【企业级分布式系统】 Kafka集群

Kafka

Kafka 概述

Kafka 是一个分布式、基于发布/订阅模式的消息队列系统，由 Linkedin 开发并贡献给 Apache 基金会，现已成为顶级开源项目。它主要应用于大数据领域的实时计算以及日志收集，具有高吞吐量、低延迟、可扩展性、持久性、可靠性、容错性和高并发的特性。

使用消息队列的好处

1. 解耦：允许独立地扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
2. 可恢复性：系统的一部分组件失效时，不会影响到整个系统。
3. 缓冲：有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致的情况。
4. 灵活性 & 峰值处理能力：使用消息队列能够使关键组件顶住突发的访问压力。
5. 异步通信：允许用户把一个消息放入队列，但并不立即处理它。

Kafka 的特性

• 高吞吐量、低延迟：每秒可以处理几十万条消息，延迟最低只有几毫秒。
• 可扩展性：Kafka 集群支持热扩展。
• 持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失。
• 容错性：允许集群中节点失败。
• 高并发：支持数千个客户端同时读写。

Kafka 系统架构

1. Broker：
   • 一台 Kafka 服务器就是一个 broker。
   • 一个集群由多个 broker 组成。
   • 一个 broker 可以容纳多个 topic。
2. Topic：
   • 可以理解为一个队列，生产者和消费者面向的都是一个 topic。
   • 类似于数据库的表名或者 ES 的 index。
   • 物理上不同 topic 的消息分开存储。
3. Partition：
   • 为了实现扩展性，一个非常大的 topic 可以分布到多个 broker 上。
   • 一个 topic 可以分割为一个或多个 partition，每个 partition 是一个有序的队列。
   • Kafka 只保证 partition 内的记录是有序的。
   • 数据路由规则：指定了 partition 则直接使用；未指定但指定 key，通过对 key 的 value 进行 hash 取模选出一个 partition；都未指定，使用轮询选出一个 partition。
   • 每个 partition 中的数据使用多个 segment 文件存储。
4. Replica：
   • 副本机制，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 Kafka 仍然能够继续工作。
   • 一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。
5. Leader：
   • 当前负责数据的读写的 partition。
6. Follower：
   • 跟随 Leader，所有写请求都通过 Leader 路由。
   • 数据变更会广播给所有 Follower，与 Leader 保持数据同步。
   • 只负责备份，不负责数据的读写。
   • 如果 Leader 故障，则从 Follower 中选举出一个新的 Leader。
7. Producer：
   • 数据的发布者，将消息 push 发布到 Kafka 的 topic 中。
8. Consumer：
   • 从 broker 中 pull 拉取数据。
   • 可以消费多个 topic 中的数据。
9. Consumer Group（CG）：
   • 由多个 consumer 组成。
   • 所有的消费者都属于某个消费者组。
   • 消费者组内每个消费者负责消费不同分区的数据，防止数据被重复读取。
   • 消费者组之间互不影响。
10. Offset 偏移量：
    • 唯一标识一条消息。
    • 决定读取数据的位置。
    • 消费者通过偏移量来决定下次读取的消息。
    • 消息被消费之后，并不被马上删除。
    • 某一个业务也可以通过修改偏移量达到重新读取消息的目的。
    • 消息默认生命周期为 1 周（7*24小时）。
11. Zookeeper：
    • 在 Kafka 中，ZooKeeper 负责维护 Kafka 集群的一些元数据和 leader 选举等协调工作。
    • 元数据存储：存储主题、分区、Broker 节点等信息。
    • Leader 选举：参与领导者选举的过程。
    • 健康监控：进行集群的健康监控。
    • 消费者组协调：协调和追踪消费者的位置信息。

Kafka 的应用场景

1. 日志收集：Kafka 可以被用作日志收集系统，将各种应用的日志数据集中收集起来，方便后续的处理和分析。
2. 实时计算：Kafka 可以作为实时计算系统的数据源，如 Spark Streaming、Flink 等，用于实时数据处理和分析。
3. 消息通讯：Kafka 可以作为消息通讯系统，实现不同系统之间的数据交换和通信。
4. 流量削峰：在高并发场景下，Kafka 可以作为流量削峰的工具，将大量的请求缓存到 Kafka 中，然后按照一定的速率进行处理，避免系统崩溃。

Kafka 的优缺点

优点：

• 高吞吐量、低延迟。
• 可扩展性强。
• 持久性、可靠性高。
• 支持多副本、容错性强。
• 社区活跃、生态丰富。

缺点：

• 依赖 Zookeeper，如果 Zookeeper 出现故障，会影响 Kafka 的正常运行。
• 数据一致性方面，虽然 Kafka 提供了多副本机制，但是在极端情况下，仍然可能存在数据丢失的风险。
• 消息顺序问题，如果生产者发送消息到多个分区，那么消费者消费时可能无法保证消息的顺序性。

Kafka 集群部署

下载安装包

• 官方下载地址：Apache Kafka 下载页面
• 步骤：
  1. 切换到 /opt 目录。
  2. 使用 wget 从清华大学镜像站下载 Kafka 2.7.1 版本。

cd /opt
wget https://mirrors.tuna.tsinghua.edu.cn/apache/kafka/2.7.1/kafka_2.13-2.7.1.tgz

安装 Kafka

• 步骤：
  1. 解压 Kafka 压缩包。
  2. 将解压后的目录移动到 /usr/local/kafka。
  3. 备份并编辑 server.properties 文件，配置 Kafka。

cd /opt/
tar zxvf kafka_2.13-2.7.1.tgz
mv kafka_2.13-2.7.1 /usr/local/kafka

cd /usr/local/kafka/config/
cp server.properties{,.bak}
vim server.properties

• 关键配置项：

  • broker.id：每个 Kafka 实例的唯一标识，集群中每个实例的 broker.id 必须不同。
  • listeners：指定 Kafka 监听的 IP 和端口。
  • num.network.threads 和 num.io.threads：分别设置处理网络请求和磁盘 IO 的线程数。
  • log.dirs：Kafka 数据和日志的存放路径。
  • zookeeper.connect：指定 Zookeeper 集群的地址。

• 环境变量配置：

  • 将 Kafka 的 bin 目录添加到 PATH 环境变量中。

vim /etc/profile
export KAFKA_HOME=/usr/local/kafka
export PATH=$PATH:$KAFKA_HOME/bin
source /etc/profile

• 配置启动脚本：
  • 创建一个 Kafka 的启动脚本，并设置开机自启。

vim /etc/init.d/kafka
#!/bin/bash
#chkconfig:2345 22 88
#description:Kafka Service Control Script
KAFKA_HOME='/usr/local/kafka'
case $1 in
start)
    echo "---------- Kafka 启动 ------------"
    ${KAFKA_HOME}/bin/kafka-server-start.sh -daemon ${KAFKA_HOME}/config/server.properties
;;
stop)
    echo "---------- Kafka 停止 ------------"
    ${KAFKA_HOME}/bin/kafka-server-stop.sh
;;
restart)
    $0 stop
    $0 start
;;
status)
    echo "---------- Kafka 状态 ------------"
    count=$(ps -ef | grep kafka | egrep -cv "grep|$$")
    if [ "$count" -eq 0 ];then
        echo "kafka is not running"
    else
        echo "kafka is running"
    fi
;;
*)
    echo "Usage: $0 {start|stop|restart|status}"
esac

chmod +x /etc/init.d/kafka
chkconfig --add kafka
service kafka start

Kafka 命令行操作

• 创建 topic：

kafka-topics.sh --create --zookeeper 192.168.80.10:2181,192.168.80.11:2181,192.168.80.12:2181 --replication-factor 2 --partitions 3 --topic test

• 查看 topic：

kafka-topics.sh --list --zookeeper 192.168.80.10:2181,192.168.80.11:2181,192.168.80.12:2181
kafka-topics.sh --describe --zookeeper 192.168.80.10:2181,192.168.80.11:2181,192.168.80.12:2181 --topic test

• 发布和消费消息：

# 生产者
kafka-console-producer.sh --broker-list 192.168.80.10:9092,192.168.80.11:9092,192.168.80.12:9092 --topic test

# 消费者
kafka-console-consumer.sh --bootstrap-server 192.168.80.10:9092,192.168.80.11:9092,192.168.80.12:9092 --topic test --from-beginning

• 修改和删除 topic：

# 修改分区数
kafka-topics.sh --zookeeper 192.168.80.10:2181,192.168.80.11:2181,192.168.80.12:2181 --alter --topic test --partitions 6

# 删除 topic
kafka-topics.sh --delete --zookeeper 192.168.80.10:2181,192.168.80.11:2181,192.168.80.12:2181 --topic test

Kafka 架构深入

• 工作流程及文件存储机制：

  • Kafka 以 topic 对消息进行分类，producer 和 consumer 都是面向 topic 的。
  • Topic 是逻辑概念，partition 是物理概念，每个 partition 对应一个 log 文件。
  • 为防止 log 文件过大，Kafka 采用分片和索引机制，将每个 partition 分为多个 segment，每个 segment 包含 .index 和 .log 文件。

• 数据可靠性保证：

  • Kafka 通过 ack 应答机制保证数据可靠性，producer 发送数据后需要等待 broker 的确认。

• 数据一致性问题：

  • LEO：每个副本的最大 offset。
  • HW：消费者能见到的最大 offset，所有副本中最小的 LEO。
  • Leader 和 follower 故障时的数据恢复和同步机制。

• ack 应答机制：

  • Kafka 提供了三种可靠性级别（acks=0, 1, -1），用户可以根据需求选择。
  • 幂等性：在 0.11 版本及以后，Kafka 引入了幂等性特性，保证 producer 发送重复数据时，server 端只持久化一条。

注释：

• Kafka 的安装和配置需要根据集群的实际环境进行调整，特别是 IP 地址和端口号。
• 在生产环境中，通常需要配置更多的参数以优化性能和可靠性。
• Kafka 的数据可靠性和一致性机制是其核心特性之一，理解这些机制对于保证数据的安全性和一致性至关重要。

Filebeat+Kafka+ELK 部署指南~

部署 Zookeeper+Kafka 集群

• 目的：搭建消息队列系统，用于日志数据的传输。
• 步骤：
  1. 安装并配置 Zookeeper 集群。
  2. 安装并配置 Kafka 集群，指定 Zookeeper 集群地址。
  3. 启动 Zookeeper 和 Kafka 服务，确保集群正常运行。

部署 Filebeat

• 目的：收集服务器上的日志数据。
• 步骤：
  1. 下载并解压 Filebeat 到指定目录（如 /usr/local/filebeat）。
  2. 编辑 filebeat.yml 配置文件：

     filebeat.prospectors:
     - type: log
       enabled: true
       paths:
         - /var/log/httpd/access_log
       tags: ["access"]
     
     - type: log
       enabled: true
       paths:
         - /var/log/httpd/error_log
       tags: ["error"]
     
     # 添加输出到 Kafka 的配置
     output.kafka:
       enabled: true
       hosts: ["192.168.80.10:9092","192.168.80.11:9092","192.168.80.12:9092"]
       topic: "httpd"
     

  3. 启动 Filebeat，开始收集日志并发送到 Kafka。

部署 ELK（Logstash 配置）

• 目的：从 Kafka 拉取日志数据，并处理、存储到 Elasticsearch 中。
• 步骤：
  1. 在 Logstash 组件所在节点上，新建一个 Logstash 配置文件 kafka.conf：

     input {
       kafka {
         bootstrap_servers => "192.168.80.10:9092,192.168.80.11:9092,192.168.80.12:9092"
         topics  => "httpd"
         type => "httpd_kafka"
         codec => "json"
         auto_offset_reset => "latest"
         decorate_events => true
       }
     }
     
     output {
       if "access" in [tags] {
         elasticsearch {
           hosts => ["192.168.80.30:9200"]
           index => "httpd_access-%{+YYYY.MM.dd}"
         }
       }
     
       if "error" in [tags] {
         elasticsearch {
           hosts => ["192.168.80.30:9200"]
           index => "httpd_error-%{+YYYY.MM.dd}"
         }
       }
     
       stdout { codec => rubydebug }
     }
     

  2. 启动 Logstash，开始从 Kafka 拉取日志并存储到 Elasticsearch。

Kibana 配置与查看日志

• 目的：通过 Kibana 可视化界面查看日志数据。
• 步骤：
  1. 在浏览器中访问 Kibana（如 http://192.168.80.30:5601）。
  2. 登录 Kibana（如果设置了登录认证）。
  3. 单击“Create Index Pattern”按钮，添加索引模式，例如 httpd_access-* 和 httpd_error-*（注意：这里应与 Logstash 配置中的 index 名称匹配，但原笔记中的 filebeat_test-* 是不正确的）。
  4. 单击“create”按钮创建索引模式。
  5. 单击“Discover”按钮，可查看图表信息及日志信息。

注释：

• 在配置 Filebeat 和 Logstash 时，确保 Kafka 集群的地址和 topic 名称正确无误。
• Logstash 的 auto_offset_reset 参数决定了从 Kafka 拉取数据的起始位置，latest 表示从最新的数据开始拉取，earliest 表示从头开始拉取。
• Kibana 中的索引模式应与 Logstash 配置中的 index 名称一致，以便正确显示日志数据。
• 在实际部署中，还需要考虑安全性、性能优化等方面的问题。