四、Kafka使用中的常见问题(重要)

1、如果想消费已经被消费过的数据，怎么去做？
2、如何自定义去消费已经消费过的数据
3、kafka partition和consumer数目关系
4、kafka topic 副本问题
5、kafka如何设置生存周期与清理数据
6、zookeeper如何管理kafka

问题 1、如果想消费已经被消费过的数据，怎么去做？

分析： Consumer底层采用的是一个阻塞队列，只要一有producer生产数据，那consumer就会将数据消费。当然这里会产生一个很严重的问题，如果你重启一消费者程序，那你连一条数据都抓不到，但是log文件中明明可以看到所有数据都好好的存在。换句话说，一旦你消费过这些数据，那你就无法再次用同一个groupid消费同一组数据了。
原因：消费者消费了的数据并不从队列中移除，只是记录了offset偏移量。同一个consumergroup的所有consumer合起来消费一个topic，并且他们每次消费的时候都会保存一个offset参数在zookeeper的root上。如果此时某个consumer挂了或者新增一个consumer进程，将会触发kafka的负载均衡，暂时性的重启所有consumer，重新分配某个consumer去消费某个partition，然后再继续通过保存在zookeeper上的offset参数继续读取数据。注意:offset保存的是consumer 组消费的消息偏移。

要消费同一组数据，你可以

1. 、采用不同的group。
2. 、通过一些配置，就可以将线上产生的数据同步到镜像中去，然后再由特定的集群去处理大批量的数据。
   

问题 2、如何自定义去消费已经消费过的数据

Conosumer.properties配置文件中有两个重要参数
1）、auto.commit.enable：如果为true，则consumer的消费偏移offset会被记录到zookeeper。下次consumer启动时会从此位置继续消费。
2）、auto.offset.reset：该参数只接受两个常量largest和Smallest,分别表示将当前offset指到日志文件的最开始位置和最近的位置。

SimpleConsumer：如果进一步想控制时间，则需要调用SimpleConsumer，自己去设置相关参数。比较重要的参数是 kafka.api.OffsetRequest.EarliestTime()和kafka.api.OffsetRequest.LatestTime()分别表示从日志（数据）的开始位置读取和只读取最新日志。

如何使用SimpleConsumer？
首先，你必须知道读的是哪个topic的哪个partition
然后，找到负责该partition的broker leader，从而找到存有该partition副本的那个broker节点
再者，自己去写request并fetch数据
最终，还要注意需要识别和处理broker leader的改变

问题 3、kafka partition和consumer数目关系

1)、如果consumer比partition多，是浪费，因为kafka的设计是在一个partition上是不允许并发的（一个partition同一时刻只能被一个group的一个Consumer消费），所以consumer数不要大于partition数 。
2)、如果consumer比partition少，一个consumer会对应于多个partitions，这里主要合理分配consumer数和partition数，否则会导致partition里面的数据被取的不均匀 。最好partiton数目是consumer数目的整数倍，所以partition数目很重要，比如取24，就很容易设定consumer数目 。
3)、如果consumer从多个partition读到数据，不保证数据间的顺序性，kafka只保证在一个partition上数据是有序的，但多个partition，根据你读的顺序会有不同
4)、增减consumer，broker，partition会导致rebalance(负载均衡)，所以rebalance后consumer对应的partition会发生变化

问题 4、kafka topic 副本问题

Kafka尽量将所有的Partition均匀分配到整个集群上。一个典型的部署方式是一个Topic的Partition数量大于Broker的数量。
1) 如何分配副本:
Producer在发布消息到某个Partition时，先通过ZooKeeper找到该Partition的Leader，然后无论该Topic的Replication Factor（复制因子）为多少（即该Partition有多少个Replica），Producer只将该消息发送到该Partition的Leader。Leader会将该消息写入其本地Log。每个Follower都从Leader pull数据。这种方式上，Follower存储的数据顺序与Leader保持一致。
2) Kafka分配Replica的算法如下：
将所有Broker（假设共n个Broker）和待分配的Partition排序
将第i个Partition分配到第 （i mod n） 个Broker上
将第i个Partition的第j个Replica分配到第 （(i + j) mode n） 个Broker上

问题 5、kafka如何设置生存周期与清理数据？

日志文件的删除策略非常简单:启动一个后台线程定期扫描log file列表,把保存时间超过阈值的文件直接删除(根据文件的创建时间).清理参数在server.properties文件中：

问题 6、zookeeper如何管理kafka

1)、 Producer端使用zookeeper用来"发现"broker列表,以及和Topic下每个partition leader建立socket连接并发送消息.
2) 、Broker端使用zookeeper来注册broker信息,以及监测partition leader存活性.
3) 、Consumer端使用zookeeper来注册consumer信息,其中包括consumer消费的partition列表等,同时也用来发现broker列表,并和partition leader建立socket连接,并获取消息.