【大数据技术基础 | 实验十四】Kafka实验：订阅推送示例

一、实验目的

1. 掌握Kafka的安装部署
2. 掌握Kafka的topic创建及如何生成消息和消费消息
3. 掌握Kafka和Zookeeper之间的关系
4. 了解Kafka如何保存数据及加深对Kafka相关概念的理解

二、实验要求

在两台机器上(以slave1，slave2为例)，分别部署一个broker，Zookeeper使用的是单独的集群，然后创建一个topic，启动模拟的生产者和消费者脚本，在生产者端向topic里写数据，在消费者端观察读取到的数据。

三、实验原理

（一）Kafka简介

Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。它提供了类似于JMS的特性，但是在设计实现上完全不同，此外它并不是JMS规范的实现。kafka对消息保存时根据Topic进行归类，发送消息者成为Producer，消息接受者成为Consumer，此外kafka集群有多个kafka实例组成，每个实例(server)成为broker。无论是kafka集群，还是producer和consumer都依赖于zookeeper来保证系统可用性集群保存一些meta信息。如图下所示：

一个Topic的多个partitions，被分布在kafka集群中的多个server上；每个server(kafka实例)负责partitions中消息的读写操作；此外kafka还可以配置partitions需要备份的个数(replicas)，每个partition将会被备份到多台机器上，以提高可用性。

基于replicated方案，那么就意味着需要对多个备份进行调度；每个partition都有一个server为“leader”；leader负责所有的读写操作，如果leader失效，那么将会有其他follower来接管(成为新的leader)；follower只是单调的和leader跟进，同步消息即可……由此可见作为leader的server承载了全部的请求压力，因此从集群的整体考虑，有多少个partitions就意味着有多少个“leader”，kafka会将“leader”均衡的分散在每个实例上，来确保整体的性能稳定。

生产者：Producer将消息发布到指定的Topic中，同时Producer也能决定将此消息归属于哪个partition；比如基于“round-robin”方式或者通过其他的一些算法等。

消费者：本质上kafka只支持Topic，每个consumer属于一个consumer group；反过来说，每个group中可以有多个consumer。发送到Topic的消息，只会被订阅此Topic的每个group中的一个consumer消费。

如果所有的consumer都具有相同的group，这种情况和queue模式很像；消息将会在consumers之间负载均衡。

如果所有的consumer都具有不同的group，那这就是“发布-订阅”；消息将会广播给所有的消费者。

在kafka中，一个partition中的消息只会被group中的一个consumer消费；每个group中consumer消息消费互相独立；我们可以认为一个group是一个“订阅”者，一个Topic中的每个partions，只会被一个“订阅者”中的一个consumer消费，不过一个consumer可以消费多个partitions中的消息。kafka只能保证一个partition中的消息被某个consumer消费时，消息是顺序的。事实上，从Topic角度来说，消息仍不是有序的。

kafka的设计原理决定，对于一个topic，同一个group中不能有多于partitions个数的consumer同时消费，否则将意味着某些consumer将无法得到消息。

Guarantees
（1）发送到partitions中的消息将会按照它接收的顺序追加到日志中。
（2）对于消费者而言，它们消费消息的顺序和日志中消息顺序一致。
（3）如果Topic的“replicationfactor”为N，那么允许N-1个kafka实例失效。

（二）Kafka使用场景

1. Messaging

对于一些常规的消息系统，kafka是个不错的选择；partitons/replication和容错，可以使kafka具有良好的扩展性和性能优势。不过到目前为止，我们应该很清楚认识到，kafka并没有提供JMS中的“事务性”、“消息传输担保(消息确认机制)”、“消息分组”等企业级特性；kafka只能使用作为“常规”的消息系统，在一定程度上，尚未确保消息的发送与接收绝对可靠(比如：消息重发，消息发送丢失等)。

2. Websit activity tracking

kafka可以作为“网站活性跟踪”的最佳工具；可以将网页/用户操作等信息发送到kafka中。并实时监控,或者离线统计分析等。

3. Log Aggregation

kafka的特性决定它非常适合作为“日志收集中心”，application可以将操作日志“批量”“异步”的发送到kafka集群中，而不是保存在本地或者DB中；kafka可以批量提交消息/压缩消息等，这对producer端而言，几乎感觉不到性能的开支。此时consumer端可以使hadoop等其他系统化的存储和分析系统。

四、实验环境

• 云创大数据实验平台：
  
• Java 版本：jdk1.7.0_79
• Hadoop 版本：hadoop-2.7.1
• ZooKeeper 版本：zookeeper-3.4.6
• Kafka 版本：kafka_2.10-0.9.0.1

五、实验内容和步骤

（一）配置各服务器之间的免密登录

首先配置master，slave1和slave2之间的免密登录和各虚拟机的/etc/hosts文件，具体步骤参考：【大数据技术基础 | 实验一】配置SSH免密登录

（二）安装ZooKeeper集群

配置完免密登录之后我们还需要安装Zookeeper集群，具体步骤参考：【大数据技术基础 | 实验五】ZooKeeper实验：部署ZooKeeper

（三）安装Kafka集群

首先我们将Kafka安装包解压到slave1的/usr/cstor目录：

tar -zxvf kafka_2.10-0.9.0.1.tar.gz -c /usr/cstor

并将kafka目录所属用户改成root:root：

chown -R root:root /usr/cstor/kafka

然后将kafka目录传到其他机器上：

scp -r /usr/cstor/kafka hadoop@slave2:/usr/cstor

两台机器上分别进入解压目录下，在config目录修改server.properties文件:

cd /usr/cstor/kafka/config/
vim server.properties

然后修改其中的内容，首先是slave1配置：

#broker.id
broker.id=1
#broker.port
port=9092
#host.name
host.name=slave1
#本地日志文件位置
log.dirs=/usr/cstor/kafka/logs
#Zookeeper地址
zookeeper.connect=slave1:2181,slave2:2181,master:2181

然后修改slave2的配置：

#broker.id
broker.id=2
#broker.port
port=9092
#host.name
host.name=slave2
#本地日志文件位置
log.dirs=/usr/cstor/kafka/logs
#Zookeeper地址
zookeeper.connect=slave1:2181,slave2:2181,master:2181

然后，启动Kafka，并验证Kafka功能，进入安装目录下的bin目录，两台机器上分别执行以下命令启动各自的Kafka服务：

cd /usr/cstor/kafka/bin
nohup ./kafka-server-start.sh ../config/server.properties &

在任意一台机器上，执行以下命令(以下三行命令不要换行，是一整行)创建topic：

./kafka-topics.sh --create \
--zookeeper slave1:2181,slave2:2181,master:2181 \
--replication-factor 2 --partitions 2 --topic test

在任意一台机器上（这里我选择的是slave1），执行以下命令(以下三行命令不要换行，是一整行)启动模拟producer：

./kafka-console-producer.sh \
--broker-list slave1:9092,slave2:9092,master:9092 \
--topic test

在另一台机器上（slave2），执行以下命令(以下三行命令不要换行，是一整行)启动模拟consumer：

./kafka-console-consumer.sh \
--zookeeper slave1:2181,slave2:2181,master:2181 \
--topic test --from-beginning

（四）验证消息推送

我们在producer端输入任意信息，然后观察consumer端接收到的数据：

This is Kafka producer
Hello, Kafka

在slave1上输入信息：

然后slave2上也收到了信息：

六、实验结果

我们在producer端输入任意信息，然后观察consumer端接收到的数据：

This is Kafka producer
Hello, Kafka

在slave1上输入信息：

然后slave2上也收到了信息：

七、实验心得

  通过本次Kafka实验，我深入理解了分布式消息队列的核心概念及其实现方式。Kafka作为一种高吞吐量、低延迟的分布式发布订阅消息系统，其设计思想和实现细节让我受益匪浅。实验从Kafka与Zookeeper的安装部署入手，通过配置两个broker的Kafka集群，帮助我掌握了Kafka集群的基本搭建过程。同时，通过配置文件的修改，我更加清晰地认识到Kafka集群中broker.id、zookeeper.connect、log.dirs等配置项的作用，为后续的生产环境部署打下了基础。

  实验中的生产者和消费者模拟验证让我直观地感受到了Kafka的高效数据处理能力。在生产者端输入消息后，消费者端能够实时接收到消息，这充分展示了Kafka在消息传递中的低延迟特点。此外，通过创建带有多个分区和副本的Topic，我理解了Kafka的分区机制及其在分布式环境中保证数据高可用性的策略。分区的Leader和Follower模型也让我体会到Kafka在负载均衡和容错性上的精巧设计，尤其是当Leader失效后，Follower能够及时接管，确保服务的稳定运行。

  与此同时，我也意识到Kafka在实际应用中并非完美。例如，Kafka虽然具有一定的容错能力，但对于数据的绝对可靠性保证（如消息丢失或重复发送）还有一定的局限性。这让我认识到，在实际项目中，需根据具体场景搭配其他机制来保证消息传递的可靠性和一致性。

  总之，本次实验帮助我从理论走向实践，不仅熟悉了Kafka的基本操作，还加深了对其内部工作原理的理解。在未来的学习和工作中，我希望能够进一步探索Kafka在日志收集、实时数据流处理等场景中的深度应用，为分布式系统的设计与优化积累更多经验。

附：以上文中的数据文件及相关资源下载地址：
链接：https://pan.quark.cn/s/8f386ae8b871
提取码：EPKB