kafka常用命令总结

劲爆!查看kafka状态 容器化时代来了 虚拟化技术已经走过了三个时代,没有容器化技术的演进就不会有 Docker 技术的诞生。 虚拟化技术演进 (1)物理机时代:多个应用程序可能会跑在一台机器上。 (2)虚拟机时代:一台物理机器安装多个虚拟机(VM),一个虚拟机跑多个程序。 (3)容器化时代:一台物理机安装多个容器实例(container),一个容器跑多个程序。 容器化解决了软件开发过程中一个令人非常头疼的问题,用一段对话描述: 测试人员:你这个功能有问题。 开发人员:我本地是好的啊。 开发人员编写代码,在自己本地环境 阅读详情
=============================================================================
启动命令:
cd ${KAFKA_HOME}
bin/kafka-server-start.sh config/server.properties >> kafka_logs/kafka_log 2>&1 &
=============================================================================
停止命令
cd ${KAFKA_HOME}
bin/kafka-server-stop.sh config/server.properties >> kafka_logs/kafka_log 2>&1 &
=============================================================================
查看当前服务器中的所有topic
cd ${KAFKA_HOME}
bin/kafka-topics.sh --list --zookeeper  BDI5:2181,BDI6:2181,BDI7:2181
=============================================================================
创建topic
cd ${KAFKA_HOME}
bin/kafka-topics.sh --create --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --replication-factor 5 --partitions 5 --topic ETE_SERV_8110000_TEST
=============================================================================
删除topic
cd ${KAFKA_HOME}
bin/kafka-topics.sh --delete --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --topic ETE_SERV_8110000_TEST
需要server.properties中设置delete.topic.enable=true否则只是标记删除或者直接重启。
=============================================================================
通过shell命令发送消息
cd ${KAFKA_HOME}
bin/kafka-console-producer.sh --broker-list 10.62.242.137:9092,10.62.242.123:9092,10.62.242.124:9092,10.62.242.125:9092,10.62.242.126:9092 --topic ETE_SERV_8110000_TEST
=============================================================================
通过shell消费消息,直连
cd ${KAFKA_HOME}
bin/kafka-console-consumer.sh --bootstrap-server 10.62.242.137:9092,10.62.242.123:9092,10.62.242.124:9092,10.62.242.125:9092,10.62.242.126:9092 --topic ETE_SERV_8110000 --from-beginning
=============================================================================
通过zookeeper
cd ${KAFKA_HOME}
bin/kafka-console-consumer.sh --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --from-beginning --topic ETE_SERV_8110000_TEST
=============================================================================
查看某个Topic的详情
cd ${KAFKA_HOME}
bin/kafka-topics.sh --topic ETE_SERV_8110000_TEST --describe --zookeeper BDI5:2181,BDI6:2181,BDI7:2181
=============================================================================
查看数据消费情况
bin/kafka-run-class.sh kafka.tools.ConsumerOffsetChecker --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --group spark-streaming

bin/kafka-run-class.sh kafka.tools.ConsumerOffsetChecker --group dktus --topic ETE_SERV_8110000  --zookeeper BDI5:2181,BDI6:2181,BDI7:2181/highkafka

bin/kafka-run-class.sh kafka.tools.ConsumerOffsetChecker --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --group logstash

bin/kafka-consumer-groups.sh --bootstrap-server BDI10:9093 --describe --group dktus
=============================================================================
GROUP     TOPIC     PID       OFFSET             LOGSIZE   LAG
消费者组  话题id    分区id    当前已消费的条数   总条数    未消费的条数
=============================================================================
查看最大的offset
bin/kafka-run-class.sh kafka.tools.GetOffsetShell --topic ETE_SERV_8110000 --time -1 --broker-list 10.62.242.137:9092,10.62.242.123:9092,10.62.242.124:9092,10.62.242.125:9092,10.62.242.126:9092
=============================================================================
通过zookeeper监控kafka集群存活情况
cd ${ZK_HOME}
bin/zkCli.sh
查看broker存活节点: ls /brokers/ids
查看kafka的topics: ls /brokers/topics
=============================================================================
压力测试
bin/kafka-producer-perf-test.sh --topic test11 --num-records 10000000 --record-size 1000 --throughput 10000000 --producer-props bootstrap.servers=10.62.242.137:9092,10.62.242.123:9092,10.62.242.124:9092,10.62.242.125:9092,10.62.242.126:9092 batch-size=200 compression-codec=1
=============================================================================
修改topic分区,只能增加分区
bin/kafka-topics.sh --zookeeper BDI5:2181,BDI6:2181,BDI7:2181 --alter --topic sgn_data --partitions 10

Kafka运维宝典 (四)- Kafka 常用命令介绍 Kafka 提供了一套全面的命令行工具,支持主题管理、消费者组管理、生产与消费数据等操作。熟练掌握这些命令可以帮助你更高效地管理 Kafka 集群,同时快速解决问题,提高系统运行效率。 阅读详情

相关推荐

Kafka常用命令

Kafka常用命令

qq_38737545的博客 632

kafka常见命令集锦

目标 熟悉kafka各个组件的功能。 熟练使用zookeeper客户端操作kafka节点,通过命令的方式验证kafka各个组件之间的关联关系。 相关概念 Broker kafka节点,多个broker组成kafka集群。 Topic 即主题,kafka通过Topic对消息进行分类,发布到kafka的消息都需要指定Topic。 Producer 即消息生产者,向Broker发送消息的客户端。 Consumer 即消息消费者,从Broker消费消息的客户端。 ConsumerGroup

前者已逝,后者未至。 1万+

16.kafka常用命令梳理

16.kafka常用命令梳理

z19861216的博客 1600

kafka常用命令详解

集群安装信息如下: kafka-broker-list:node21:9092,node22:9092,node23:9092 zookeeper.connect-list: node21:2181,node22:2181,node23:2181 1.启动zookeeper集群 所有zookeeper节点都需要执行 zkServer.sh start 2.启动Kafka集群服务 所有Kafka节点都需要执行 bin/kafka-server-start.sh config/serv...

weixin_42073629的博客 1641

GetOffsetShell_kafka_SSL:具有SSL的kafka.tools.GetOffsetShell

GetOffsetShell_kafka_SSL 在具有SSL的kafka kafka.tools.GetOffsetShell中启用SSL身份验证时,GetOffsetShell的解决方案不起作用

[Linux项目实践] LCD Panel的硬件分析及调试

LCD硬件分析 项目使用3.5” TFT-LCD并且支持触摸控制。LCD的硬件可从几个方面学习:1)查看LCD的硬件连线。2)查看数据手册了解寄存器的控制。3)查看LCD DATASHEET了解硬件操作 1)LCD硬件连线 在图中有33个引脚,22根数据引脚和9根控制引脚。 LCD的工作原理:像素点是从左至右,从上至下逐个显示,LCD控制寄存器会从从内存中的framebuffer通

Terry_Yuan的技术专栏 3025

kafka与zookeeper常用命令和知识点

2.12代表实行该kafka的Scala语言版本,后面的2.0.0代表Kafka服务版本。注意,当使用java连接时,使用的jar包一定要版本一致。kafka集群分为两类机器,一类为kafka(集群),存储队列数据,一类为zk(集群),存储集群信息。生产者一般接连接kafka服务即可(有时也叫Broker 经纪人),单向联系,无需在zk中注册。配置项为kafka连接的zk服务器(后面可以添加路径以指定集群信息存储到某一路径下)。消费者一般接连接zk服务,注册成为消费者(具体看使用的连接依赖包)。

weixin_44927769的博客 1277

使用MLP解决OCR问题(OpenCV)(下)

分类模型:        分类模型涉及的一个比较关键的问题就是输出的10维向量是如何与具体的类别挂钩的。实际上:10维向量的每一位都代表一类,在对于训练集的表达中,如果输入数据是0,则10维向量的第一位赋值为1,其余均为0。即0对应[1,0,0,0,0,0,0,0,0,0]。MLP模型训练完成后,就需要对用户输入的数据所属类别进行判定。这时得到的输出数据基本不可能是正好的所属类为1,其他位置为0

qq_18515405的专栏 1907

Kafka如何判断一个节点是否存活?

在Apache Kafka中,要判断一个节点是否存活,通常是指要检测Kafka集群中的Broker节点是否处于活动状态。这可以通过几两种不同的方法来实现,一种是使用Zookeeper来监视Broker节点的存活状态,另一种是使用Kafka的内置工具。

zy1992As的博客 856

企业微信会话存档SDK集成与动态库加载实战

本文详细解析了企业微信会话存档SDK的集成与动态库加载实战,重点解决Windows与Linux环境下动态库加载的差异问题。通过实战案例和优化建议,帮助开发者高效完成企业微信API集成,确保合规存档功能稳定运行。

weixin_26934905的博客 465

告别激活烦恼:Lattice Diamond 3.13 永久免费License申请与配置全攻略(Windows 64位)

本文详细介绍了Lattice Diamond 3.13永久免费License的申请与配置全流程,特别针对Windows 64位系统用户。从官网导航的隐藏路径到Host ID的获取方式,再到License文件的高级处理技巧和环境变量的深度配置,提供了全面的安装教程和疑难问题解决方案,帮助开发者彻底告别激活烦恼。

weixin_28736335的博客 429

linux kafka常用命令

kafka-acls.sh:用于配置和查看 Kafka 集群的鉴权信息。kafka-configs.sh:用于查看和修改 Kafka 配置。kafka-console-consumer.sh:用于从 Kafka 主题中消费消息。可以通过指定 `--whitelist参数来消费所有的 topic,使用--from-beginning参数从头开始消费,以及使用--property print.key=true参数显示 key 进行消费。

m0_53077601的博客 904

HTML流光爱心(完整代码)

HTML语言实现红蓝色流光爱心效果的完整代码。

AIGC 1万+

kafka常用命令

kafka常用命令

Gblfy_Blog 2万+

html2canvas - 解决截图后引入的字体样式丢失问题,第三方字体截图导出图片后字体失效,html2canvas截屏生成图片后艺术字体就丢失并且自动转成常规字体了,特殊字体显示不了无法截图怎么办

vue2,vue3,uniapp,html2canvas截图后引入的字体样式丢失,html2canvas艺术字截图不显示,使用外部字体无效,html2canvas无法识别网络字体文件怎么办,ttf文件,网页使用在线字体链接利用html2canvas无法截取,字体样式没有了,font-family第三方字体,@font-face引入本地字体文件后无法被html2canvas识别怎么办,html2canvas文字消失,vue页面正常显示艺术字体但截屏后没有,html2canvas截图存在特殊字体时截图不全,默认

✅ 精选推荐文章 1万+

【推荐100个unity插件】动画重定向,快速在不同角色间共享动画,共用非人形Humanoid(泛型generic)动画——Retarget Pro

Retarget Pro是一款高效的Unity动画重定向工具,可快速在不同角色间共享动画。主要特点包括:1分钟快速设置,支持编辑器和运行时重定向;适用于人形、动物、武器等各类角色;提供基础重定向、IK重定向和FPS专用重定向三种功能模块;通过Rig组件和骨架资产实现骨骼链匹配,支持批量处理。插件包含示例项目和预设资源,操作简便且效果优于Unity原生Humanoid系统,特别适合处理手指等精细动画。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 549

kafka常用命令_kafka命令

bin/kafka-consumer-groups.sh --bootstrap-server $nodes --group $groupname --reset-offsets --all-topics --to-earliest --execute # 重设消费者组位移(待验证)bin/kafka-console-consumer.sh --bootstrap-server $nodes --topic $topicName --from-beginning # 使用消费者。

2401_89678804的博客 1513

【路径规划】Theta_star算法机器人栅格地图最短路径规划【含Matlab源码 2618期】

Theta_star算法机器人栅格地图最短路径规划 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 365

Kafka简单搭建及常用命令

通过如下命令格式化存储目录,注意:-t参数需要指定上一步生成的集群id,即将下面命令中的"Tc5TTyKZQfil377YgmT5uQ "替换为你自己在上一步生成的集群id,另外,-c参数后需要指定的是config中的kraft中的server.properties配置文件,而不是config中的server.properties文件,后者是zookeeper模式启动需要的配置文件,前者才是我们使用kraft模式需要的配置文件,且后面服务的启动等操作都是围绕着这个配置文件来进行的。

犬余的博客 2360

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

kafka(1) 常用命令

kafka相关的常用命令 后台启动kafka kafka-server-start.sh /opt/app/kafka_2.11-1.1.0/config/server.properties > /dev/null 2>&1 & 关闭kafka kafka-server-stop.sh 创建topic topic的添加和修改使用下面命令 bin/kafka-topics...

cowbin2012的专栏 1万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

kafka常用命令(详细)

说明:在${KAFKA_HOME}/config/server.properties中配置 delete.topic.enable 为 true,这样才能生效,删除指定的 topic主题。参数 --topic 指定 Topic 名,–partitions 指定分区数,–replication-factor 指定备份(副本)数。# LOG-END-OFFSET: 当前最高水位偏移量,也就是最近一个读取消息的偏移量,同时也是最近一个提交到集群的偏移量。–from-beginning:表示从头开始接收数据。

代码蒋的博客 5174

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: hadoop块的概念
下一篇: kafka性能分析
Java_Soldier
博客等级 码龄10年 27粉丝 82原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值