python操作kafka實踐

來源於  https://www.cnblogs.com/small-office/p/9399907.html

 

1、先看最簡單的場景，生產者生產消息，消費者接收消息，下面是生產者的簡單代碼。
--------------------------------------------------------------------------------
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import json
from kafka import KafkaProducer

producer = KafkaProducer(bootstrap_servers='xxxx:x')

msg_dict = {
    "sleep_time": 10,
    "db_config": {
        "database": "test_1",
        "host": "xxxx",
        "user": "root",
        "password": "root"
    },
    "table": "msg",
    "msg": "Hello World"
}
msg = json.dumps(msg_dict)
producer.send('test_rhj', msg, partition=0)
producer.close()
--------------------------------------------------------------------------------
下面是消費者的簡單代碼：
from kafka import KafkaConsumer

consumer = KafkaConsumer('test_rhj', bootstrap_servers=['xxxx:x'])
for msg in consumer:
    recv = "%s:%d:%d: key=%s value=%s" % (msg.topic, msg.partition, msg.offset, msg.key, msg.value)
    print recv

--------------------------------------------------------------------------------
下面是結果：

2、如果想要完成負載均衡，就需要知道kafka的分區機制，同一個主題，可以為其分區，在生產者不指定分區的情況，kafka會將多個消息分發到不同的分區，消費者訂閱時候如果不指定服務組，
會收到所有分區的消息，如果指定了服務組，則同一服務組的消費者會消費不同的分區，如果2個分區兩個消費者的消費者組消費，則，每個消費者消費一個分區，如果有三個消費者的服務組，
則會出現一個消費者消費不到數據；如果想要消費同一分區，則需要用不同的服務組。以此為原理，我們對消費者做如下修改：

———————————————————————————————————
from kafka import KafkaConsumer

consumer = KafkaConsumer('test_rhj', group_id='123456', bootstrap_servers=['10.43.35.25:4531'])
for msg in consumer:
    recv = "%s:%d:%d: key=%s value=%s" % (msg.topic, msg.partition, msg.offset, msg.key, msg.value)
    print recv
------------------------------------------------------------------------------------
然后我們開兩個消費者進行消費，生產者分別往0分區和1分區發消息結果如下，可以看到，一個消費者只能消費0分區，另一個只能消費1分區：

 

 

3、kafka提供了偏移量的概念，允許消費者根據偏移量消費之前遺漏的內容，這基於kafka名義上的全量存儲，可以保留大量的歷史數據，歷史保存時間是可配置的，一般是7天，如果偏移量定位到了已刪除的位置那也會有問題，但是這種情況可能很小；每個保存的數據文件都是以偏移量命名的，當前要查的偏移量減去文件名就是數據在該文件的相對位置。要指定偏移量消費數據，需要指定該消費者要消費的分區，否則代碼會找不到分區而無法消費，代碼如下：

from kafka import KafkaConsumer
from kafka.structs import TopicPartition

consumer = KafkaConsumer(group_id='123456', bootstrap_servers=['10.43.35.25:4531'])
consumer.assign([TopicPartition(topic='test_rhj', partition=0), TopicPartition(topic='test_rhj', partition=1)])
print consumer.partitions_for_topic("test_rhj")  # 獲取test主題的分區信息
print consumer.assignment()
print consumer.beginning_offsets(consumer.assignment())
consumer.seek(TopicPartition(topic='test_rhj', partition=0), 0)
for msg in consumer:
    recv = "%s:%d:%d: key=%s value=%s" % (msg.topic, msg.partition, msg.offset, msg.key, msg.value)
    print recv
-----------------------------------------------------------------------------------
因為指定的便宜量為0，所以從一開始插入的數據都可以查到，而且因為指定了分區，指定的分區結果都可以消費，結果如下：

4、有時候，我們並不需要實時獲取數據，因為這樣可能會造成性能瓶頸，我們只需要定時去獲取隊列里的數據然后批量處理就可以，這種情況，我們可以選擇主動拉取數據

from kafka import KafkaConsumer
import time

consumer = KafkaConsumer(group_id='123456', bootstrap_servers=['10.43.35.25:4531'])
consumer.subscribe(topics=('test_rhj',))
index = 0
while True:
    msg = consumer.poll(timeout_ms=5)  # 從kafka獲取消息
    print msg
    time.sleep(2)
    index += 1
    print '--------poll index is %s----------' % index
-----------------------------------------------------------------------------------
結果如下，可以看到，每次拉取到的都是前面生產的數據，可能是多條的列表，也可能沒有數據，如果沒有數據，則拉取到的為空：