SpringBoot整合kafka

1、搭建项目，在https://start.spring.io/网站中，添加kafka依赖，生成项目

2、在application.properties文件中添加kafka配置

#生产者 #kafka服务器地址 spring.kafka.producer.bootstrap-servers=xx.xx.xx.xx:9092,xx.xx.xx.xx:9091 #重发次数 spring.kafka.producer.retries=1 #批量提交大小 spring.kafka.producer.batch-size=16384 #缓存大小 spring.kafka.producer.buffer-memory=33554432 #最大请求消息体大小 spring.kafka.producer.properties.max.requst.size=2097152 #key序列化类 spring.kafka.producer.key-serializer=org.apache.kafka.common.serialization.StringSerializer #value序列化类 spring.kafka.producer.value-serializer=org.apache.kafka.common.serialization.StringSerializer #procedure要求leader在考虑完成请求之前收到的确认数，用于控制发送记录在服务端的持久化，其值可以为如下： #acks = 0 如果设置为零，则生产者将不会等待来自服务器的任何确认，该记录将立即添加到套接字缓冲区并视为已发送。在这种情况下，无法保证服务器已收到记录，并且重试配置将不会生效（因为客户端通常不会知道任何故障），为每条记录返回的偏移量始终设置为-1。 #acks = 1 这意味着leader会将记录写入其本地日志，但无需等待所有副本服务器的完全确认即可做出回应，在这种情况下，如果leader在确认记录后立即失败，但在将数据复制到所有的副本服务器之前，则记录将会丢失。 #acks = all 这意味着leader将等待完整的同步副本集以确认记录，这保证了只要至少一个同步副本服务器仍然存活，记录就不会丢失，这是最强有力的保证，这相当于acks = -1的设置。 spring.kafka.producer.acks=1 #消费者 #kafka服务器地址 spring.kafka.consumer.bootstrap-servers=xx.xx.xx.xx:9092,xx.xx.xx.xx:9091 #消费组id spring.kafka.consumer.group-id=DrewGroup # earliest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，从头开始消费 # latest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，消费新产生的该分区下的数据 # none:topic各分区都存在已提交的offset时，从offset后开始消费；只要有一个分区不存在已提交的offset，则抛出异常 spring.kafka.consumer.auto-offset-reset=earliest #是否自动提交偏移量 spring.kafka.consumer.enable-auto-commit=true #自动提交偏移量的频率 spring.kafka.consumer.auto-commit-interval=100 #消费线程数，即启动的客户端数 spring.kafka.listener.concurrency=2

部分参数配置如下（转自https://blog.csdn.net/fenglibing/article/details/82117166）

#################consumer的配置参数（开始）################# #如果'enable.auto.commit'为true，则消费者偏移自动提交给Kafka的频率（以毫秒为单位），默认值为5000。 spring.kafka.consumer.auto-commit-interval; #当Kafka中没有初始偏移量或者服务器上不再存在当前偏移量时该怎么办，默认值为latest，表示自动将偏移重置为最新的偏移量 #可选的值为latest, earliest, none spring.kafka.consumer.auto-offset-reset=latest; #以逗号分隔的主机：端口对列表，用于建立与Kafka群集的初始连接。 spring.kafka.consumer.bootstrap-servers; #ID在发出请求时传递给服务器;用于服务器端日志记录。 spring.kafka.consumer.client-id; #如果为true，则消费者的偏移量将在后台定期提交，默认值为true spring.kafka.consumer.enable-auto-commit=true; #如果没有足够的数据立即满足“fetch.min.bytes”给出的要求，服务器在回答获取请求之前将阻塞的最长时间（以毫秒为单位） #默认值为500 spring.kafka.consumer.fetch-max-wait; #服务器应以字节为单位返回获取请求的最小数据量，默认值为1，对应的kafka的参数为fetch.min.bytes。 spring.kafka.consumer.fetch-min-size; #用于标识此使用者所属的使用者组的唯一字符串。 spring.kafka.consumer.group-id; #心跳与消费者协调员之间的预期时间（以毫秒为单位），默认值为3000 spring.kafka.consumer.heartbeat-interval; #密钥的反序列化器类，实现类实现了接口org.apache.kafka.common.serialization.Deserializer spring.kafka.consumer.key-deserializer=org.apache.kafka.common.serialization.StringDeserializer #值的反序列化器类，实现类实现了接口org.apache.kafka.common.serialization.Deserializer spring.kafka.consumer.value-deserializer=org.apache.kafka.common.serialization.StringDeserializer #一次调用poll()操作时返回的最大记录数，默认值为500 spring.kafka.consumer.max-poll-records; #################consumer的配置参数（结束）################# #################producer的配置参数（开始）################# #procedure要求leader在考虑完成请求之前收到的确认数，用于控制发送记录在服务端的持久化，其值可以为如下： #acks = 0 如果设置为零，则生产者将不会等待来自服务器的任何确认，该记录将立即添加到套接字缓冲区并视为已发送。在这种情况下，无法保证服务器已收到记录，并且重试配置将不会生效（因为客户端通常不会知道任何故障），为每条记录返回的偏移量始终设置为-1。 #acks = 1 这意味着leader会将记录写入其本地日志，但无需等待所有副本服务器的完全确认即可做出回应，在这种情况下，如果leader在确认记录后立即失败，但在将数据复制到所有的副本服务器之前，则记录将会丢失。 #acks = all 这意味着leader将等待完整的同步副本集以确认记录，这保证了只要至少一个同步副本服务器仍然存活，记录就不会丢失，这是最强有力的保证，这相当于acks = -1的设置。 spring.kafka.producer.acks=1 #每当多个记录被发送到同一分区时，生产者将尝试将记录一起批量处理为更少的请求，  #这有助于提升客户端和服务器上的性能，此配置控制默认批量大小（以字节为单位），默认值为16384 spring.kafka.producer.batch-size=16384 #以逗号分隔的主机：端口对列表，用于建立与Kafka群集的初始连接 spring.kafka.producer.bootstrap-servers #生产者可用于缓冲等待发送到服务器的记录的内存总字节数，默认值为33554432 spring.kafka.producer.buffer-memory=33554432 #ID在发出请求时传递给服务器，用于服务器端日志记录 spring.kafka.producer.client-id #生产者生成的所有数据的压缩类型，此配置接受标准压缩编解码器（'gzip'，'snappy'，'lz4'）， #它还接受'uncompressed'以及'producer'，分别表示没有压缩以及保留生产者设置的原始压缩编解码器， #默认值为producer spring.kafka.producer.compression-type=producer #key的Serializer类，实现类实现了接口org.apache.kafka.common.serialization.Serializer spring.kafka.producer.key-serializer=org.apache.kafka.common.serialization.StringSerializer #值的Serializer类，实现类实现了接口org.apache.kafka.common.serialization.Serializer spring.kafka.producer.value-serializer=org.apache.kafka.common.serialization.StringSerializer #如果该值大于零时，表示启用重试失败的发送次数 spring.kafka.producer.retries #################producer的配置参数（结束）################# #################listener的配置参数（结束）################# #侦听器的AckMode,参见https://docs.spring.io/spring-kafka/reference/htmlsingle/#committing-offsets #当enable.auto.commit的值设置为false时，该值会生效；为true时不会生效 #RECORD 每处理一条commit一次 #BATCH(默认) 每次poll的时候批量提交一次，频率取决于每次poll的调用频率 #TIME 每次间隔ackTime的时间去commit(跟auto commit interval有什么区别呢？) #COUNT 累积达到ackCount次的ack去commit #COUNT_TIME ackTime或ackCount哪个条件先满足，就commit #MANUAL listener负责ack，但是会批量提交偏移量 #MANUAL_IMMEDIATE listner负责ack，每调用一次，就立即commit spring.kafka.listener.ack-mode; #在侦听器容器中运行的线程数 spring.kafka.listener.concurrency; #轮询消费者时使用的超时（以毫秒为单位） spring.kafka.listener.poll-timeout; #当ackMode为“COUNT”或“COUNT_TIME”时，偏移提交之间的记录数 spring.kafka.listener.ack-count; #当ackMode为“TIME”或“COUNT_TIME”时，偏移提交之间的时间（以毫秒为单位） spring.kafka.listener.ack-time; #################listener的配置参数（结束）#################

3、编写生产者

@Component public class KafkaProducer { @Autowired private KafkaTemplate<String, Object> kafkaTemplate; public void send(String msg) { kafkaTemplate.send("DrewTest", msg); } }

4、编写消费者

@KafkaListener(topics = "DrewTest", groupId = "DrewGroup") public void getMsgAndAutoCommit(String msg) { String name = Thread.currentThread().getName(); System.out.println(name + ":" + msg); }

5、手动控制消费偏移量提交；

修改enable-auto-commit为false，ack-mode为MANUAL或MANUAL_IMMEDIATE；这里创建了一个config类，目的仅在于示例如何手动配置kafka，你也可以直接修改application.properties /** * * spring内部已经帮我们实现了这一配置类，这里写这个kafka配置类， * 只是单纯说明下kafka是如何使用application.properties文件里的参数， * 同时如果有需要配置不同kafka参数，例如有些消费者偏移量需手动提交，有些自动提交， * 也可以通过配置多个ConcurrentKafkaListenerContainerFactory或KafkaTemplate， * 然后在使用时指定。这里示例了如何配置手动提交偏移量 * * @Since:2019年5月22日 * @Version:1.1.0 */ @Configuration @EnableKafka public class KafkaConfig { @Value("${spring.kafka.producer.bootstrap-servers}") private String servers; @Value("${spring.kafka.producer.retries}") private int retries; @Value("${spring.kafka.producer.batch-size}") private int batchSize; @Value("${spring.kafka.producer.buffer-memory}") private int bufferMemory; @Value("${spring.kafka.consumer.bootstrap-servers}") private String brokers; /*生产者配置*/ public Map<String, Object> producerConfigs() { Map<String, Object> props = new HashMap<>(); props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, servers); props.put(ProducerConfig.RETRIES_CONFIG, 2); props.put(ProducerConfig.BATCH_SIZE_CONFIG, batchSize); props.put(ProducerConfig.BUFFER_MEMORY_CONFIG, bufferMemory); props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class); props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class); return props; } public ProducerFactory<String, Object> producerFactory() { return new DefaultKafkaProducerFactory<>(producerConfigs()); } @Bean @Primary public KafkaTemplate<String, Object> kafkaTemplate() { return new KafkaTemplate<>(producerFactory()); } /*消费者配置*/ public Map<String, Object> consumerConfigs() { Map<String, Object> props = new HashMap<>(); props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, brokers); props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false); props.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "100"); props.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, "15000"); props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class); props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class); props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest"); return props; } public ConsumerFactory<String, Object> consumerFactory() { return new DefaultKafkaConsumerFactory<>(consumerConfigs()); } @Bean @Primary public ConcurrentKafkaListenerContainerFactory<String, Object> kafkaListenerContainerFactory() { ConcurrentKafkaListenerContainerFactory<String, Object> factory = new ConcurrentKafkaListenerContainerFactory<>(); factory.setConsumerFactory(consumerFactory()); factory.setConcurrency(2); factory.getContainerProperties().setPollTimeout(4000); //如果enable.auto.commit设为false，但是不设置AckMode，则交由spring自动提交偏移量 factory.getContainerProperties().setAckMode(AckMode.MANUAL); return factory; } } 编写消费者 /** * @param record 消息对象 * @param acknowledgment 偏移量提交类 */ @KafkaListener(topics = "DrewTest", groupId = "DrewGroup") public void getMsgAndUnAutoCommit(ConsumerRecord<Object, String> record, Acknowledgment acknowledgment) { System.out.println("key:" + record.key() + "/offset:" + record.offset() + "/value:" + record.value() + "/partition:" + record.partition() + "/timestamp" + record.timestamp() + "/topics:" + record.topic()); //手动提交偏移量 acknowledgment.acknowledge(); }

 

6、消费某个时间点之后的数据，这里有两种方法：

一种是创建一个新的group组，设置auto.offset.reset为earliest，在消费时判断时间戳 @KafkaListener(topics = "DrewTest", groupId = "DrewGroup1") public void getMsgAndUnAutoCommit(ConsumerRecord<Object, String> record, Acknowledgment acknowledgment) { LocalDateTime dataTime = LocalDateTime.ofInstant(Instant.ofEpochMilli(record.timestamp()), ZoneId.systemDefault()); //判断时间戳 LocalDateTime time = LocalDateTime.of(2019, 5, 23, 10, 07); //过滤这个时间点前的数据 if (dataTime.isAfter(time)) { System.out.println("key:" + record.key() + "/offset:" + record.offset() + "/value:" + record.value() + "/partition:" + record.partition() + "/timestamp:" + dataTime + "/topics:" + record.topic()); } //手动提交偏移量 acknowledgment.acknowledge(); } 一种是修改原有group组消费的偏移量，由于根据时间戳设置偏移量需要用到KafkaConsumer这个对象，但是springBoot把这个对象包装维护起来，同时没有提供初始化时根据时间戳设置偏移量的方法，所以我们必须自己创建一个KafkaConsumer对象，而且因为kafka里相同分区不能给同一个group里的不同客户端消费，所以我们在调用以下方法时必须停掉其他所有客户端 /** * 按groupid和topic修改offset */ public void updateOffset(String groupId, String topic) { Map<String, Object> props = new HashMap<>(); props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, brokers); props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false"); props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest"); props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class); props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class); props.put(ConsumerConfig.GROUP_ID_CONFIG, groupId); //创建consumer对象 KafkaConsumer consumer = new KafkaConsumer(props); //订阅topic consumer.subscribe(Collections.singletonList(topic)); //根据topic获取分区对象 List<PartitionInfo> partitionInfos = consumer.partitionsFor(topic); //获取8小时前的时间戳 LocalDateTime time = LocalDateTime.now(); time = time.minus(8, ChronoUnit.HOURS); long fetchDataTime = time.atZone(ZoneId.systemDefault()).toInstant().toEpochMilli(); // 获取每个partition 8个小时之前的偏移量 Map<TopicPartition, Long> timestampsToSearch = new HashMap<>(); for (PartitionInfo partitionInfo : partitionInfos) { timestampsToSearch.put(new TopicPartition(partitionInfo.topic(), partitionInfo.partition()), fetchDataTime); } Map<TopicPartition, OffsetAndTimestamp> map = consumer.offsetsForTimes(timestampsToSearch); //seek前要先poll，否则会报错 consumer.poll(0); OffsetAndTimestamp offsetTimestamp = null; System.out.println("开始设置各分区初始偏移量..."); for (Map.Entry<TopicPartition, OffsetAndTimestamp> entry : map.entrySet()) { // 如果设置的查询偏移量的时间点大于最大的索引记录时间，那么value就为空 offsetTimestamp = entry.getValue(); if (offsetTimestamp != null) { int partition = entry.getKey().partition(); long timestamp = offsetTimestamp.timestamp(); long offset = offsetTimestamp.offset(); System.out.println("partition = " + partition + ", time = " + LocalDateTime.ofInstant(Instant.ofEpochMilli(timestamp), ZoneId.systemDefault()) + ", offset = " + offset); // 设置读取消息的偏移量 consumer.seek(entry.getKey(), offset); } } System.out.println("设置各分区初始偏移量结束..."); //提交偏移量 consumer.commitSync(); consumer.close(); }