Kafka 入门

Kafka 入门

1 Kafka概述

1.1 定义

Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。

应用场景：

解耦

异步

削峰

1.2 消息队列

1.2.1 传统消息队列的应用场景

1.2.2 消息队列的两种模式

点对点模式：

消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息，消息被消费以后，Queue中不再有存储，所以消息消费者不可能消费到已经被消费的消息，Queue支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。

发布订阅模式：

消息生产者将消息发布到Topic，同时有多个消息消费者该消息，和点对点不同的是，发布到Topic中的消息会被所有订阅者消费。

1.3 基础架构

Producer：消息生产者，就是向Kafka Broker发消息的客户端

Consumer：消息消费者，向Kafka Broker取消息的客户端

Consumer Group （CG）：消费者组，由多个Consumer组成，消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个消费者消费，消费者组之间互不影响，所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者

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

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

Partition：为了实现扩展性，一个非常大的Topic可以分布到多个Broker（即服务器）上，一个Topic可以分为多个Partition，每个Partition是一个有序的队列

Replica：副本，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，Kafka提供了副本机制，一个Topic的每个分区都有若干个副本，一个leader和若干个follower

leader：每个分区多个副本的主，生产者发送数据的对象，以及消费者消费数据的对象都是leader

follower：每个分区多个副本中的从，实时从leader中同步数据，保持和leader数据的同步，leader发生故障时，某个follower会成为新的follower

2 Kafka快速入门

2.1 安装部署

1、解压

[djm@hadoop102 software]$ tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/

2、修改解压后的文件夹名称

[djm@hadoop102 module]$ mv kafka_2.11-0.11.0.0/ kafka

3、在/opt/module/kafka目录下创建logs文件夹

[djm@hadoop102 kafka]$ mkdir logs

4、修改配置文件

[djm@hadoop102 kafka]$ vi conf/server.properties

修改以下内容

#broker的全局唯一编号，不能重复 broker.id=0 #删除topic功能使能 delete.topic.enable=true #处理网络请求的线程数量 num.network.threads=3 #用来处理磁盘IO的现成数量 num.io.threads=8 #发送套接字的缓冲区大小 socket.send.buffer.bytes=102400 #接收套接字的缓冲区大小 socket.receive.buffer.bytes=102400 #请求套接字的缓冲区大小 socket.request.max.bytes=104857600 #kafka运行日志存放的路径 log.dirs=/opt/module/kafka/logs #topic在当前broker上的分区个数 num.partitions=1 #用来恢复和清理data下数据的线程数量 num.recovery.threads.per.data.dir=1 #segment文件保留的最长时间，超时将被删除 log.retention.hours=168 #配置连接Zookeeper集群地址 zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181

5、分发

[djm@hadoop102 kafka]$ xsync kafka

6、修改其他Broker的broker.id

7、Kafka群起脚本

[djm@hadoop102 kafka]$ vim start-kafka

for i in `cat /opt/module/hadoop-2.7.2/etc/hadoop/slaves` do echo "========== $i ==========" ssh $i 'source /etc/profile&&/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties' echo $? done

[djm@hadoop102 kafka]$ chmod 777 start-kafka

[djm@hadoop102 kafka]$ sudo mv start-kafka /bin

8、启动Kafka集群

[djm@hadoop102 kafka]$ start-kafka

2.2 命令行操作

1、查看所有Topic

[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --list

2、创建Topic

[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --create --replication-factor 3 --partitions 1 --topic first #--topic 定义topic名 #--replication-factor 定义副本数 #--partitions 定义分区数

--topic 定义topic名--replication-factor 定义副本数--partitions 定义分区数

3、删除Topic

[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --delete --topic first

4、发送消息

[djm@hadoop102 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

5、消费消息

[djm@hadoop103 kafka]$ bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --from-beginning --topic first

--from-beginning 会把topic中以往所有的消息消费出来

6、查看Topic详细信息

[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --describe --topic first

7、修改分区数

[djm@hadoop102 kafka]$bin/kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6

分区数只能增加，不能减少

3 Kafka架构

3.1 Kafka工作流程及文件存储机制

Kafka中消息是以Topic进行分类的，生产者生产消息，消费者消费消息，都是面向Topic的；

Topic是逻辑上的概念，而Partition是物理上的概念，每个Partition对应于一个log文件，该log文件中存储的就是Producer生产的数据；

Producer生产的数据会被不断追加到该log文件末端，且每条数据都有自己的offset，消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上次的位置继续消费。

由于生产者生产的消息会不断的追加到log文件末尾，为了防止文件过大而导致数据定位效率低下，Kafka采取了分片和索引机制，将每个Partiton分为多个segment，每个segment对应两个文件，分别是.log和.index，这些文件位于同一个文件夹下，文件夹的命名规则为Topic名称+Partiton序号，.log和.index文件以当前segment的第一条消息的offset命名，index存储索引信息，.log存储数据信息，索引文件中的元数据指向对应数据文件中message的物理偏移地址。

3.2 Producer

3.2.1 分区策略

为什么要进行分区？

方便在群集中扩展，每个Partition可以通过调整以适应它所在的机器，而一个Topic又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据了 可以提高并发

分区的原则是什么？

我们需要将Producer发送的数据封装成一个ProducerRecord对象：

指明Partition的情况下，直接将指明的值直接作为Partition值 没有指明Partition值但有key的情况下，将key的hash值与Topic的Partition数进行取余得到 Partition值 既没有Partition值又没有key值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与Topic可用的Partition总数取余得到Partition值，也就是常说的round-robin算法

3.2.2 数据可靠性保证

为保证Partition发送的数据，能可靠的发送到指定的Topic，Topic的每个Partition收到Producer发送的数据后，都需要向Producer发送ack（acknowledgement确认收到），如果Producer收到ack，就会进行下一轮的发送，否则重新发送数据。

副本数据同步策略：

Kafka选择了第二种方案，原因如下：

同样为了容忍n台节点的故障，第一种方案需要2n+1个副本，而第二种方案只需要n+1个副本，而Kafka的每个Partition存储大量的数据，这样会造成大量的数据冗余；

虽然第二种方案的延迟会比较高，但是相比而言延迟对Kafka的影响较小。

采用第二种方案后，leader收到数据，所有的follower都开始同步数据，但是有一个follower，因为某种故障，迟迟不能与leader同步，那leader就要一直等下去，直到它同步完才能发送ack，这个问题怎么解决呢?

leader维护了一个动态的in-syncreplica set (ISR)，意为和leader保持同步的follower集合，当ISR中的follower完成数据的同步之后，leader就会给follower发送ack，如果follower长时间未向leader同步数据，则该follower将被踢出ISR，该时间阈值由replica.lag.time.max.ms参数设定，leader发生故障之后，就会从ISR中选举新的leader。

ack应答机制：

对于某些不重要的数据，能够容忍少量数据的丢失，所以没必要等ISR中的所有follower全部同步完成

所以Kafka提供了三种可靠性级别，根据对可靠性和延迟的要求权衡，分别是：

0 Producer不等待Broker的ack，这一操作提供了最低的延迟，Broker一接收到还没有落盘就已经返回，当Broker故障时可能会丢失数据 1 Producer等待Broker的ack，Partition的leader落盘成功后返回ack，如果在follower同步成功之前leader故障，那么将会丢失数据 -1 Producer等待Broker的ack，Partition的leader和follower全部落盘成功后才返回ack，但是如果在follower同步完成后，Broker发送ack之前，leader发生故障，那么会造成数据重复

故障处理：

follower挂了被会暂时提出ISR，等到follower恢复后，follower会读取本地磁盘记录上次的HW，并将log文件中高于HW的部分截取掉，从HW开始向leader进行同步，等leader的LEO高于Partition的HW，就可以被重新加入ISR

leader发生故障之后，会从ISR中选出一个新的leader，为保证多个副本之间的数据一致性，每个leader会将各自log文件中高于HW的数据切掉，然后从新的leader同步数据

3.3.3 Exactly Once语义

对于某些比较重要的消息，我们需要保证Exactly Once语义，即保证每条消息被发送且仅被发送一次

在0.11版本之后，Kafka引入了幂等性机制（idempotent），配合acks = -1时的at least once语义，实现了Producer到Broker的Exactly once语义

idempotent + at least once = exactly once

使用时，只需将enable.idempotence属性设置为true，Kafka自动将acks属性设为-1

3.3 Consumer

3.3.1 消费方式

Consumer采取pull的方式从Broker中读取数据

为什么采用pull方式呢？

因为push模式很难适应不同速率的Consumer，因此发送速率是由Broker决定的，它的目的就是尽可能快的传递消息，但是这样容易造成Consumer来不及处理消息，典型的表现就是网络拥堵以及拒绝服务，而poll模式则可以根据Consumer的消费能力消费消息。

但是poll也有不足，就是如果队列中没有消息，Consumer可能陷入循环中，一直返回空数据，针对这个缺点，Consumer在消费数据时会传入一个timeout，如果当前没有消息可供消费，Consumer会等待一段时间再返回，这段时间就是timeout。

3.3.2 分区分配策略

Kafka有两种分配策略，分别是：

3.3.3 offset维护

由于Consumer在消息过程中可能会出现断电宕机等故障，Consumer恢复后，需要从故障的位置继续消费，所以Consumer需要实时记录自己消费到了哪个offset

0.9以前，Consumer默认将offset保存在ZK中

0.9以后，Consumer默认将offset保存在Kafka一个内置的Topic，该Topic为__consumer_offsets

3.4 Kafka高效读取数据

顺序写磁盘

Kafka的Producer生产数据，要写入到log文件中，写的过程是一直追加到文件末端

零拷贝技术

3.5 Zookeeper在Kafka中的作用

Kafka集群中有一个broker会被选举为Controller，负责管理集群broker的上下线，所有topic的分区副本分配和leader选举等工作。

Controller的管理工作都是依赖于Zookeeper的。

以下为partition的leader选举过程：

4 Kafka API

4.1 Producer API

4.1.1 消息发送流程

Kafka的Producer发送消息采用的是异步发送的方式，在消息发送的过程中，涉及到了两个线程——main线程和Sender线程，以及一个线程共享变量——RecordAccumulator，main线程将消息发送给RecordAccumulator，Sender线程不断从RecordAccumulator中拉取消息发送到Kafka broker。

相关参数：

batch.size：只有数据积累到batch.size之后，sender才会发送数据

linger.ms：如果数据迟迟未达到batch.size，sender等待linger.time之后就会发送数据

相关类：

KafkaProducer：需要创建一个生产者对象，用来发送数据

ProducerConfig：获取所需的一系列配置参数

ProducerRecord：每条数据都要封装成一个ProducerRecord对象

导入依赖：

org.apache.kafka kafka-clients 0.11.0.0

4.1.2 异步发送

package com.djm.kafka; import org.apache.kafka.clients.producer.*; import org.apache.kafka.common.serialization.StringSerializer; import java.util.Properties; import java.util.concurrent.ExecutionException; public class CustomProducer { public static void main(String[] args) throws ExecutionException, InterruptedException { Properties props = new Properties(); props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092"); props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.ACKS_CONFIG, "all"); props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384); props.put(ProducerConfig.LINGER_MS_CONFIG, 1); Producer producer = new KafkaProducer<>(props); for (int i = 0; i < 1000; i++) { producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() { @Override public void onCompletion(RecordMetadata metadata, Exception exception) { if (exception == null) { System.out.println("success -> " + metadata.offset()); } else { exception.printStackTrace(); } } }); } producer.close(); } }

4.1.3 同步发送

package com.djm.kafka; import org.apache.kafka.clients.producer.*; import org.apache.kafka.common.serialization.StringSerializer; import java.util.Properties; import java.util.concurrent.ExecutionException; public class CustomProducer { public static void main(String[] args) throws ExecutionException, InterruptedException { Properties props = new Properties(); props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092"); props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.ACKS_CONFIG, "all"); props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384); props.put(ProducerConfig.LINGER_MS_CONFIG, 100); Producer producer = new KafkaProducer<>(props); for (int i = 0; i < 1000; i++) { producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() { @Override public void onCompletion(RecordMetadata metadata, Exception exception) { if (exception == null) { System.out.println("success -> " + metadata.offset()); } else { exception.printStackTrace(); } } }).get(); } producer.close(); } }

4.2 Consumer API

Consumer消费数据时的可靠性是很容易保证的，因为数据在Kafka中是持久化的，故不用担心数据丢失问题。

由于Consumer在消费过程中可能会出现断电宕机等故障，Consumer恢复后，需要从故障前的位置的继续消费，所以Consumer需要实时记录自己消费到了哪个offset，以便故障恢复后继续消费。

所以offset的维护是Consumer消费数据是必须考虑的问题。

相关类：

KafkaConsumer：需要创建一个消费者对象，用来消费数据

ConsumerConfig：获取所需的一系列配置参数

ConsuemrRecord：每条数据都要封装成一个ConsumerRecord对象

导入依赖：

org.apache.kafka kafka-clients 0.11.0.0

4.2.1 手动提交offset

package com.djm.kafka; import org.apache.kafka.clients.consumer.ConsumerConfig; import org.apache.kafka.clients.consumer.ConsumerRecord; import org.apache.kafka.clients.consumer.ConsumerRecords; import org.apache.kafka.clients.consumer.KafkaConsumer; import org.apache.kafka.common.serialization.StringDeserializer; import java.util.Arrays; import java.util.Properties; public class CustomConsumer { public static void main(String[] args) { Properties properties = new Properties(); properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092"); properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test"); properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false"); properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); KafkaConsumer consumer = new KafkaConsumer<>(properties); consumer.subscribe(Arrays.asList("first")); while (true) { ConsumerRecords records = consumer.poll(100); for (ConsumerRecord record : records) { System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value()); } consumer.commitSync(); } } }

手动提交offset的方法有两种：

commitSync（同步提交）:将本次poll的一批数据最高的偏移量提交，失败重试，一直到提交成功 commitAsync（异步提交）:将本次poll的一批数据最高的偏移量提交，没有失败重试机制，有可能提交失败

4.2.2 自动提交offset

自动提交offset的相关参数：

enable.auto.commit：是否开启自动提交offset功能

auto.commit.interval.ms：自动提交offset的时间间隔

package com.djm.kafka; import org.apache.kafka.clients.consumer.ConsumerConfig; import org.apache.kafka.clients.consumer.ConsumerRecord; import org.apache.kafka.clients.consumer.ConsumerRecords; import org.apache.kafka.clients.consumer.KafkaConsumer; import org.apache.kafka.common.serialization.StringDeserializer; import java.util.Arrays; import java.util.Properties; public class CustomConsumer { public static void main(String[] args) { Properties properties = new Properties(); properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092"); properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test"); properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "100"); properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); KafkaConsumer consumer = new KafkaConsumer<>(properties); consumer.subscribe(Arrays.asList("first")); while (true) { ConsumerRecords records = consumer.poll(100); for (ConsumerRecord record : records) { System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value()); } } } }

4.3 自定义Interceptor

Interceptor是在Kafka 0.10版本被引入的，主要用于实现Client端的定制化控制逻辑。

对于Producer而言，Interceptor使得用户在消息发送前以及Producer回调逻辑前有机会对消息做一些定制化需求，比如修改消息等，同时，Producer允许用户指定多个Interceptor按序作用于同一条消息从而形成一个Interceptorchain。

Interceptor的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括：

configure(configs)：获取配置信息和初始化数据时调用 onSend(ProducerRecord)：Producer确保在消息被序列化以及计算分区前调用该方法，用户可以在该方法中对消息做任何操作，但最好保证不要修改消息所属的Topic和Partition，否则会影响目标分区的计算 onAcknowledgement(RecordMetadata, Exception)：该方法会在消息从RecordAccumulator成功发送到Kafka Broker之后，或者在发送过程中失败时调用 close：关闭Interceptor，主要用于执行一些资源清理工作

拦截器案例

1、需求分析：

实现一个简单的双Interceptor组成的拦截链，第一个Interceptor会在消息发送前将时间戳信息加到消息value的最前部，第二个Interceptor会在消息发送后更新成功发送消息数或失败发送消息数

2、编写TimeInterceptor

package com.djm.kafka.interceptor; import org.apache.kafka.clients.producer.ProducerInterceptor; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.clients.producer.RecordMetadata; import java.util.Map; public class TimeInterceptor implements ProducerInterceptor { @Override public ProducerRecord onSend(ProducerRecord record) { return new ProducerRecord<>(record.topic(), record.partition(), record.timestamp(), record.key(), System.currentTimeMillis() + "," + record.value()); } @Override public void onAcknowledgement(RecordMetadata metadata, Exception exception) { } @Override public void close() { } @Override public void configure(Map configs) { } }

3、编写CounterInterceptor

package com.djm.kafka.interceptor; import org.apache.kafka.clients.producer.ProducerInterceptor; import org.apache.kafka.clients.producer.ProducerRecord; import org.apache.kafka.clients.producer.RecordMetadata; import java.util.Map; public class CounterInterceptor implements ProducerInterceptor { private static long successCounter = 0L; private static long errorCounter = 0L; @Override public ProducerRecord onSend(ProducerRecord record) { return record; } @Override public void onAcknowledgement(RecordMetadata metadata, Exception exception) { if (exception == null) { successCounter++; } else { errorCounter++; } } @Override public void close() { System.out.println("Successful sent: " + successCounter); System.out.println("Failed sent: " + errorCounter); } @Override public void configure(Map configs) { } }

4、修改CustomProducer

package com.djm.kafka; import org.apache.kafka.clients.producer.*; import org.apache.kafka.common.serialization.StringSerializer; import java.util.ArrayList; import java.util.List; import java.util.Properties; public class CustomProducer { public static void main(String[] args) { Properties props = new Properties(); props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092"); props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName()); props.put(ProducerConfig.ACKS_CONFIG, "all"); props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384); props.put(ProducerConfig.LINGER_MS_CONFIG, 1); List interceptors = new ArrayList<>(); interceptors.add("com.djm.kafka.interceptor.TimeInterceptor"); interceptors.add("com.djm.kafka.interceptor.CounterInterceptor"); props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors); Producer producer = new KafkaProducer<>(props); for (int i = 0; i < 1000; i++) { producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() { @Override public void onCompletion(RecordMetadata metadata, Exception exception) { if (exception == null) { System.out.println("success -> " + metadata.offset()); } else { exception.printStackTrace(); } } }); } producer.close(); } }

5 Flume对接Kafka

1、配置Flume

编写flume-kafka.conf

[djm@hadoop102 job]$ vim flume-kafka.conf

输入一下内容

# define a1.sources = r1 a1.sinks = k1 a1.channels = c1 # source a1.sources.r1.type = exec a1.sources.r1.command = tail -F -c +0 /opt/module/datas/flume.log a1.sources.r1.shell = /bin/bash -c # sink a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink a1.sinks.k1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092 a1.sinks.k1.kafka.topic = first a1.sinks.k1.kafka.flumeBatchSize = 20 a1.sinks.k1.kafka.producer.acks = 1 a1.sinks.k1.kafka.producer.linger.ms = 1 # channel a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # bind a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1

2、启动消费者

[djm@hadoop102 ~]$ kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --from-beginning --topic first

3、启动Flume

[djm@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf

4、向/opt/module/datas/flume.log里追加数据，查看Kafka消费情况

6 Kafka监控

6.1 Monitor

1、上传jar包KafkaOffsetMonitor-assembly-0.4.6.jar到集群

2、在/opt/module/下创建kafka-offset-console文件夹

3、将上传的jar包放入刚创建的目录下

4、在/opt/module/kafka-offset-console目录下创建启动脚本start.sh，内容如下：

#!/bin/bash java -cp KafkaOffsetMonitor-assembly-0.4.6-SNAPSHOT.jar \ com.quantifind.kafka.offsetapp.OffsetGetterWeb \ --offsetStorage kafka \ --kafkaBrokers hadoop102:9092,hadoop103:9092,hadoop104:9092 \ --kafkaSecurityProtocol PLAINTEXT \ --zk hadoop102:2181,hadoop103:2181,hadoop104:2181 \ --port 8086 \ --refresh 10.seconds \ --retain 2.days \ --dbName offsetapp_kafka &

5、在/opt/module/kafka-offset-console目录下创建mobile-logs文件夹

6、启动Monitor

./start.sh

6.2 Manager

1、上传压缩包kafka-manager-1.3.3.15.zip到集群

2、解压到/opt/module

3、修改配置文件conf/application.conf

kafka-manager.zkhosts="kafka-manager-zookeeper:2181"

修改为：

kafka-manager.zkhosts="hadoop102:2181,hadoop103:2181,hadoop104:2181"

4、启动kafka-manager

[djm@hadoop102 kafka-manager-1.3.3.15]$ bin/kafka-manager

5、登录hadoop102:9000页面查看详细信息

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。