Kafka 项目技术文档
2024-12-20 18:53:00作者:彭桢灵Jeremy
1. 安装指南
1.1 环境要求
在安装 Kafka 之前,请确保您的系统满足以下要求:
- Java 8 或更高版本
- ZooKeeper(Kafka 依赖于 ZooKeeper 进行协调管理)
1.2 下载 Kafka
您可以从 Apache Kafka 的官方网站下载最新版本的 Kafka。下载完成后,解压缩文件到您选择的目录。
1.3 配置 ZooKeeper
Kafka 依赖于 ZooKeeper 进行集群管理。您需要先启动 ZooKeeper 服务。
- 进入 ZooKeeper 的安装目录。
- 运行以下命令启动 ZooKeeper:
bin/zkServer.sh start
1.4 启动 Kafka 服务器
- 进入 Kafka 的安装目录。
- 运行以下命令启动 Kafka 服务器:
bin/kafka-server-start.sh config/server.properties
2. 项目的使用说明
2.1 创建主题
在 Kafka 中,消息是通过主题(Topic)进行分类的。您可以使用以下命令创建一个新的主题:
bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic my_topic
2.2 发送消息
使用 Kafka 提供的生产者工具,您可以向指定的主题发送消息:
bin/kafka-console-producer.sh --broker-list localhost:9092 --topic my_topic
2.3 接收消息
使用 Kafka 提供的消费者工具,您可以从指定的主题接收消息:
bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic my_topic --from-beginning
3. 项目API使用文档
3.1 生产者 API
Kafka 提供了 Java 生产者 API,您可以使用它来发送消息到 Kafka 集群。以下是一个简单的示例:
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;
public class ProducerExample {
public static void main(String[] args) {
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
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);
producer.send(new ProducerRecord<>("my_topic", "key", "value"));
producer.close();
}
}
3.2 消费者 API
Kafka 提供了 Java 消费者 API,您可以使用它来从 Kafka 集群接收消息。以下是一个简单的示例:
import org.apache.kafka.clients.consumer.KafkaConsumer;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import java.time.Duration;
import java.util.Collections;
import java.util.Properties;
public class ConsumerExample {
public static void main(String[] args) {
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("group.id", "my_group");
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);
consumer.subscribe(Collections.singletonList("my_topic"));
while (true) {
ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));
for (ConsumerRecord<String, String> record : records) {
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
}
}
}
4. 项目安装方式
4.1 从源码安装
如果您希望从源码安装 Kafka,可以按照以下步骤进行:
- 克隆 Kafka 的 GitHub 仓库:
git clone https://github.com/apache/kafka.git - 进入 Kafka 目录并编译项目:
cd kafka ./gradlew build - 编译完成后,您可以在
build目录下找到生成的二进制文件。
4.2 使用 Docker 安装
Kafka 也提供了 Docker 镜像,您可以使用 Docker 快速部署 Kafka 环境:
- 拉取 Kafka 的 Docker 镜像:
docker pull confluentinc/cp-kafka - 启动 Kafka 容器:
docker run -d --name kafka -p 9092:9092 -e KAFKA_ADVERTISED_HOST_NAME=localhost -e KAFKA_ZOOKEEPER_CONNECT=localhost:2181 confluentinc/cp-kafka
通过以上步骤,您可以成功安装并使用 Kafka 项目。
登录后查看全文
热门项目推荐
相关项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
522
3.71 K
Ascend Extension for PyTorch
Python
327
384
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
875
576
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
335
161
暂无简介
Dart
762
184
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.32 K
745
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
React Native鸿蒙化仓库
JavaScript
302
349
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
112
134