add:kafka札记v2

source/_posts/af-mq-kafka.md

@@ -9,18 +9,16 @@ tags:
 
 ## 目录
 
-- [简介](#简介)
-- [正篇](#正篇)
+- [概述](#概述)
+- [快速入门](#快速入门)
+- [架构深入](#架构深入)
+- [kafka API](#kafka API)
+- [kafka 监控](#kafka监控)
+- [flume对接kafka](#flume对接kafka)
 - [参考链接](#参考链接)
 - [结束语](#结束语)
 
-## 简介
-
-整理学习Kafka时的知识点.
-
-## 正篇
-
-### 概述
+## 概述
 
 - 一句话定义
     ```
@@ -53,174 +51,531 @@ tags:
     9. 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leader。
     ```
 
-### 快速入门
+## 快速入门
 
-- `安装部署`
+### `安装部署`
+
+```
+集群规划：一台VPS上部署2个broker，组成集群
+软件依赖：jdk,kafka
+防火墙设置：如果是开发环境,直接关闭防火墙；如果是生产环境,就需要配置防火墙，增加端口规则
+```
+---
+1. 安装JDK并配置环境变量（省略）
+2. 下载[kafka程序包](http://kafka.apache.org/downloads.html)
     ```
-    集群规划：一台VPS上部署2个broker，组成集群
-    软件依赖：jdk,kafka
-    防火墙设置：如果是开发环境,直接关闭防火墙；如果是生产环境,就需要配置防火墙，增加端口规则
+    # wget -P /opt/setups https://mirrors.tuna.tsinghua.edu.cn/apache/kafka/2.5.0/kafka_2.12-2.5.0.tgz
+    ```
+3. 解压到指定目录
+    ```
+    # mkdir -pv /usr/program
+    # tar -zxvf kafka_2.12-2.5.0.tgz -C /usr/program/
+    ```
+4. 配置环境变量
+    ```
+    [root@144 ~]# vim /etc/profile.d/my.sh
+    # kafka
+    KAFKA_HOME=/usr/program/kafka_2.12-2.5.0
+    PATH=$KAFKA_HOME/bin:$PATH
+    export KAFKA_HOME
+    export PATH
+    [root@144 ~]# source /etc/profile.d/my.sh
+    ```
+5. 创建相关日志文件夹
+    ```
+    # mkdir -pv /tmp/kafka-logs/{1,2}
+    # mkdir -pv /tmp/zookeeper
+    ```
+6. 配置集群参数
+    ```
+    [root@144 ~]# cp ${KAFKA_HOME}/config/server.properties ${KAFKA_HOME}/config/server-1.properties
+    [root@144 ~]# vim ${KAFKA_HOME}/config/server-1.properties
+    #broker的全局唯一编号，不能重复
+    broker.id=1
+    #服务端口号
+    listeners=PLAINTEXT://:9093
+    #是否开启删除topic功能，否则只是标记删除
+    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=/tmp/kafka-logs/1
+    #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，多个用逗号分隔
+    zookeeper.connect=localhost:2181
+    ```
+    ```
+    [root@144 ~]# cp ${KAFKA_HOME}/config/server-1.properties ${KAFKA_HOME}/config/server-2.properties
+    [root@144 ~]# vim ${KAFKA_HOME}/config/server-2.properties
+    #broker的全局唯一编号，不能重复
+    broker.id=2
+    #服务端口号
+    listeners=PLAINTEXT://:9094
+    #kafka运行日志存放的路径
+    log.dirs=/tmp/kafka-logs/2
+    ...
+    ```
+7. 启动集群
+    ```
+    [root@144 ~]# cd ${KAFKA_HOME}/bin
+    [root@144 bin]# zookeeper-server-start.sh -daemon ../config/zookeeper.properties
+    [root@144 bin]# kafka-server-start.sh -daemon ../config/server-1.properties
+    [root@144 bin]# kafka-server-start.sh -daemon ../config/server-2.properties
+    ```
+8. 关闭集群
+    ```
+    [root@144 bin]# kafka-server-stop.sh stop
+    ```
+   
+### `命令行操作`
+
+- 查看当前服务器中的所有topic
+    ```
+    [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --list
+    ```
+- 创建topic
+    ```
+    [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --create --replication-factor 2 --partitions 2 --topic test
+    ```
+- 查看某个topic详情
+    ```
+    [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --describe --topic test
+    ```
+- 删除topic
+    ```
+    [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --delete --topic test
+    ```
+- 修改分区数
+    ```
+    [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --alter --topic test --partitions 3
+    ```
+- 发送消息
+    ```
+    [root@144 bin]# kafka-console-producer.sh --broker-list 127.0.0.1:9093 --topic test
+    ```
+- 消费消息
+    ```
+    [root@144 bin]# kafka-console-consumer.sh --bootstrap-server 127.0.0.1:9093 --topic test --from-beginning
     ```
-    ---
-    1. 安装JDK并配置环境变量（省略）
-    2. 下载[kafka程序包](http://kafka.apache.org/downloads.html)
-        ```
-        # wget -P /opt/setups https://mirrors.tuna.tsinghua.edu.cn/apache/kafka/2.5.0/kafka_2.12-2.5.0.tgz
-        ```
-    3. 解压到指定目录
-        ```
-        # mkdir -pv /usr/program
-        # tar -zxvf kafka_2.12-2.5.0.tgz -C /usr/program/
-        ```
-    4. 配置环境变量
-        ```
-        [root@144 ~]# vim /etc/profile.d/my.sh
-        # kafka
-        KAFKA_HOME=/usr/program/kafka_2.12-2.5.0
-        PATH=$KAFKA_HOME/bin:$PATH
-        export KAFKA_HOME
-        export PATH
-        [root@144 ~]# source /etc/profile.d/my.sh
-        ```
-    5. 创建相关日志文件夹
-        ```
-        # mkdir -pv /tmp/kafka-logs/{1,2}
-        # mkdir -pv /tmp/zookeeper
-        ```
-    6. 配置集群参数
-        ```
-        [root@144 ~]# cp ${KAFKA_HOME}/config/server.properties ${KAFKA_HOME}/config/server-1.properties
-        [root@144 ~]# vim ${KAFKA_HOME}/config/server-1.properties
-        #broker的全局唯一编号，不能重复
-        broker.id=1
-        #服务端口号
-        listeners=PLAINTEXT://:9093
-        #是否开启删除topic功能，否则只是标记删除
-        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=/tmp/kafka-logs/1
-        #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，多个用逗号分隔
-        zookeeper.connect=localhost:2181
-        ```
-        ```
-        [root@144 ~]# cp ${KAFKA_HOME}/config/server-1.properties ${KAFKA_HOME}/config/server-2.properties
-        [root@144 ~]# vim ${KAFKA_HOME}/config/server-2.properties
-        #broker的全局唯一编号，不能重复
-        broker.id=2
-        #服务端口号
-        listeners=PLAINTEXT://:9094
-        #kafka运行日志存放的路径
-        log.dirs=/tmp/kafka-logs/2
-        ...
-        ```
-    7. 启动集群
-        ```
-        [root@144 ~]# cd ${KAFKA_HOME}/bin
-        [root@144 bin]# zookeeper-server-start.sh -daemon ../config/zookeeper.properties
-        [root@144 bin]# kafka-server-start.sh -daemon ../config/server-1.properties
-        [root@144 bin]# kafka-server-start.sh -daemon ../config/server-2.properties
-        ```
-    8. 关闭集群
-        ```
-        [root@144 bin]# kafka-server-stop.sh stop
-        ```
-- `命令行操作`
-    1. 查看当前服务器中的所有topic
-        ```
-        [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --list
-        ```
-    2. 创建topic
-        ```
-        [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --create --replication-factor 2 --partitions 2 --topic test
-        ```
-    3. 查看某个topic详情
-        ```
-        [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --describe --topic test
-        ```
-    4. 删除topic
-        ```
-        [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --delete --topic test
-        ```
-    5. 修改分区数
-        ```
-        [root@144 bin]# kafka-topics.sh --zookeeper 127.0.0.1:2181 --alter --topic test --partitions 3
-        ```
-    6. 发送消息
-        ```
-        [root@144 bin]# kafka-console-producer.sh --broker-list 127.0.0.1:9093 --topic test
-        ```
-    7. 消费消息
-        ```
-        [root@144 bin]# kafka-console-consumer.sh --bootstrap-server 127.0.0.1:9093 --topic test --from-beginning
-        ```
        
-### 架构深入
-
-- kafka工作流程及文件存储机制
-    ![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-002.png)
-    ```
-    Kafka中的消息是以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。
-    ```
-    ![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-003.png)
-    ```
-    由于生产者生产的消息会不断追加到log文件末尾，为防止log文件过大导致数据定位效率低下，Kafk采取了分片和索引机制，将每个partition分为多个segment。
-    每个segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为： 新版本存储好像有变化
-    topic名称+分区序号。例如，test这个topic有2个分区，则其对应的文件夹为test-0,test-1。index和log文件以当前segment的第一条消息的offset命名。
-    ```
-    ![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-004.png)
-    ```
-    index文件存储大量的索引信息，log文件存储大量的数据，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。
-    ```
-- kafka生产者
-    - 分区策略
-        ```
-        1.分区的原因
-            a.方便在集群中扩展，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；
-            b.可以提高并发，因为可以以Partition为单位读写了。
-        2.分区的原则
-            我们需要将producer发送的数据封装成一个ProducerRecord对象。
-            a.指明partition的情况下，直接将指明的值直接作为partiton值；
-            b.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；
-            c.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。
-        ```
-    - 数据可靠性保证
-        ```
-        为保证producer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。
-        ---
-        何时发送ack?
-        确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。
-        ---
-        多少个follower同步完成后发送ack?
-        一种方案是半数以上的follower同步完成，即可发送ack。优点是延迟低；缺点是选举新的leader时，容忍n台节点的故障，需要2n+1个副本
-        另一种方案是全部的follower同步完成，才可以发送ack。优点是选举新的leader时，容忍n台节点的故障，需要n+1个副本；缺点是延迟高
-        ---
-        Kafka选择了第二种方案，原因如下：
-        1.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的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
-        2.虽然第二种方案的网络延迟会比较高，但网络延迟对Kafka的影响较小。
-        ```
-        ```
-        ```
+## 架构深入
+
+### `工作流程及文件存储机制`
+
+![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-002.png)
+```
+Kafka中的消息是以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。
+```
+![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-003.png)
+```
+由于生产者生产的消息会不断追加到log文件末尾，为防止log文件过大导致数据定位效率低下，Kafk采取了分片和索引机制，将每个partition分为多个segment。
+每个segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为： 新版本存储好像有变化
+topic名称+分区序号。例如，test这个topic有2个分区，则其对应的文件夹为test-0,test-1。index和log文件以当前segment的第一条消息的offset命名。
+```
+![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-004.png)
+```
+index文件存储大量的索引信息，log文件存储大量的数据，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。
+```
+
+### `生产者`
+
+- 分区策略
+    ```
+    1.分区的原因
+        a.方便在集群中扩展，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；
+        b.可以提高并发，因为可以以Partition为单位读写了。
+    2.分区的原则
+        我们需要将producer发送的数据封装成一个ProducerRecord对象。
+        a.指明partition的情况下，直接将指明的值直接作为partiton值；
+        b.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；
+        c.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。
+    ```
+- 数据可靠性保证
+    ```
+    为保证producer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。
+    ---
+    何时发送ack?
+    确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。
+    ---
+    多少个follower同步完成后发送ack?
+    一种方案是半数以上的follower同步完成，即可发送ack。优点是延迟低；缺点是选举新的leader时，容忍n台节点的故障，需要2n+1个副本
+    另一种方案是全部的follower同步完成，才可以发送ack。优点是选举新的leader时，容忍n台节点的故障，需要n+1个副本；缺点是延迟高
+    ---
+    Kafka选择了第二种方案，原因如下：
+    1.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的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
+    2.虽然第二种方案的网络延迟会比较高，但网络延迟对Kafka的影响较小。
+    ```
+    ```
+    采用第二种方案之后，设想以下情景：leader收到数据，所有follower都开始同步数据，但有一个follower，因为某种故障，迟迟不能与leader进行同步，
+    那leader就要一直等下去，直到它完成同步，才能发送ack。这个问题怎么解决呢？
+    Leader维护了一个动态的in-sync replica 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producer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。
+    ```
+    ```
+    对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等ISR中的follower全部接收成功。
+    所以Kafka为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，对acks参数配置。
+    ---
+    0：producer不等待broker的ack，这一操作提供了一个最低的延迟，broker一接收到还没有写入磁盘就已经返回，当broker故障时有可能丢失数据；
+    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（all）：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。
+    ```
+    ```
+    LEO：指的是每个副本最大的offset；
+    HW：指的是消费者能见到的最大的offset，ISR队列中最小的LEO。
+    ---
+    1. follower故障
+        follower发生故障后会被临时踢出ISR，待该follower恢复后，follower会读取本地磁盘记录的上次的HW，并将log文件高于HW的部分截取掉，
+        从HW开始向leader进行同步。等该follower的LEO大于等于该Partition的HW，即follower追上leader之后，就可以重新加入ISR了。
+    2. leader故障
+        leader发生故障之后，会从ISR中选出一个新的leader，之后为保证多个副本之间的数据一致性，其余的follower会先将各自的log文件高于HW
+        的部分截掉，然后从新的leader同步数据。这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。
+    ```
+  
+### `消费者`
+
+- 消费方式
+    ```
+    consumer采用pull（拉）模式从broker中读取数据。
+    ---
+    push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息，
+    但是这样很容易造成consumer来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而pull模式则可以根据consumer的消
+    费能力以适当的速率消费消息。
+    ---
+    pull模式不足之处是，如果kafka没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka的消费者在消费数据时
+    会传入一个时长参数timeout，如果当前没有数据可供消费，consumer会等待一段时间之后再返回，这段时长即为timeout。
+    ```
+- 分区分配策略
+    ```
+    一个consumer group中有多个consumer，一个topic有多个partition，所以必然会涉及到partition的分配问题，即确定哪个
+    partition由哪个consumer来消费。Kafka有两种分配策略，一是RoundRobin，一是Range。
+    ---
+    同一个消费者组中的消费者，同一时刻只能有一个消费者消费。
+    ```
+- offset的维护
+    ```
+    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。
+    ---
+    Kafka 0.11版本之前，consumer默认将offset保存在Zookeeper中，从0.11版本开始，consumer默认将offset保存在Kafka一个内置
+    的topic中，该 topic为__consumer_offsets。
+    ```
+  
+### `高效读写数据`
+
+```
+1. 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，为顺序写。 
+    官网有数据表明，同样的磁盘，顺序写能到600M/s，而随机写只有100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。
+2. 零复制技术
+```
+    
+### `zk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。 
+```
+    
+### `事务`
+
+```
+Kafka从0.11版本开始引入了事务支持。事务可以保证Kafka在Exactly Once语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。
+---
+Producer事务
+为了实现跨分区跨会话的事务，需要引入一个全局唯一的Transaction ID，并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就
+可以通过正在进行的Transaction ID获得原来的 PID。
+为了管理Transaction，Kafka引入了一个新的组件Transaction Coordinator。Producer就是通过和Transaction Coordinator交互获得Transaction ID
+对应的任务状态。TransactionCoordinator还负责将事务所有写入Kafka的一个内部Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态
+可以得到恢复，从而继续进行。
+---
+Consumer事务
+上述事务机制主要是从Producer方面考虑，对于Consumer而言，事务的保证就会相对较弱，尤其是无法保证Commit的信息被精确消费。这是由于Consumer
+可以通过offset访问任意信息，而且不同的Segment File生命周期不同，同一事务的消息可能会出现重启后被删除的情况。
+```
+
+## kafka API
+
+### `Producer API`
+
+- 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。
+    ---
+    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。
+    ```
+    ![抱歉,图片休息了](af-mq-kafka/af-mq-kafka-005.png)
+- 异步发送API
+    ```java
+    @Slf4j
+    public class Procuder {
+        // 带回调函数的API
+        public static void main(String[] args) {
+            Properties props = new Properties();
+            //kafka集群，broker-list
+            props.put("bootstrap.servers", "hexo.lvzhiqiang.top:9093");
+            //ack应答机制
+            props.put("acks", "all");
+            //重试次数
+            props.put("retries", 1);
+            //批次大小   只有数据积累到batch.size之后，sender才会发送数据
+            props.put("batch.size", 16384);
+            //等待时间   如果数据迟迟未达到batch.size，sender等待linger.time之后就会发送数据
+            props.put("linger.ms", 1);
+            //缓冲区大小
+            props.put("buffer.memory", 33554432);
+            props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
+            props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
+            KafkaProducer<String, String> producer = new KafkaProducer<>(props);
+            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
+            for (int i = 0; i < 100; i++) {
+                int finalI = i;
+                producer.send(new ProducerRecord<>("test", Integer.toString(i), Integer.toString(i)), new Callback() {
+                    //回调函数，该方法会在Producer收到ack时调用，为异步调用
+                    //消息发送失败会自动重试，不需要我们在回调函数中手动重试
+                    @Override
+                    public void onCompletion(RecordMetadata recordMetadata, Exception e) {
+                        if (null == e) {
+                            log.info("{}->success->{}->{}", finalI, sdf.format(new Date()), recordMetadata.offset());
+                        } else {
+                            log.warn("{}->fail->{}", finalI, sdf.format(new Date()), e);
+                        }
+                    }
+                });
+            }
+            producer.close();
+        }
+    }
+    ```
+- 同步发送API
+    ```
+    同步发送的意思就是，一条消息发送之后，会阻塞当前线程，直至返回ack。
+    由于send方法返回的是一个Future对象，根据Futrue对象的特点，我们只需再调用Future对象的get方法即可实现同步发送的效果。
+    ```
+  
+### `Consumer API`
+
+- offset维护
+    ```
+    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。
+    为了使我们能够专注于自己的业务逻辑，Kafka提供了自动提交offset的功能。
+    ---
+    虽然自动提交offset十分简洁便利，但由于其是基于时间提交的，开发人员难以把握offset提交的时机。
+    因此Kafka还提供了手动提交offset的API。手动提交offset的方法有两种：分别是commitSync（同步提交）和commitAsync（异步提交）。
+    两者的相同点是，都会将本次poll的一批数据最高的偏移量提交；不同点是，commitSync阻塞当前线程，一直到提交成功，并且会自动失
+    败重试（由不可控因素导致，也会出现提交失败）；而commitAsync则没有失败重试机制，故有可能提交失败。
+    ---
+    虽然同步提交offset更可靠一些，但是由于其会阻塞当前线程，直到提交成功。因此吞吐量会收到很大的影响。因此更多的情况下，
+    会选用异步提交offset的方式。
+    ---
+    无论是同步提交还是异步提交offset，都有可能会造成数据的漏消费或者重复消费。先提交offset后消费，有可能造成数据的漏消费；
+    而先消费后提交offset，有可能会造成数据的重复消费。
+    ```
+- 自动提交offset
+    ```java
+    @Slf4j
+    public class Consumer {
+        public static void main(String[] args) {
+            Properties props = new Properties();
+            //kafka集群，broker-list
+            props.put("bootstrap.servers", "144.34.207.84:9093");
+            //消费者组，只要group.id相同，就属于同一个消费者组
+            props.put("group.id", "test");
+            //是否开启自动提交offset功能
+            props.put("enable.auto.commit", "true");
+            //自动提交offset的时间间隔
+            props.put("auto.commit.interval.ms", "100000");
+            //key,value反序列化
+            props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
+            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
+    
+            // 订阅主题
+            consumer.subscribe(Arrays.asList("test"));
+            while (true) {
+                // 拉取数据
+                ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000L));
+                // 消费数据
+                for (ConsumerRecord<String, String> record : records) {
+                    log.info("{},offset={},key={},value={}", sdf.format(new Date()), record.offset(), record.key(), record.value());
+                }
+            }
+        }
+    }
+    ```
+- 手动提交offset
+    ```java
+    @Slf4j
+    // 同步
+    public class Consumer {
+        public static void main(String[] args) {
+            Properties props = new Properties();
+            //kafka集群，broker-list
+            props.put("bootstrap.servers", "144.34.207.84:9093");
+            //消费者组，只要group.id相同，就属于同一个消费者组
+            props.put("group.id", "test");
+            //关闭自动提交offset
+            props.put("enable.auto.commit", "false");
+            //key,value反序列化
+            props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
+            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
+    
+            // 订阅主题
+            consumer.subscribe(Arrays.asList("test"));
+            while (true) {
+                // 拉取数据
+                ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000L));
+                // 消费数据
+                for (ConsumerRecord<String, String> record : records) {
+                    log.info("{},offset={},key={},value={}", sdf.format(new Date()), record.offset(), record.key(), record.value());
+                }
+                //同步提交，当前线程会阻塞直到offset提交成功
+                consumer.commitSync();
+            }
+        }
+    }
+    ```
+    ```java
+    @Slf4j
+    // 异步
+    public class Consumer {
+        public static void main(String[] args) {
+            Properties props = new Properties();
+            //kafka集群，broker-list
+            props.put("bootstrap.servers", "144.34.207.84:9093");
+            //消费者组，只要group.id相同，就属于同一个消费者组
+            props.put("group.id", "test");
+            //关闭自动提交offset
+            props.put("enable.auto.commit", "false");
+            //key,value反序列化
+            props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
+            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
+    
+            // 订阅主题
+            consumer.subscribe(Arrays.asList("test"));
+            while (true) {
+                // 拉取数据
+                ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000L));
+                // 消费数据
+                for (ConsumerRecord<String, String> record : records) {
+                    log.info("{},offset={},key={},value={}", sdf.format(new Date()), record.offset(), record.key(), record.value());
+                }
+                //异步提交
+                consumer.commitAsync(new OffsetCommitCallback() {
+                    @Override
+                    public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) {
+                        if (exception != null) {
+                            log.error("Commit failed for {}", offsets, exception);
+                        }
+                    }
+                });
+            }
+        }
+    }
+    ```
+- 自定义存储offset
+    ```
+    offset除了可以存储在zookeeper或者内置的topic中。Kafka还可以选择自定义存储offset。
+    ---
+    offset的维护是相当繁琐的，因为需要考虑到消费者的Rebalace。当有新的消费者加入消费者组、已有的消费者退出消费者组
+    或者所订阅的主题的分区发生变化，就会触发到分区的重新分配，重新分配的过程叫做Rebalance。
+    ---
+    消费者发生Rebalance之后，每个消费者消费的分区就会发生变化。因此消费者要首先获取到自己被重新分配到的分区，并且定
+    位到每个分区最近提交的offset位置继续消费。要实现自定义存储offset，需要借助ConsumerRebalanceListener，以下
+    为示例代码，其中提交和获取offset的方法，需要根据所选的offset存储系统自行实现。
+    ```
+    ```java
+    @Slf4j
+    public class CustomConsumer {
+        private static Map<TopicPartition, Long> currentOffset = new HashMap<>();
+    
+        public static void main(String[] args) {
+            //创建配置信息
+            Properties props = new Properties();
+            //kafka集群，broker-list
+            props.put("bootstrap.servers", "144.34.207.84:9093");
+            //消费者组，只要group.id相同，就属于同一个消费者组
+            props.put("group.id", "test");
+            //关闭自动提交offset
+            props.put("enable.auto.commit", "false");
+            //Key和Value的反序列化类
+            props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
+            //创建一个消费者
+            KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
+            SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
+            //消费者订阅主题
+            consumer.subscribe(Arrays.asList("test"), new ConsumerRebalanceListener() {
+                //该方法会在Rebalance之前调用
+                @Override
+                public void onPartitionsRevoked(Collection<TopicPartition> partitions) {
+                    commitOffset(currentOffset);
+                }
+    
+                //该方法会在Rebalance之后调用
+                @Override
+                public void onPartitionsAssigned(Collection<TopicPartition> partitions) {
+                    currentOffset.clear();
+                    for (TopicPartition partition : partitions) {
+                        //定位到最近提交的offset位置继续消费
+                        consumer.seek(partition, getOffset(partition));
+                    }
+                }
+            });
+            while (true) {
+                //消费者拉取数据
+                ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000L));
+                //消费数据
+                for (ConsumerRecord<String, String> record : records) {
+                    log.info("{},offset={},key={},value={}", sdf.format(new Date()), record.offset(), record.key(), record.value());
+                    currentOffset.put(new TopicPartition(record.topic(), record.partition()), record.offset());
+                }
+                //异步提交
+                commitOffset(currentOffset);
+            }
+        }
+    
+        //获取某分区的最新offset
+        private static long getOffset(TopicPartition partition) {
+            return 0;
+        }
+    
+        //提交该消费者所有分区的offset
+        private static void commitOffset(Map<TopicPartition, Long> currentOffset) {
+        }
+    }
+    ```
+  
+### `自定义Interceptor`
+
+## kafka监控
 
+## flume对接kafka
 
 ## 参考链接