一些重要的原理
基本原理什麼叫broker partition cg我就不在這裏說了，說一些自己總結的原理
1.kafka有副本的概念，每個副本都分在不同的partition中，這中間分爲leader和fllower
2.kafka消費端的程序一定要和partition數量一致，不可以多，會出現有些consumer獲取
不到數據的現象
3.producer原理
producer通過zookeeper獲取所連接的topic都在那些partiton中，每個parition的leader是那
個，針對leader進行寫操作，prodcer通過zookeeper的watch機制來記錄以上的信息，pro
ducer爲了節省網絡的io，還會在本地先把消息buffer起來，並將他們批量發送到broker中
4.consumer原理
consumer向broker發送fetch請求，並告知獲取的消息offset，在kafka中採用pull方式，消費端
主動pull消息，優點:消費者可以控制消費的數量
2.kafka生產環境常用命令總結
1.模擬生產端，推送數據
./bin/kafka-console-producer.sh --broker-list 172.16.10.130:9092 --topic deal_exposure_origin
2.模擬消費端，消費數據
./bin/kafka-console-consumer.sh --zookeeper 1172.16.10.140:2181 --topic deal_exposure_origin
3.創建topic，topic partiton數量 副本數 數據過期時間
./kafka-topics.sh --zookeeper spark:2181 --create --topic deal_task_log --partitions 15 --replication-factor 1 retention.ms 1296000000
3.kafka如何動態的添加副本
1.副本，kafka一定要設置副本，如果之後再加會由於涉及到數據的同步，會把集羣的io提升上去
3.如何擴大副本
2.把所有topic的信息記錄到json文件中，信息有topic名稱，用了哪些partition，副本在那個partition，
並修改json數據，添加副本數
#!/usr/bin/python
from kazoo.client import KazooClient
import random
import json
zk = KazooClient(hosts='172.16.11.73:2181')
zk.start()
for i in zk.get_children('/brokers/topics'):
b= zk.get('/brokers/topics/'+i)[0]
a = eval(b)['partitions']
list = []
dict = {}
for key,value in a.items():
if len(value) == 1:
c = {}
c['topic'] = i.encode('utf-8')
c['partition'] = int(key)
list1 = []
for ii in range(0,3):
while True:
if list1:
pass
else:
for iii in value:
list1.append(iii)
if len(list1) == 3:
break
num = random.randint(0,4)
#print 'num='+str(num),'value='+str(value)
if num not in list1:
list1.append(num)
#print list1
c['replicas'] = list1
list.append(c)
version = eval(b)['version']
dict['version'] = version
dict['partitions'] = list
#jsondata = json.dumps(dict)
json.dump(dict,open('/opt/json/'+i+'.json','w'))
3.加載json文件
/usr/local/kafka_2.9.2-0.8.1.1/bin/kafka-reassign-partitions.sh --zookeeper 192.168.5.159:2181 --reassignment-json-file /opt/test.json --execute
4.查看是否已經添加了副本
usr/local/kafka_2.9.2-0.8.1.1/bin/kafka-topics.sh --describe --zookeeper 192.168.5.159:2181 --topic testtest
Topic:testtest PartitionCount:15 ReplicationFactor:2 Configs:
Topic: testtest Partition: 0 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 1 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 2 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 3 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 4 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 5 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 6 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 7 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 8 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 9 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 10 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 11 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 12 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 13 Leader: 0 Replicas: 0,1 Isr: 0,1
Topic: testtest Partition: 14 Leader: 0 Replicas: 0,1 Isr: 0,1
4.kafka集羣之間做數據同步
找一個broker節點進行同步
1.創建配置文件mirror_consumer.config
配置文件裏寫本地的kafka集羣zookeeper
定義一個group用來去消費所有的topic，進行同步
zookeeper.connect=172.16.11.43:2181,172.16.11.46:2181,172.16.11.60:2181,172.16.11.67:2181,172.16.11.73:2181
group.id=backup-mirror-consumer-group
2.創建配置文件mirror_producer.config
zookeeper，kafka ip寫對端集羣的ip
zookeeper.connect=172.17.1.159:2181,172.17.1.160:2181
metadata.broker.list=172.17.1.159:9092,172.17.1.160:9092
3.同步命令
$KAFKA_HOME/bin/kafka-run-class.sh kafka.tools.MirrorMaker --consumer.config sourceClusterConsumer.config --num.streams 2 --producer.config targetClusterProducer.config --whitelist=".*"
參數詳解
1. 白名單(whitelist) 黑名單(blacklist)
mirror-maker接受精確指定同步topic的白名單和黑名單。使用java標準的正則表達式，爲了方便，逗號(‘,’)被編譯爲java正則中的(‘|’)。
2. Producer timeout
爲了支持高吞吐量，你最好使用異步的內置producer，並將內置producer設置爲阻塞模式（queue.enqueueTimeout.ms=-1）。這樣可以保證數據(messages)不會丟失。否則，異步producer默認的 enqueueTimeout是0，如果producer內部的隊列滿了，數據(messages)會被丟棄，並拋出QueueFullExceptions異常。而對於阻塞模式的producer，如果內部隊列滿了就會一直等待，從而有效的節制內置consumer的消費速度。你可以打開producer的的trace logging，隨時查看內部隊列剩餘的量。如果producer的內部隊列長時間處於滿的狀態，這說明對於mirror-maker來說，將消息重新推到目標Kafka集羣或者將消息寫入磁盤是瓶頸。
對於kafka的producer同步異步的詳細配置請參考$KAFKA_HOME/config/producer.properties文件。關注其中的producer.type和queue.enqueueTimeout.ms這兩個字段。
3. Producer 重試次數（retries）
如果你在producer的配置中使用broker.list，你可以設置當發佈數據失敗時候的重試次數。retry參數只在使用broker.list的時候使用，因爲在重試的時候會重新選擇broker。
4. Producer 數量
通過設置—num.producers參數，可以使用一個producer池來提高mirror maker的吞吐量。在接受數據(messages)的broker上的producer是隻使用單個線程來處理的。就算你有多個消費流，吞吐量也會在producer處理請求的時候被限制。
5. 消費流（consumption streams）數量
使用—num.streams可以指定consumer的線程數。請注意，如果你啓動多個mirror maker進程，你可能需要看看其在源Kafka集羣partitions的分佈情況。如果在每個mirror maker進程上的消費流（consumption streams）數量太多，某些消費進程如果不擁有任何分區的消費權限會被置於空閒狀態，主要原因在於consumer的負載均衡算法。
6. 淺迭代（Shallow iteration）與producer壓縮
我們建議在mirror maker的consumer中開啓淺迭代（shallow iteration)。意思就是mirror maker的consumer不對已經壓縮的消息集（message-sets）進行解壓，只是直接將獲取到的消息集數據同步到producer中。
如果你開啓淺迭代（shallow iteration)，那麼你必須關閉mirror maker中producer的壓縮功能，否則消息集（message-sets）會被重複壓縮。
7. Consumer 和 源Kafka集羣（source cluster）的 socket buffer sizes
鏡像經常用在跨集羣場景中，你可能希望通過一些配置選項來優化內部集羣的通信延遲和特定硬件性能瓶頸。一般來說，你應該對mirror-maker中consumer的socket.buffersize 和源集羣broker的socket.send.buffer設定一個高的值。此外，mirror-maker中消費者（consumer）的fetch.size應該設定比socket.buffersize更高的值。注意，套接字緩衝區大小（socket buffer size）是操作系統網絡層的參數。如果你啓用trace級別的日誌，你可以檢查實際接收的緩衝區大小（buffer size），以確定是否調整操作系統的網絡層。
4.如何檢驗MirrorMaker運行狀況
Consumer offset checker工具可以用來檢查鏡像對源集羣的消費進度。例如：
bin/kafka-run-class.sh kafka.tools.ConsumerOffsetChecker --group KafkaMirror --zkconnect localhost:2181 --topic test-topic
KafkaMirror,topic1,0-0 (Group,Topic,BrokerId-PartitionId)
Owner = KafkaMirror_jkoshy-ld-1320972386342-beb4bfc9-0
Consumer offset = 561154288
= 561,154,288 (0.52G)
Log size = 2231392259
= 2,231,392,259 (2.08G)
Consumer lag = 1670237971
= 1,670,237,971 (1.56G)
BROKER INFO
0 -> 127.0.0.1:9092
注意，–zkconnect參數需要指定到源集羣的Zookeeper。另外，如果指定topic沒有指定，則打印當前消費者group下所有topic的信息。
5.kafka所使用的磁盤io過高解決方法
問題:kafka所用磁盤io過高
我們生產平臺有5臺kafka機器,每臺機器上分了2塊磁盤做parition
最近發現kafka所使用的磁盤io非常高，影響到了生產端推送數據的性能
一開始以爲是由於一個推送日誌的topic所導致的的，因爲每秒推送數據大概在2w左右，
後來把此topic遷移到了其他的kafka集羣中還是未見效果
最終iotop發現其實是由於zookeeper持久化的時候導致的
zookeeper持久化的時候也寫到kafka所用到的磁盤中
通過此問題說明幾點問題
1.kafka用zookeeper，和大家所熟悉的其他應用例如solrcloud codis otter不太一樣
一般用zookeeper都是管理集羣節點用，而kafka用zookeeper是核心，生產端和消費端都會去
鏈接zookeeper獲取響應的信息
生產端通過鏈接zookeeper獲取topic都用了那些parition，每個parition的副本的leader是那個
消費端鏈接zookeeper獲取offset，消費端消費都會操作對zookeeper的數據進行修改，對io的操作
很頻繁
解決方法：
禁止zookeeper做持久化操作
配置文件中添加一行
forceSync=no
問題解決