Kafka概述
Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。
应用场景：
解耦
异步
削峰
点对点模式：
消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息，消息被消费以后，Queue中不再有存储，所以消息消费者不可能消费到已经被消费的消息，Queue支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。
发布订阅模式：
消息生产者将消息发布到Topic，同时有多个消息消费者该消息，和点对点不同的是，发布到Topic中的消息会被所有订阅者消费。
Producer：消息生产者，就是向Kafka Broker发消息的客户端
Consumer：消息消费者，向Kafka Broker取消息的客户端
Consumer Group （CG）：消费者组，由多个Consumer组成，消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个消费者消费，消费者组之间互不影响，所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者
Broker：一台Kafka服务器就是一个Broker，一个集群由多个Broker组成，一个Broker可以容纳多个Topic
Topic：可以理解为一个队列，生产者和消费者面向的都是一个Topic
Partition：为了实现扩展性，一个非常大的Topic可以分布到多个Broker（即服务器）上，一个Topic可以分为多个Partition，每个Partition是一个有序的队列
Replica：副本，为保证集群中的某个节点发生故障时，该节点上的Partition数据不丢失，且Kafka仍然能够继续工作，Kafka提供了副本机制，一个Topic的每个分区都有若干个副本，一个leader和若干个follower
leader：每个分区多个副本的主，生产者发送数据的对象，以及消费者消费数据的对象都是leader
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follower
Kafka快速入门1、解压
[djm@hadoop102 software]$ tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/2、修改解压后的文件夹名称
[djm@hadoop102 module]$ mv kafka_2.11-0.11.0.0/ kafka3、在/opt/module/kafka目录下创建logs文件夹
[djm@hadoop102 kafka]$ mkdir logs4、修改配置文件
[djm@hadoop102 kafka]$ vi conf/server.properties修改以下内容
#broker的全局唯一编号，不能重复
broker.id=0
#删除topic功能使能
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=/opt/module/kafka/logs
#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
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:21815、分发
[djm@hadoop102 kafka]$ xsync kafka6、修改其他Broker的broker.id
7、Kafka群起脚本
[djm@hadoop102 kafka]$ vim start-kafkafor i in `cat /opt/module/hadoop-2.7.2/etc/hadoop/slaves`
do
echo "========== $i =========="
ssh $i ‘source /etc/profile&&/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties‘
echo $?
done[djm@hadoop102 kafka]$ chmod 777 start-kafka[djm@hadoop102 kafka]$ sudo mv start-kafka /bin8、启动Kafka集群
[djm@hadoop102 kafka]$ start-kafka1、查看所有Topic
[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --list2、创建Topic
[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --create --replication-factor 3 --partitions 1 --topic first
#--topic 定义topic名
#--replication-factor 定义副本数
#--partitions 定义分区数--topic 定义topic名
--replication-factor 定义副本数
--partitions 定义分区数
3、删除Topic
[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --delete --topic first4、发送消息
[djm@hadoop102 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first5、消费消息
[djm@hadoop103 kafka]$ bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --from-beginning --topic first--from-beginning 会把topic中以往所有的消息消费出来
6、查看Topic详细信息
[djm@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181 --describe --topic first7、修改分区数
[djm@hadoop102 kafka]$bin/kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6分区数只能增加，不能减少
Kafka架构Kafka工作流程及文件存储机制
Kafka中消息是以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。
由于生产者生产的消息会不断的追加到log文件末尾，为了防止文件过大而导致数据定位效率低下，Kafka采取了分片和索引机制，将每个Partiton分为多个segment，每个segment对应两个文件，分别是.log和.index，这些文件位于同一个文件夹下，文件夹的命名规则为Topic名称+Partiton序号，.log和.index文件以当前segment的第一条消息的offset命名，index存储索引信息，.log存储数据信息，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。
Producer为什么要进行分区？
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分区的原则是什么？
我们需要将Producer发送的数据封装成一个ProducerRecord对象：
Partition的情况下，直接将指明的值直接作为Partition值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算法为保证Partition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。
副本数据同步策略：
| 方案 | 优点 | 缺点 |
|---|---|---|
半数以上完成同步，就发送ack |
延迟低 | 选举新的leader时，容忍n台节点的故障，需要2n+1个副本 |
全部完成同步，才发送ack |
选举新的leader时，容忍n台节点的故障，需要n+1个副本 |
延迟高 |
Kafka选择了第二种方案，原因如下：
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Partition存储大量的数据，这样会造成大量的数据冗余；
虽然第二种方案的延迟会比较高，但是相比而言延迟对Kafka的影响较小。
采用第二种方案后，leader收到数据，所有的follower都开始同步数据，但是有一个follower，因为某种故障，迟迟不能与leader同步，那leader就要一直等下去，直到它同步完才能发送ack，这个问题怎么解决呢?
leader维护了一个动态的in-syncreplica 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follower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。
ack应答机制：
对于某些不重要的数据，能够容忍少量数据的丢失，所以没必要等ISR中的所有follower全部同步完成
所以Kafka提供了三种可靠性级别，根据对可靠性和延迟的要求权衡，分别是：
Producer不等待Broker的ack，这一操作提供了最低的延迟，Broker一接收到还没有落盘就已经返回，当Broker故障时可能会丢失数据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故障处理：
follower挂了被会暂时提出ISR，等到follower恢复后，follower会读取本地磁盘记录上次的HW，并将log文件中高于HW的部分截取掉，从HW开始向leader进行同步，等leader的LEO高于Partition的HW，就可以被重新加入ISR
leader发生故障之后，会从ISR中选出一个新的leader，为保证多个副本之间的数据一致性，每个leader会将各自log文件中高于HW的数据切掉，然后从新的leader同步数据
Exactly Once语义对于某些比较重要的消息，我们需要保证Exactly Once语义，即保证每条消息被发送且仅被发送一次
在0.11版本之后，Kafka引入了幂等性机制（idempotent），配合acks = -1时的at least once语义，实现了Producer到Broker的Exactly once语义
idempotent + at least once = exactly once
使用时，只需将enable.idempotence属性设置为true，Kafka自动将acks属性设为-1
ConsumerConsumer采取pull的方式从Broker中读取数据
为什么采用pull方式呢？
因为push模式很难适应不同速率的Consumer，因此发送速率是由Broker决定的，它的目的就是尽可能快的传递消息，但是这样容易造成Consumer来不及处理消息，典型的表现就是网络拥堵以及拒绝服务，而poll模式则可以根据Consumer的消费能力消费消息。
但是poll也有不足，就是如果队列中没有消息，Consumer可能陷入循环中，一直返回空数据，针对这个缺点，Consumer在消费数据时会传入一个timeout，如果当前没有消息可供消费，Consumer会等待一段时间再返回，这段时间就是timeout。
Kafka有两种分配策略，分别是：
offset维护由于Consumer在消息过程中可能会出现断电宕机等故障，Consumer恢复后，需要从故障的位置继续消费，所以Consumer需要实时记录自己消费到了哪个offset
0.9以前，Consumer默认将offset保存在ZK中
0.9以后，Consumer默认将offset保存在Kafka一个内置的Topic，该Topic为__consumer_offsets
Kafka高效读取数据顺序写磁盘
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
零拷贝技术
Zookeeper在Kafka中的作用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。
以下为partition的leader选举过程：
Kafka APIProducer APIKafka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。
相关参数：
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
相关类：
KafkaProducer：需要创建一个生产者对象，用来发送数据
ProducerConfig：获取所需的一系列配置参数
ProducerRecord：每条数据都要封装成一个ProducerRecord对象
导入依赖：
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>0.11.0.0</version>
</dependency>package com.djm.kafka;
import org.apache.kafka.clients.producer.*;
import org.apache.kafka.common.serialization.StringSerializer;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException, InterruptedException {
Properties props = new Properties();
props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.ACKS_CONFIG, "all");
props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
Producer<String, String> producer = new KafkaProducer<>(props);
for (int i = 0; i < 1000; i++) {
producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() {
@Override
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception == null) {
System.out.println("success -> " + metadata.offset());
} else {
exception.printStackTrace();
}
}
});
}
producer.close();
}
}package com.djm.kafka;
import org.apache.kafka.clients.producer.*;
import org.apache.kafka.common.serialization.StringSerializer;
import java.util.Properties;
import java.util.concurrent.ExecutionException;
public class CustomProducer {
public static void main(String[] args) throws ExecutionException, InterruptedException {
Properties props = new Properties();
props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.ACKS_CONFIG, "all");
props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
props.put(ProducerConfig.LINGER_MS_CONFIG, 100);
Producer<String, String> producer = new KafkaProducer<>(props);
for (int i = 0; i < 1000; i++) {
producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() {
@Override
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception == null) {
System.out.println("success -> " + metadata.offset());
} else {
exception.printStackTrace();
}
}
}).get();
}
producer.close();
}
}Consumer APIConsumer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。
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。
相关类：
KafkaConsumer：需要创建一个消费者对象，用来消费数据
ConsumerConfig：获取所需的一系列配置参数
ConsuemrRecord：每条数据都要封装成一个ConsumerRecord对象
导入依赖：
<dependency>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka-clients</artifactId>
<version>0.11.0.0</version>
</dependency>offsetpackage com.djm.kafka;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import org.apache.kafka.common.serialization.StringDeserializer;
import java.util.Arrays;
import java.util.Properties;
public class CustomConsumer {
public static void main(String[] args) {
Properties properties = new Properties();
properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "false");
properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(properties);
consumer.subscribe(Arrays.asList("first"));
while (true) {
ConsumerRecords<String, String> records = consumer.poll(100);
for (ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
consumer.commitSync();
}
}
}手动提交offset的方法有两种：
commitSync（同步提交）:将本次poll的一批数据最高的偏移量提交，失败重试，一直到提交成功commitAsync（异步提交）:将本次poll的一批数据最高的偏移量提交，没有失败重试机制，有可能提交失败offset自动提交offset的相关参数：
enable.auto.commit：是否开启自动提交offset功能
auto.commit.interval.ms：自动提交offset的时间间隔
package com.djm.kafka;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import org.apache.kafka.common.serialization.StringDeserializer;
import java.util.Arrays;
import java.util.Properties;
public class CustomConsumer {
public static void main(String[] args) {
Properties properties = new Properties();
properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
properties.put(ConsumerConfig.GROUP_ID_CONFIG, "test");
properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "100");
properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(properties);
consumer.subscribe(Arrays.asList("first"));
while (true) {
ConsumerRecords<String, String> records = consumer.poll(100);
for (ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
}
}
}InterceptorInterceptor是在Kafka 0.10版本被引入的，主要用于实现Client端的定制化控制逻辑。
对于Producer而言，Interceptor使得用户在消息发送前以及Producer回调逻辑前有机会对消息做一些定制化需求，比如修改消息等，同时，Producer允许用户指定多个Interceptor按序作用于同一条消息从而形成一个Interceptorchain。
Interceptor的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括：
configure(configs)：获取配置信息和初始化数据时调用onSend(ProducerRecord)：Producer确保在消息被序列化以及计算分区前调用该方法，用户可以在该方法中对消息做任何操作，但最好保证不要修改消息所属的Topic和Partition，否则会影响目标分区的计算onAcknowledgement(RecordMetadata, Exception)：该方法会在消息从RecordAccumulator成功发送到Kafka Broker之后，或者在发送过程中失败时调用close：关闭Interceptor，主要用于执行一些资源清理工作拦截器案例
1、需求分析：
实现一个简单的双Interceptor组成的拦截链，第一个Interceptor会在消息发送前将时间戳信息加到消息value的最前部，第二个Interceptor会在消息发送后更新成功发送消息数或失败发送消息数
2、编写TimeInterceptor
package com.djm.kafka.interceptor;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
import java.util.Map;
public class TimeInterceptor implements ProducerInterceptor<String, String> {
@Override
public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
return new ProducerRecord<>(record.topic(), record.partition(), record.timestamp(), record.key(), System.currentTimeMillis() + "," + record.value());
}
@Override
public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
}
@Override
public void close() {
}
@Override
public void configure(Map<String, ?> configs) {
}
}3、编写CounterInterceptor
package com.djm.kafka.interceptor;
import org.apache.kafka.clients.producer.ProducerInterceptor;
import org.apache.kafka.clients.producer.ProducerRecord;
import org.apache.kafka.clients.producer.RecordMetadata;
import java.util.Map;
public class CounterInterceptor implements ProducerInterceptor<String, String> {
private static long successCounter = 0L;
private static long errorCounter = 0L;
@Override
public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {
return record;
}
@Override
public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
if (exception == null) {
successCounter++;
} else {
errorCounter++;
}
}
@Override
public void close() {
System.out.println("Successful sent: " + successCounter);
System.out.println("Failed sent: " + errorCounter);
}
@Override
public void configure(Map<String, ?> configs) {
}
}4、修改CustomProducer
package com.djm.kafka;
import org.apache.kafka.clients.producer.*;
import org.apache.kafka.common.serialization.StringSerializer;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
public class CustomProducer {
public static void main(String[] args) {
Properties props = new Properties();
props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
props.put(ProducerConfig.ACKS_CONFIG, "all");
props.put(ProducerConfig.BATCH_SIZE_CONFIG, 16384);
props.put(ProducerConfig.LINGER_MS_CONFIG, 1);
List<String> interceptors = new ArrayList<>();
interceptors.add("com.djm.kafka.interceptor.TimeInterceptor");
interceptors.add("com.djm.kafka.interceptor.CounterInterceptor");
props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);
Producer<String, String> producer = new KafkaProducer<>(props);
for (int i = 0; i < 1000; i++) {
producer.send(new ProducerRecord<>("first", i + "", "message-" + i), new Callback() {
@Override
public void onCompletion(RecordMetadata metadata, Exception exception) {
if (exception == null) {
System.out.println("success -> " + metadata.offset());
} else {
exception.printStackTrace();
}
}
});
}
producer.close();
}
}Flume对接Kafka1、配置Flume
编写flume-kafka.conf
[djm@hadoop102 job]$ vim flume-kafka.conf输入一下内容
# define
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F -c +0 /opt/module/datas/flume.log
a1.sources.r1.shell = /bin/bash -c
# sink
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.sinks.k1.kafka.topic = first
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.linger.ms = 1
# channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c12、启动消费者
[djm@hadoop102 ~]$ kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --from-beginning --topic first3、启动Flume
[djm@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f jobs/flume-kafka.conf4、向/opt/module/datas/flume.log里追加数据，查看Kafka消费情况
Kafka监控Monitor1、上传jar包KafkaOffsetMonitor-assembly-0.4.6.jar到集群
2、在/opt/module/下创建kafka-offset-console文件夹
3、将上传的jar包放入刚创建的目录下
4、在/opt/module/kafka-offset-console目录下创建启动脚本start.sh，内容如下：
#!/bin/bash
java -cp KafkaOffsetMonitor-assembly-0.4.6-SNAPSHOT.jar com.quantifind.kafka.offsetapp.OffsetGetterWeb --offsetStorage kafka --kafkaBrokers hadoop102:9092,hadoop103:9092,hadoop104:9092 --kafkaSecurityProtocol PLAINTEXT --zk hadoop102:2181,hadoop103:2181,hadoop104:2181 --port 8086 --refresh 10.seconds --retain 2.days --dbName offsetapp_kafka &5、在/opt/module/kafka-offset-console目录下创建mobile-logs文件夹
6、启动Monitor
./start.shManager1、上传压缩包kafka-manager-1.3.3.15.zip到集群
2、解压到/opt/module
3、修改配置文件conf/application.conf
kafka-manager.zkhosts="kafka-manager-zookeeper:2181"
修改为：
kafka-manager.zkhosts="hadoop102:2181,hadoop103:2181,hadoop104:2181"
4、启动kafka-manager
[djm@hadoop102 kafka-manager-1.3.3.15]$ bin/kafka-manager5、登录hadoop102:9000页面查看详细信息
原文：https://blog.51cto.com/13559120/2439490