* Kafka框架基础

官网：kafka.apache.org

框架简介

Apache Kafka是分布式发布-订阅消息系统。它最初由LinkedIn公司开发，之后成为Apache项目的一部分。Kafka是一种快速、可扩展的、设计内在就是分布式的，分区的和可复制的提交日志服务。

相关概念

** 生产者

提供数据源生产的地方，对于同一个topic，生产者只能有一个，这样可以确保同一个topic数据来自同一个业务数据，支持多并发

** 消费者

消费数据的客户端，对于同一个topic，可以有多个消费者，比如spark，storm等等

** Broker

消息中间件处理结点，一个Kafka节点就是一个broker，多个broker可以组成一个Kafka集群。

** Topic

同一类消息的统称，Kafka集群能够同时负载多个topic分发。

** Partition

topic物理上的分组，一个topic可以分为多个partition，每个partition是一个有序的队列，同一个topic里面的数据是存放在不同的分区中。

** Replication

每个分区或者topic都是有副本的，副本的数量也是可以在创建topic的时候就指定好，保证数据的安全性，以及提供高并发读取效率。

** Segment

partition物理上由多个segment组成

** Offset

每个partition都由一系列有序的、不可变的消息组成，这些消息被连续的追加到partition中。partition中的每个消息都有一个连续的序列号叫做offset，用于partition唯一标识一条消息

框架特色

** 同时为发布和订阅提供高吞吐量。Kafka每秒可以生产约25万消息（约50 MB），每秒处理55万消息（约110 MB）。

** 可进行持久化操作。将消息持久化到磁盘，因此可用于批量消费，例如ETL，以及实时应用程序。通过将数据持久化到硬盘以及replication防止数据丢失。

** 分布式系统，易于向外扩展。所有的producer、broker和consumer都会有多个，均为分布式的。无需停机即可扩展机器。

** 消息被处理的状态是在consumer端维护，而不是由server端维护。当失败时能自动平衡。

架构图

 

 

* 框架部署

** 相关下载

kafka以及scala：链接：http://pan.baidu.com/s/1pLBFJf1 密码：seto

** 解压Kafka以及scala

$ tar -zxf kafka_2.10-0.8.2.1.tgz -C /opt/modules/cdh/

$ tar -zxf scala-2.10.4.tgz -C /opt/modules/cdh/

** 安装JDK并配置环境变量

不再赘述

** 安装并启动zookeeper

在zookeeper的根目录下：

$ bin/zkServer.sh start

** 配置scala环境变量

# vi /etc/profile

$ source /etc/profile

（注意以上两条语句的执行用户）

添加如下：

##SCALA_HOME

SCALA_HOME=/opt/modules/cdh/scala-2.10.4

export PATH=$PATH:$SCALA_HOME/bin

使用命令检查scala配置是否正确：

$ scala -version，如图：

 

 

** 修改Kafka配置文件

server.properties

修改为如下：

 

 

producer.properties

变动内容如下：

 

 

consumer.properties

变动内容如下：

 

 

** 启动Kafka

$ bin/kafka-server-start.sh config/server.properties

** 创建Topic

$ bin/kafka-topics.sh --create --zookeeper z01:2181 --replication-factor 1 --partitions 1 --topic testTopic

 

 

** 启动生产者

$ bin/kafka-console-producer.sh --broker-list z01:9092 --topic testTopic

 

 

** 启动消费者

$ bin/kafka-console-consumer.sh --zookeeper z01:2181 --topic testTopic --from-beginning

 

 

在生产者窗口输入数据，在消费者窗口查看数据，测试如图：

消费者：

 

 

生产者：

 

 

* 整合测试

使用flume+kafka整合测试

** 配置flume

原来我们配置flume，是在tomcat所在机器节点开启了一个flume收集日志，并直接上传到HDFS，如果集群中存在多个机器节点，则势必导致对HDFS集群占用率过高，所以在面临多个flume集群时，一般会采用1~2个单独的flume节点来收集另外flume节点的日志，相当于弄了一个中转站，由中转站收集其他flume，再统一放置到HDFS系统中，此刻我们采用方案2，原理如图：

 

 

背景：在一台机器上开两个flume，分别收集tomcat日志和hive日志，这两者的日志信息分别输入到中间层flume（这个中间层flume也模拟在同一个机器节点上），然后中间层flume在将数据写入到HDFS。

首先检查一下hive的conf目录下的hive-log4j.properties配置中，是否已经指定了hive的日志目录，如果没有，请指定，如图：

 

 

涉及flume文件：以下文件存在于flume的conf目录下，如果不存在，请自行创建即可。

flume-apache-log-kafka.conf

 

 

flume-hive-log-kafka.conf

 

 

flume-connector-kafka.conf

 

 

依次启动：

a4：

$ bin/flume-ng agent --conf conf/ --name a4 --conf-file conf/flume-connector-kafka.conf

a3：

$ bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/flume-hive-log-kafka.conf

a2：

$ bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/flume-apache-log-kafka.conf

测试后如图，即可发现，日志在HDFS和kafka中都已经显示出来：

 

 

个人微博：http://weibo.com/seal13

QQ大数据技术交流群（广告勿入）：476966007