumer_offsets --partition 11 --broker-list localhost:9092,localhost:9093,localhost:9094 --formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter"
4.引數
auto.offset.reset:預設值為largest，代表最新的訊息，smallest代表從最早的訊息開始讀取，當consumer剛開始建立的時候沒有offset這種情況，如果設定了largest，則為當收到最新的一條訊息的時候開始記錄offsert,若設定為smalert，那麼會從頭開始讀partition
2、對於傳統的message queue而言，一般會刪除已經被消費的訊息，而Kafka叢集會保留所有的訊息，無論其被消費與否。當然，因為磁碟限制，不可能永久保留所有資料（實際上也沒必要），
因此Kafka提供兩種策略刪除舊資料。一是基於時間，二是基於Partition檔案大小。
例如可以通過配置$KAFKA_HOME/config/server.properties，讓Kafka刪除一週前的資料，也可在Partition檔案超過1GB時刪除舊資料，配置如下所示。
這裡要注意，因為Kafka讀取特定訊息的時間複雜度為O(1)，即與檔案大小無關，所以這裡刪除過期檔案與提高Kafka效能無關。選擇怎樣的刪除策略只與磁碟以及具體的需求有關。另外，Kafka會為每一個Consumer Group保留一些metadata資訊——當前消費的訊息的position，也即offset。這個offset由Consumer控制。正常情況下Consumer會在消費完一條訊息後遞增該offset。當然，Consumer也可將offset設成一個較小的值，重新消費一些訊息。因為offet由Consumer控制，所以Kafka broker是無狀態的，它不需要標記哪些訊息被哪些消費過，也不需要通過broker去保證同一個Consumer Group只有一個Consumer能消費某一條訊息，因此也就不需要鎖機制，這也為Kafka的高吞吐率提供了有力保障。
3、producer
Producer傳送訊息到broker時，會根據Paritition機制選擇將其儲存到哪一個Partition。如果Partition機制設定合理，所有訊息可以均勻分佈到不同的Partition裡，這樣就實現了負載均衡。如果一個Topic對應一個檔案，那這個檔案所在的機器I/O將會成為這個Topic的效能瓶頸，而有了Partition後，不同的訊息可以並行寫入不同broker的不同Partition裡，極大的提高了吞吐率。可以在$KAFKA_HOME/config/server.properties中通過配置項num.partitions來指定新建Topic的預設Partition數量，也可在建立Topic時通過引數指定，同時也可以在Topic建立之後通過Kafka提供的工具修改。
在傳送一條訊息時，可以指定這條訊息的key，Producer根據這個key和Partition機制來判斷應該將這條訊息傳送到哪個Parition。Paritition機制可以通過指定Producer的paritition. class這一引數來指定，該class必須實現kafka.producer.Partitioner介面。本例中如果key可以被解析為整數則將對應的整數與Partition總數取餘，該訊息會被髮送到該數對應的Partition。（每個Parition都會有個序號,序號從0開始）
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import
kafka.producer.Partitioner;
import
kafka.utils.VerifiableProperties;
public
class
JasonPartitioner<T>
implements
Partitioner {
public
JasonPartitioner(VerifiableProperties verifiableProperties) {}
@Override
public
int
partition(Object key,
int
numPartitions) {
try
{
int
partitionNum = Integer.parseInt((String) key);
return
Math.abs(Integer.parseInt((String) key) % numPartitions);
}
catch
(Exception e) {
return
Math.abs(key.hashCode() % numPartitions);
}
}
}
|
如果將上例中的類作為partition.class，並通過如下程式碼傳送20條訊息（key分別為0，1，2，3）至topic3（包含4個Partition）。
| 1 2 3 4 5 6 7 8 9 10 |
public
void
sendMessage()
throws
InterruptedException{
for
(
int
i =
1
; i <=
5
; i++){
List messageList =
new
ArrayList<KeyedMessage<String, String>>();
for
(
int
j =
0
; j <
4
; j++）{
messageList.add(
new
KeyedMessage<String, String>(
"topic2"
, j+
""
,
"The "
+ i +
" message for key "
+ j));
}
producer.send(messageList);
}
producer.close();
}
|
則key相同的訊息會被髮送並存儲到同一個partition裡，而且key的序號正好和Partition序號相同。（Partition序號從0開始，本例中的key也從0開始）。下圖所示是通過Java程式呼叫Consumer後打印出的訊息列表。
4、consumer group （本節所有描述都是基於Consumer hight level API而非low level API）。
使用Consumer high level API時，同一Topic的一條訊息只能被同一個Consumer Group內的一個Consumer消費，但多個Consumer Group可同時消費這一訊息。
這是Kafka用來實現一個Topic訊息的廣播（發給所有的Consumer）和單播（發給某一個Consumer）的手段。一個Topic可以對應多個Consumer Group。如果需要實現廣播，只要每個Consumer有一個獨立的Group就可以了。要實現單播只要所有的Consumer在同一個Group裡。用Consumer Group還可以將Consumer進行自由的分組而不需要多次傳送訊息到不同的Topic。
實際上，Kafka的設計理念之一就是同時提供離線處理和實時處理。根據這一特性，可以使用Storm這種實時流處理系統對訊息進行實時線上處理，同時使用Hadoop這種批處理系統進行離線處理，還可以同時將資料實時備份到另一個數據中心，只需要保證這三個操作所使用的Consumer屬於不同的Consumer Group即可。
下面這個例子更清晰地展示了Kafka Consumer Group的特性。首先建立一個Topic (名為topic1，包含3個Partition)，然後建立一個屬於group1的Consumer例項，並建立三個屬於group2的Consumer例項，最後通過Producer向topic1傳送key分別為1，2，3的訊息。結果發現屬於group1的Consumer收到了所有的這三條訊息，同時group2中的3個Consumer分別收到了key為1，2，3的訊息。