* Kafka框架基础
官网：kafka.apache.org
框架简介
Apache Kafka是分布式发布-订阅消息系统。它最初由LinkedIn公司开发，之后成为Apache项目的一部分。Kafka是一种快速、可扩展的、设计内在就是分布式的，分区的和可复制的提交日志服务。
相关概念
** 生产者
提供数据源生产的地方，对于同一个topic，生产者只能有一个，这样可以确保同一个topic数据来自同一个业务数据，支持多并发
** 消费者
消费数据的客户端，对于同一个topic，可以有多个消费者，比如spark，storm等等
** Broker
消息中间件处理结点，一个Kafka节点就是一个broker，多个broker可以组成一个Kafka集群。
** Topic
同一类消息的统称，Kafka集群能够同时负载多个topic分发。
** Partition
topic物理上的分组，一个topic可以分为多个partition，每个partition是一个有序的队列，同一个topic里面的数据是存放在不同的分区中。
** Replication
每个分区或者topic都是有副本的，副本的数量也是可以在创建topic的时候就指定好，保证数据的安全性，以及提供高并发读取效率。
** Segment
partition物理上由多个segment组成
** Offset
每个partition都由一系列有序的、不可变的消息组成，这些消息被连续的追加到partition中。partition中的每个消息都有一个连续的序列号叫做offset，用于partition唯一标识一条消息
框架特色
** 同时为发布和订阅提供高吞吐量。Kafka每秒可以生产约25万消息（约50 MB），每秒处理55万消息（约110 MB）。
** 可进行持久化操作。将消息持久化到磁盘，因此可用于批量消费，例如ETL，以及实时应用程序。通过将数据持久化到硬盘以及replication防止数据丢失。
** 分布式系统，易于向外扩展。所有的producer、broker和consumer都会有多个，均为分布式的。无需停机即可扩展机器。
** 消息被处理的状态是在consumer端维护，而不是由server端维护。当失败时能自动平衡。
架构图
* 框架部署
** 相关下载
kafka以及scala：链接：http://pan.baidu.com/s/1pLBFJf1 密码：seto
** 解压Kafka以及scala
$ tar -zxf kafka_2.10-0.8.2.1.tgz -C /opt/modules/cdh/
$ tar -zxf scala-2.10.4.tgz -C /opt/modules/cdh/
** 安装JDK并配置环境变量
不再赘述
** 安装并启动zookeeper
在zookeeper的根目录下：
$ bin/zkServer.sh start
** 配置scala环境变量
# vi /etc/profile
$ source /etc/profile
（注意以上两条语句的执行用户）
添加如下：
##SCALA_HOME
SCALA_HOME=/opt/modules/cdh/scala-2.10.4
export PATH=$PATH:$SCALA_HOME/bin
使用命令检查scala配置是否正确：
$ scala -version，如图：
** 修改Kafka配置文件
server.properties
修改为如下：
producer.properties
变动内容如下：
consumer.properties
变动内容如下：
** 启动Kafka
$ bin/kafka-server-start.sh config/server.properties
** 创建Topic
$ bin/kafka-topics.sh --create --zookeeper z01:2181 --replication-factor 1 --partitions 1 --topic testTopic
** 启动生产者
$ bin/kafka-console-producer.sh --broker-list z01:9092 --topic testTopic
** 启动消费者
$ bin/kafka-console-consumer.sh --zookeeper z01:2181 --topic testTopic --from-beginning
在生产者窗口输入数据，在消费者窗口查看数据，测试如图：
消费者：
生产者：
* 整合测试
使用flume+kafka整合测试
** 配置flume
原来我们配置flume，是在tomcat所在机器节点开启了一个flume收集日志，并直接上传到HDFS，如果集群中存在多个机器节点，则势必导致对HDFS集群占用率过高，所以在面临多个flume集群时，一般会采用1~2个单独的flume节点来收集另外flume节点的日志，相当于弄了一个中转站，由中转站收集其他flume，再统一放置到HDFS系统中，此刻我们采用方案2，原理如图：
背景：在一台机器上开两个flume，分别收集tomcat日志和hive日志，这两者的日志信息分别输入到中间层flume（这个中间层flume也模拟在同一个机器节点上），然后中间层flume在将数据写入到HDFS。
首先检查一下hive的conf目录下的hive-log4j.properties配置中，是否已经指定了hive的日志目录，如果没有，请指定，如图：
涉及flume文件：以下文件存在于flume的conf目录下，如果不存在，请自行创建即可。
flume-apache-log-kafka.conf
flume-hive-log-kafka.conf
flume-connector-kafka.conf
依次启动：
a4：
$ bin/flume-ng agent --conf conf/ --name a4 --conf-file conf/flume-connector-kafka.conf
a3：
$ bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/flume-hive-log-kafka.conf
a2：
$ bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/flume-apache-log-kafka.conf
测试后如图，即可发现，日志在HDFS和kafka中都已经显示出来：
个人微博：http://weibo.com/seal13
QQ大数据技术交流群（广告勿入）：476966007
作者：Z尽际链接：https://www.jianshu.com/p/a24af7a86392來源：简书著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
原文地址：https://www.cnblogs.com/wzlbigdata/p/8277703.html