消费者

1:订阅主题和分区

KafkaConsumer.subscribe有下面四种方法,

可以一次性订阅多个主题,并且自定义在均衡监听器方法(ConsumerRebalanceListener),subscribe(Pattenr)可以传一个正则表达式,订阅多个符合条件的主题

public void assign(Collection<TopicPartition> partitions) 也可以订阅消息,但是他订阅的是分区,TopicPartition对象中只有 partition 和topic两个字段。但是他没有再均衡监听器的方法(使用KafkaConsumer.partitionsFro(topic)可以查询到该topic下所有的分区信息。)

有订阅就会有取消,KafkaConsumer.unsubscribe()方法可以取消订阅,可以取消通过subscribe方法订阅的,也可以取消assign 方式订阅的。

2:位移提交(offset)

在旧的客户端中,kafka 的offset 是存储在zookeeper中的,而新的客户端是存在kafka内部的主题_consumer_offsets 中的。

position:下次拉取数据的位置

lastConsumedOffset:当前消费的位置

committed offset:提交的位移

2.1:自动提交:

正常来说position = committed offset = lastConsumedOffset+1,但是并不是所有条件下position = committed offset 都相同 ,因为kafka 的poll方法是批量拉取的未消费的数据,而且offset是自动提交的,而且这个提交不是每次拉取消息都会提交的,默认是5s提交一次(enable.auto.commit 自动提交 默认为true   auto.commit.interval.ms 定期提交配置 默认为5s,在自动提交生效的时候 才生效)



如上图所示,消费到x+5的时候 消费者down掉,并且没有提交offset ,当消费者重新恢复之后,就会冲x+2处重新拉取数据。

2.2:手动提交

手动提交分为同步commitSync()和异步commitAsync()

commitSync分为两种,一种是不带参数commitSync(),一种是带有参数commitSync(final Map<TopicPartition, OffsetAndMetadata> offsets) 两种

commitSync()如下:

commitSync(final Map<TopicPartition, OffsetAndMetadata> offsets)如下

实际上很少使用这种每消费一条消息,就提交一次offset的,一般都是批量提交。

3:指定位移消费

3.1:参数:auto.offset.reset   新建消费者组或者一个消费者组内一个新的消费者订阅了一个新的住,这种情况下获取不到offset 和 消费越界的时候 参数 auto.offset.reset参数 可以指定从消息 头开始消费(earliest),还是消息队列末尾消费(latest) 。还有一个参数none 这意味着 如果获取不到offset 既不从头获取也不从末尾开始 而是抛出异常NoOffsetForPartitionException

3.2:seek(TopicPartition partition , long offset)只能重置分配到的分区的offset

consumer.assignment()方法获取的是分区 consumer.seek()方法需先获取分配到的分区,所以需要先poll一下数据,如果没有分配到分区的话 使用seek()方法会抛异常  I llegalStateException

3.3 从头开始消费和从末尾开始消费

public void seekToBeginning(Collection<TopicPartition> partitions) 从头

public void seekToEnd (Collection<TopicPartition> partitions) 从尾

3.4从某一时间之后开始消费

获取分区 时间戳下的offset

使用例子如下:

4:再均衡

void onPartitionsRevoked(Collection<TopicPartition> partitions)这个方法会发生在再均衡开始之前,和消费者停止读取消息之后被调用。partitions 是再均衡之前分配的分区

void onPartitionsAssigned(Collection<TopicPartition> partitions)方法在 重新分配分区之后和消费者开始读取消息之前被调用

使用例子如下 配合seek()

5:多线程消费

当消费者少于分区的时候 ,可以使用多线程消费,粒度是一个分区一个消费者。

当消费者数量等于或者大于分区数时。使用单线程拉取数据,多线程协同处理拉取到的数据。(可以存储到本地一个que 中 多线程读取que)


6:问题

1:如何保证消息不丢失

2:如何保证消息消费的幂等性(保证幂等之后,不再害怕重复消费)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,539评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,911评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,337评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,723评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,795评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,762评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,742评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,508评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,954评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,247评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,404评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,104评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,736评论 3 324
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,352评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,557评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,371评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,292评论 2 352

推荐阅读更多精彩内容