ToB企服应用市场:ToB评测及商务社交产业平台

标题: 「Kafka」消费者篇 [打印本页]

---

作者: 天空闲话    时间: 2024-7-28 08:42
标题: 「Kafka」消费者篇
「Kafka」消费者篇

Kafka 消费方式

Kafka 消费者工作流程

消费者总体工作流程

新版本（0.9之后）的 offset 生存在 kafka 的 Topic 里，持久化到磁盘，可靠性有保障。
老版本（0.9之前）的 offset 生存在 Zookeeper 的 consumers 节点路径下。
为什么转移了呢？假如所有的消费者都把 offset 维护在 Zookeeper 中，那么所有的消费者都必要跟 Zookeeper 进行大量的交互，就会导致网络数据传输非常频繁，压力较大。所以存储在主题里更易于维护管理。
消费者组原理

消费者组

消费者组初始化流程

消费者组详细消费流程

• 起首，kafka 必要和消费者组创建网络连接客户端：ConsumerNetworkClient
  
• 消费者组发送消费哀求 sendFetches，颠末客户端，调用 send 方法发送哀求到 kafka
  
  
  
  • 这里会设置 3 个参数：
    
    
    
    • fetch.min.bytes：每批次最小抓取巨细，默认1字节
      
    • fetch.max.wait.ms：一批数据最小值未达到的超时时间，默认500ms
      
    • fetch.max.bytes：每批次最大抓取巨细，默认50m
      
    
    
  
  
• 通过回调方法 onSuccess 把对应的结果拉取过来，存储在 completedFetches 队列中
  
• 消费者调用 fetchedRecords 方法从队列中抓取数据
  
  
  
  • max.poll.records：一次拉取数据返回消息的最大条数，默认500条
    
  
  
• 再颠末反序列化、拦截器，末了处理数据。
  
  
  
  • 在生产端也有拦截器，拦截器的作用：整个 kafka 集群不会处理数据，只会存数据，那么处理数据就可以在生产端和消费端的拦截器去做，而且拦截器可以方便的监控 kafka 的运行情况。这也是 kafka 高吞吐量的缘故原由。
    
  
  

消费者紧张参数

消费者 API

独立消费者案例（订阅主题）

• 需求：创建一个独立消费者，消费 first 主题中数据。
  
  
  
  留意：在消费者 API 代码中必须配置消费者组 id。下令行启动消费者不填写消费者组 id 会被自动填写随机的消费者组 id。
  
• 实现步调
  
  
  
  • 创建包名：com.atguigu.kafka.consumer
    
  • 编写代码
    1. import org.apache.kafka.clients.consumer.ConsumerConfig;
    2. import org.apache.kafka.clients.consumer.ConsumerRecord;
    3. import org.apache.kafka.clients.consumer.ConsumerRecords;
    4. import org.apache.kafka.clients.consumer.KafkaConsumer;
    5. import org.apache.kafka.common.serialization.StringDeserializer;
    6. import java.time.Duration;
    7. import java.util.ArrayList;
    8. import java.util.Properties;
    10. class CustomConsumer {
    11.     public static void main(String[] args) {
    12.         // 0.创建消费者的配置对象
    13.         Properties properties = new Properties();
    15.         // 给消费者配置对象添加参数
    16.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
    18.         // 反序列化 必须
    19.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
    20.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
    22.         // 配置消费者组id（组名任意起名）必须
    23.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
    25.         // 1.创建消费者对象
    26.         KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
    28.         // 2.订阅要消费的主题（可以消费多个主题）
    29.         ArrayList<String> topics = new ArrayList<>();
    30.         topics.add("first");
    31.         kafkaConsumer.subscribe(topics);
    32.         
    33.         // 3.消费数据
    34.         while (true) {
    35.             // 设置每过1s消费一批数据
    36.             ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
    37.             // 打印消费到的数据
    38.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
    39.                 System.out.println(consumerRecord);
    40.             }
    41.         }
    42.     }
    43. }

    复制代码
  
  
• 测试
  
  
  
  • 在 IDEA 中实行消费者步伐
    
  • 在 Kafka 集群控制台，创建 Kafka 生产者，并输入数据
    1. [atguigu@hadoop102 kafka]$ bin/kafka-console-producer.sh --bootstrap-server hadoop102:9092 --topic first
    2. >hello

    复制代码
  • 在 IDEA 控制台观察吸收到的数据
    1. ConsumerRecord(topic = first, partition = 1, leaderEpoch = 3, offset = 0, CreateTime = 1629160841112, serialized key size = -1, serialized value size = 5, headers = RecordHeaders(headers = [], isReadOnly = false), key = null, value = hello)

    复制代码
  
  

独立消费者案例（订阅分区）

• 需求：创建一个独立消费者，消费 first 主题 0 号分区的数据。
  
  
  
  
• 实现步调
  
  
  
  • 代码编写
    1. import org.apache.kafka.clients.consumer.ConsumerConfig;
    2. import org.apache.kafka.clients.consumer.ConsumerRecord;
    3. import org.apache.kafka.clients.consumer.ConsumerRecords;
    4. import org.apache.kafka.clients.consumer.KafkaConsumer;
    5. import org.apache.kafka.common.serialization.StringDeserializer;
    6. import java.time.Duration;
    7. import java.util.ArrayList;
    8. import java.util.Properties;
    10. class CustomConsumer {
    11.     public static void main(String[] args) {
    12.         // 0.创建消费者的配置对象
    13.         Properties properties = new Properties();
    15.         // 给消费者配置对象添加参数
    16.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
    18.         // 反序列化 必须
    19.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
    20.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
    22.         // 配置消费者组id（组名任意起名）必须
    23.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
    25.         // 1.创建消费者对象
    26.         KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
    28.         // 2.订阅某个主题的某个分区
    29.                 ArrayList<TopicPartition> topicPartitions = new ArrayList<>();
    30.                 topicPartitions.add(new TopicPartition("first", 0));
    31.                 kafkaConsumer.assign(topicPartitions);
    32.         
    33.         // 3.消费数据
    34.         while (true) {
    35.             // 设置每过1s消费一批数据
    36.             ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
    37.             // 打印消费到的数据
    38.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
    39.                 System.out.println(consumerRecord);
    40.             }
    41.         }
    42.     }
    43. }

    复制代码
  
  
• 测试
  
  
  
  • 在 IDEA 中实行消费者步伐
    
  • 在 IDEA 中实行生产者步伐在控制台观察生成几个 0 号分区的数据
    
    1. for (int i = 0; i < 5; i++) {
    2.         kafkaProducer.send(new ProducerRecord<>("first", "atguigu " + i), new Callback() {
    3.                 @Override
    4.                 public void onCompletion(RecordMetadata metadata, Exception e) {
    5.                         if (e == null) {
    6.                         System.out.println("主题：" + metadata.topic() + "->" +
    7.                                                            "分区：" + metadata.partition());
    8.                         } else {
    9.                                 e.printStackTrace();
    10.                         }
    11.                 }
    12.         });
    13. }

    复制代码
    1. first 0 381
    2. first 0 382
    3. first 2 168
    4. first 1 165
    5. first 1 166

    复制代码
  • 在 IDEA 控制台，观察吸收到的数据，只能消费到 0 号分区数据表现正确
    
    
    
  
  

消费者组案例

• 需求：测试同一个主题的分区数据，只能由一个消费者组中的一个消费。
  
  
  
  
• 案例实操
  
  
  
  • 复制两份基础消费者的代码，在 IDEA 中同时启动，即可启动同一个消费者组中的三个消费者
    
  • 启动代码中的生产者发送消息，分别发送到了0、1、2，三个分区（假如只发送到一个分区，可以在发送时增加延长代码 Thread.sleep(2); ）
    
    
    
    
  • 在 IDEA 控制台即可看到三个消费者在消费不同分区的数据
    
    
    
    
    
    
    
    
    
    
  
  

一个分区的数据只由消费者组中的一个消费者消费。
生产经验—分区的分配以及再均衡

Consumer Leader 就是根据分区分配计谋，制定消费方案。

Range 以及再均衡

Range 分区分配计谋案例

• 修改主题 first 为 7 个分区
  
  1. [atguigu@hadoop102 kafka]$ bin/kafka-topics.sh --bootstrap-server hadoop102:9092 --alter --topic first --partitions 7

  复制代码
  留意：分区数可以增加，但是不能淘汰。
  
• 同时启动 3 个消费者：CustomConsumer、CustomConsumer1、CustomConsumer2 组成消费者组，组名都为“test”
  
• 启动 CustomProducer 生产者，发送 500 条消息，随机发送到不同的分区
  
  1. for (int i = 0; i < 500; i++) {
  2.     kafkaProducer.send(new ProducerRecord<>("first", "atguigu " + i), new Callback() {
  3.         @Override
  4.         public void onCompletion(RecordMetadata metadata, Exception e) {
  5.             if (e == null) {
  6.                 System.out.println("主题：" + metadata.topic() + "->" +
  7.                         "分区：" + metadata.partition());
  8.             } else {
  9.                 e.printStackTrace();
  10.             }
  11.         }
  12.     });
  13. }

  复制代码
• 观察 3 个消费者分别消费哪些分区的数据
  
  
  
  
  
  
  符合预期。
  

Range 分区分配再均衡案例

• 停止掉 0 号消费者，快速重新发送消息观看结果（45s 以内，越快越好）
  
  
  
  • 1 号消费者：消费到 3、4 号分区数据。
    
  • 2 号消费者：消费到 5、6 号分区数据。
    
  • 0 号消费者的任务会整体被分配到 1 号消费者或者 2 号消费者。
    
  • 说明：0 号消费者挂掉后，消费者组必要按照超时时间 45s 来判断它是否退出，所以必要等待，时间到了 45s 后，判断它真的退出就会把任务分配给其他 broker 实行。
    
  
  
• 再次重新发送消息观看结果（45s 以后）
  
  
  
  • 1 号消费者：消费到 0、1、2、3 号分区数据。
    
  • 2 号消费者：消费到 4、5、6 号分区数据。
    
  • 说明：消费者 0 已经被踢出消费者组，所以重新按照 range 方式分配。
    
  
  

RoundRobin 以及再均衡

RoundRobin 分区分配计谋案例

• 依次在 CustomConsumer、CustomConsumer1、CustomConsumer2 三个消费者代码中修改分区分配计谋为 RoundRobin
  
  1. // 修改分区分配策略
  2. properties.put(ConsumerConfig.PARTITION_ASSIGNMENT_STRATEGY_CONFIG, "org.apache.kafka.clients.consumer.RoundRobinAssignor");

  复制代码
• 重启 3 个消费者，重复发送消息的步调，观看分区结果
  
  
  
  符合预期。
  

RoundRobin 分区分配再均衡案例

• 停止掉 0 号消费者，快速重新发送消息观看结果（45s 以内，越快越好）
  
  
  
  • 1 号消费者：消费到 2、5 号分区数据
    
  • 2 号消费者：消费到 4、1 号分区数据
    
  • 0 号消费者的任务会按照 RoundRobin 的方式，把数据轮询分成 0 、6 和 3 号分区数据，分别由 1 号消费者卓和 2 号消费者消费。
    
  • 说明：0 号消费者挂掉后，消费者组必要按照超时时间 45s 来判断它是否退出，所以必要等待，时间到了 45s 后，判断它真的退出就会把任务分配给其他 broker 实行。
    
  
  
• 再次重新发送消息观看结果（45s 以后）
  
  
  
  • 1 号消费者：消费到 0、2、4、6 号分区数据
    
  • 2 号消费者：消费到 1、3、5 号分区数据
    
  • 说明：消费者 0 已经被踢出消费者组，所以重新按照 RoundRobin 方式分配。
    
  
  

Sticky 以及再均衡

**粘性分区定义：**可以理解为分配的结果带有“粘性的”。即在实行一次新的分配之前，考虑上一次分配的结果，尽量少的调整分配的变更，可以节流大量的开销。
粘性分区是 Kafka 从 0.11.x 版本开始引入这种分配计谋，起首会尽量均衡的放置分区到消费者上面，在出现同一消费者组内消费者出现问题的时间，会尽量保持原有分配的分区不变化。

• 需求：设置主题为 first，7 个分区；预备 3 个消费者，采用粘性分区计谋，并进行消费，观察消费分配情况。然后再停止其中一个消费者，再次观察消费分配情况。
  
• 步调
  
  
  
  • 修改分区分配计谋为粘性 Sticky
    
    1. // 修改分区分配策略
    2. ArrayList<String> startegys = new ArrayList<>();
    3. startegys.add("org.apache.kafka.clients.consumer.StickyAssignor");
    5. properties.put(ConsumerConfig.PARTITION_ASSIGNMENT_STRATEGY_CONFIG, startegys);

    复制代码
  • 使用同样的生产者发送 500 条消息
    
    
    
    
    
    
    可以多重启频频观察，发现会尽量保持分区的个数近似分别分区。
               与 RoundRobin 计谋区别：RoundRobin 是有序的，按照顺序轮询分配，而 Sticky 是随机分配的，而且在出现同一消费组内消费者出现问题的时间，会尽量保持原有分配的分区不变化。
    
  
  

Sticky 分区分配再均衡案例

• 停止掉 0 号消费者，快速重新发送消息观看结果（45s 以内，越快越好）
  
  
  
  • 1 号消费者：消费到 2、5、3 号分区数据。
    
  • 2 号消费者：消费到 4、6 号分区数据。
    
  • 0 号消费者的任务会按照粘性规则，尽可能均衡的随机分成 0 和 1 号分区数据，分别由 1 号消费者或者 2 号消费者消费。
    
  • 说明：0 号消费者挂掉后，消费者组必要按照超时时间 45s 来判断它是否退出，所以必要等待，时间到了 45s 后，判断它真的退出就会把任务分配给其他 broker 实行。
    
  
  
• 再次重新发送消息观看结果（45s 以后）
  
  
  
  • 1 号消费者：消费到 2、3、5 号分区数据。
    
  • 2 号消费者：消费到 0、1、4、6 号分区数据。
    
  • 说明：消费者 0 已经被踢出消费者组，所以重新按照粘性方式分配。出现同一消费组内消费者出现问题的时间，会尽量保持原有分配的分区不变化。
    
  
  

CooperativeSticky以及再均衡

上述三种分区分配计谋均是基于 eager 协议，Kafka2.4.0开始引入 CooperativeSticky 计谋——在不绝止消费的情况下进行增量再均衡。
CooperativeSticky 与之前的 Sticky 虽然都是维持原来的分区分配方案，最大的区别是：Sticky仍旧是基于 eager 协议，分区重分配时间，都必要 consumers 先放弃当前持有的分区，重新加入consumer group；而 CooperativeSticky 基于 cooperative 协议，该协议将原来的一次全局分区重均衡，改成多次小规模分区重均衡。
比方：一个Topic(T0，三个分区)，两个 consumers(consumer1、consumer2) 均订阅 Topic(T0)。
假如consumers订阅信息为：
consumer1T0P0、T0P2consumer2T0P1 此时，新的 consumer3 加入消费者组，那么基于 eager 协议的分区重分配计谋流程：

• consumer1、 consumer2 正常发送心跳信息到 Group Coordinator。
  
• 随着 consumer3 加入，Group Coordinator 收到对应的 Join Group 哀求，Group Coordinator 确认有新成员必要加入消费者组。
  
• Group Coordinator 通知 consumer1 和 consumer2，必要 rebalance 了。
  
• consumer1 和 consumer2 放弃（revoke）当前各自持有的已有分区，重新发送 Join Group 哀求到 Group Coordinator。
  
• Group Coordinator 依据指定的分区分配计谋的处理逻辑，生成新的分区分配方案，然后通过 Sync Group 哀求，将新的分区分配方案发送给 consumer1、consumer2、consumer3。
  
• 所有 consumers 按照新的分区分配，重新开始消费数据。
  

而基于 cooperative 协议的分区分配计谋的流程：

• consumer1、 consumer2 正常发送心跳信息到 Group Coordinator。
  
• 随着 consumer3 加入，Group Coordinator 收到对应的 Join Group 哀求，Group Coordinator确认有新成员必要加入消费者组。
  
• Group Coordinator 通知 consumer1 和 consumer2，必要 rebalance 了。
  
• consumer1、consumer2 通过 Join Group 哀求将已经持有的分区发送给 Group Coordinator。
  
  
  
  • 留意：并没有放弃（revoke）已有分区。
    
  
  
• Group Coordinator 取消 consumer1 对分区 p2 的消费，然后发送 sync group 哀求给 consumer1、consumer2。
  
• consumer1、consumer2 吸收到分区分配方案，重新开始消费。至此，一次 rebalance 完成。
  
• 当前 p2 也没有被消费，再次触发下一轮 rebalance，将 p2 分配给 consumer3 消费。
  

   参考：Kafka消费者分区分配计谋详解
  该文把这 4 个计谋写的都非常全面。
  offset 位移

offset 的默认维护位置

__consumer_offsets 主题内里采用 key 和 value 的方式存储数据。key 是 group.id+topic+分区号，value 就是当前 offset的值。每隔一段时间，kafka 内部会对这个 topic 进行 compact，也就是每个 group.id+topic+分区号 只保留最新数据。
消费 offset 案例

自动提交 offset

消费者自动提交 offset

1. import org.apache.kafka.clients.consumer.ConsumerConfig;
2. import org.apache.kafka.clients.consumer.ConsumerRecord;
3. import org.apache.kafka.clients.consumer.ConsumerRecords;
4. import org.apache.kafka.clients.consumer.KafkaConsumer;
5. import java.time.Duration;
6. import java.util.Arrays;
7. import java.util.Properties;
9. public class CustomConsumerAutoOffset {
10.     public static void main(String[] args) {
11.         // 1. 创建 kafka 消费者配置类
12.         Properties properties = new Properties();
13.         // 2. 添加配置参数
14.         // 添加连接
15.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
16.         // 配置序列化 必须
17.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
18.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
19.         // 配置消费者组
20.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
22.         // 是否自动提交 offset，默认为true
23.         properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, true);
25.         // 提交 offset 的时间周期 1000ms，默认 5s
26.         properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, 1000);
28.         // 3. 创建 kafka 消费者
29.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(properties);
31.         // 4. 设置消费主题 形参是列表
32.         consumer.subscribe(Arrays.asList("first"));
34.         // 5. 消费数据
35.         while (true) {
36.             // 读取消息
37.             ConsumerRecords<String, String> consumerRecords = consumer.poll(Duration.ofSeconds(1));
38.             // 输出消息
39.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
40.                 System.out.println(consumerRecord.value());
41.             }
42.         }
43.     }
44. }

复制代码

手动提交 offset

同步提交 offset
由于同步提交 offset 有失败重试机制，故更加可靠，但是由于不停等待提交结果，提交的服从比较低。
以下为同步提交 offset 的示例：

1. import org.apache.kafka.clients.consumer.ConsumerConfig;
2. import org.apache.kafka.clients.consumer.ConsumerRecord;
3. import org.apache.kafka.clients.consumer.ConsumerRecords;
4. import org.apache.kafka.clients.consumer.KafkaConsumer;
5. import java.time.Duration;
6. import java.util.Arrays;
7. import java.util.Properties;
9. public class CustomConsumerByHandSync {
10.     public static void main(String[] args) {
11.         // 1. 创建 kafka 消费者配置类
12.         Properties properties = new Properties();
13.         // 2. 添加配置参数
14.         // 添加连接
15.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
16.         // 配置序列化 必须
17.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
18.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer");
19.         // 配置消费者组
20.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
22.         // 是否自动提交 offset
23.         properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);
25.         // 3. 创建 kafka 消费者
26.         KafkaConsumer<String, String> consumer = new KafkaConsumer<>(properties);
28.         // 4. 设置消费主题 形参是列表
29.         consumer.subscribe(Arrays.asList("first"));
31.         // 5. 消费数据
32.         while (true) {
33.             // 读取消息
34.             ConsumerRecords<String, String> consumerRecords = consumer.poll(Duration.ofSeconds(1));
35.             // 输出消息
36.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
37.                 System.out.println(consumerRecord.value());
38.             }
39.             // 同步提交 offset
40.             consumer.commitSync();
41.         }
42.     }
43. }

复制代码

异步提交 offset
虽然同步提交 offset 更可靠一些，但是由于其会壅闭当前线程，直到提交成功。因此吞吐量会受到很大的影响。因此更多的情况下，会选用异步提交 offset 的方式。
以下为异步提交 offset 的示例，更换 KafkaConsumer 调用的 API 即可：

1. // 异步提交 offset
2. consumer.commitAsync();

复制代码

指定 offset 消费

auto.offset.reset = earliest | latest | none，默认是 latest。
当 Kafka 中没有初始偏移量（消费者组第一次消费）或服务器上不再存在当前偏移量时（比方该数据已被删除），该怎么办？

• earliest：自动将偏移量重置为最早的偏移量，--from-beginning
  
• latest（默认值）：自动将偏移量重置为最新偏移量
  
• none：假如未找到消费者组的先前偏移量，则向消费者抛出异常
  
  
  
  
• 任意指定 offset 位移开始消费
  
  1. import org.apache.kafka.clients.consumer.*;
  2. import org.apache.kafka.common.TopicPartition;
  3. import org.apache.kafka.common.serialization.StringDeserializer;
  4. import java.time.Duration;
  5. import java.util.*;
  7. public class CustomConsumerSeek {
  8.     public static void main(String[] args) {
  9.         // 0 配置信息
  10.         Properties properties = new Properties();
  11.         // 连接
  12.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
  13.         // key value 反序列化
  14.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
  15.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
  16.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test2");
  18.         // 1 创建一个消费者
  19.         KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
  21.         // 2 订阅一个主题
  22.         ArrayList<String> topics = new ArrayList<>();
  23.         topics.add("first");
  24.         kafkaConsumer.subscribe(topics);
  25.         Set<TopicPartition> assignment = kafkaConsumer.assignment();
  26.         // 保证分区分配方案已经制定完毕
  27.         // 消费者初始化流程：
  28.         // 1)消费者跟coordinator汇报，我要加入消费者组
  29.         // 2)然后coordinator会选择一个Consumer Leader，把各Topic的情况给到它
  30.         // 3)Consumer Leader会制定分区分配方案，发给coordinator
  31.         // 4)coordinator再把分区分配方案下发给所有Consumer
  32.         // 所以需要等待一段时间。
  33.         while (assignment.size() == 0) {
  34.             kafkaConsumer.poll(Duration.ofSeconds(1));
  35.             // 获取消费者分区分配信息（有了分区分配信息才能开始消费）
  36.             assignment = kafkaConsumer.assignment();
  37.         }
  38.         // 遍历所有分区，并指定 offset 从 1700 的位置开始消费
  39.         for (TopicPartition tp : assignment) {
  40.             kafkaConsumer.seek(tp, 1700);
  41.         }
  42.         // 3 消费该主题数据
  43.         while (true) {
  44.             ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
  45.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
  46.                 System.out.println(consumerRecord);
  47.             }
  48.         }
  49.     }
  50. }

  复制代码
  留意：每次实行完，必要修改消费者组名。
  

指定时间消费

• 需求：在生产环境中，会碰到近来消费的几个小时数据异常，想重新按照时间消费。
  
  
  
  • 比方要求按照时间消费前一天的数据，怎么处理？
    
  
  
• 操作步调：
  1. import org.apache.kafka.clients.consumer.*;
  2. import org.apache.kafka.common.TopicPartition;
  3. import org.apache.kafka.common.serialization.StringDeserializer;
  4. import java.time.Duration;
  5. import java.util.*;
  7. public class CustomConsumerSeekTime {
  8.     public static void main(String[] args) {
  9.         // 0 配置信息
  10.         Properties properties = new Properties();
  11.         // 连接
  12.         properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
  13.         // key value 反序列化
  14.         properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
  15.         properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
  16.         properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test2");
  18.         // 1 创建一个消费者
  19.         KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer<>(properties);
  21.         // 2 订阅一个主题
  22.         ArrayList<String> topics = new ArrayList<>();
  23.         topics.add("first");
  24.         kafkaConsumer.subscribe(topics);
  25.         Set<TopicPartition> assignment = kafkaConsumer.assignment();
  26.         // 保证分区分配方案已经制定完毕
  27.         while (assignment.size() == 0) {
  28.             kafkaConsumer.poll(Duration.ofSeconds(1));
  29.             // 获取消费者分区分配信息（有了分区分配信息才能开始消费）
  30.             assignment = kafkaConsumer.assignment();
  31.         }
  32.         // 希望把时间转换为对应的offset
  33.         Map<TopicPartition, Long> timestampToSearch = new HashMap<>();
  34.         // 封装集合存储，每个分区对应一天前的数据
  35.         for (TopicPartition topicPartition : assignment) {
  36.             timestampToSearch.put(topicPartition, System.currentTimeMillis() - 24 * 3600 * 1000);
  37.         }
  38.         // 获取从 1 天前开始消费的每个分区的 offset
  39.         Map<TopicPartition, OffsetAndTimestamp> offsets = kafkaConsumer.offsetsForTimes(timestampToSearch);
  40.         // 遍历每个分区，对每个分区设置消费时间。
  41.         for (TopicPartition topicPartition : assignment) {
  42.             OffsetAndTimestamp offsetAndTimestamp = offsets.get(topicPartition);
  43.             // 根据时间指定开始消费的位置
  44.             if (offsetAndTimestamp != null) {
  45.                 kafkaConsumer.seek(topicPartition, offsetAndTimestamp.offset());
  46.             }
  47.         }
  48.         // 3 消费该主题数据
  49.         while (true) {
  50.             ConsumerRecords<String, String> consumerRecords = kafkaConsumer.poll(Duration.ofSeconds(1));
  51.             for (ConsumerRecord<String, String> consumerRecord : consumerRecords) {
  52.                 System.out.println(consumerRecord);
  53.             }
  54.         }
  55.     }
  56. }

  复制代码

重复消费和漏消费

• 重复消费：已经消费了数据，但是 offset 没提交。
  
• 漏消费：先提交 offset 后消费，有可能会造成数据的漏消费。
  

生产经验—消费者事务

生产经验—数据积压（消费者如何进步吞吐量）

生产者进步吞吐量：

• batch.size：默认 16k
  
• linger.ms：默认 0ms
  
• compression.type：数据压缩，默以为 None
  
• buffer.memory：RecordAccumlator 缓冲区巨细，默认 32M
  

消费者进步吞吐量：

• 增加 Topic 的分区数，同时增加消费者数目
  
• max.poll.records：进步每批次拉取的数目，默认500条
  

在生产环境中合理调整这几个参数，达到最大化吞吐量。

   条记整理自b站尚硅谷视频教程：【尚硅谷】Kafka3.x教程（从入门到调优，深入全面）

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)

Powered by Discuz! X3.4