和同事交流不会 kafka 怎么行，API 奉上，不是大神也能编

关注

发布于: 2020 年 11 月 28 日

对于 kafka 真的是又爱又恨，作为架构和大数据两个方面的通用者，在这个数据量称雄的时代，越来越起到至关重要的作用，在和同事进行交流的时候，kafka 在开发的过程中如何使用能起到最大的效果成为话题之一，那没有用过 kafka 的你，又该怎么整，没关系，我的粉丝怎么可以有这种尴尬，这里我从环境准备开始搭建一套 kafka 开发的 api，旧版本和新版本的代码联合使用，看完不说你成为大神，起码你在跟同事交流的时候不至于窘迫，但是，一定要自己去实践一下啊

个人公众号：Java 架构师联盟，每日更新技术好文

环境准备

1）在 eclipse 中创建一个 java 工程

2）在工程的根目录创建一个 lib 文件夹

3）解压 kafka 安装包，将安装包 libs 目录下的 jar 包拷贝到工程的 lib 目录下，并 build path。

4）启动 zk 和 kafka 集群，在 kafka 集群中打开一个消费者

[root@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first

Kafka 生产者 Java API

创建生产者（过时的 API）

package com.root.kafka;

复制代码

import java.util.Properties;

复制代码

import kafka.javaapi.producer.Producer;

复制代码

import kafka.producer.KeyedMessage;

复制代码

import kafka.producer.ProducerConfig;

复制代码

public class OldProducer {

复制代码

    @SuppressWarnings("deprecation")

复制代码

    public static void main(String[] args) {

复制代码

        Properties properties = new Properties();

复制代码

        properties.put("metadata.broker.list", "hadoop102:9092");

复制代码

        properties.put("request.required.acks", "1");

复制代码

        properties.put("serializer.class", "kafka.serializer.StringEncoder");

复制代码

        Producer<Integer, String> producer = new Producer<Integer,String>(new ProducerConfig(properties));

复制代码

        KeyedMessage<Integer, String> message = new KeyedMessage<Integer, String>("first", "hello world");

复制代码

        producer.send(message );

复制代码

*4.2.2 创建生产者（新 API**）*

package com.root.kafka;

复制代码

import java.util.Properties;

复制代码

import org.apache.kafka.clients.producer.KafkaProducer;

复制代码

import org.apache.kafka.clients.producer.Producer;

复制代码

import org.apache.kafka.clients.producer.ProducerRecord;

复制代码

public class NewProducer {

复制代码

    public static void main(String[] args) {

复制代码

        Properties props = new Properties();

复制代码

        // Kafka服务端的主机名和端口号

复制代码

        props.put("bootstrap.servers", "hadoop103:9092");

复制代码

        // 等待所有副本节点的应答

复制代码

        props.put("acks", "all");

复制代码

        // 消息发送最大尝试次数

复制代码

        props.put("retries", 0);

复制代码

        // 一批消息处理大小

复制代码

        props.put("batch.size", 16384);

复制代码

        // 请求延时

复制代码

        props.put("linger.ms", 1);

复制代码

        // 发送缓存区内存大小

复制代码

        props.put("buffer.memory", 33554432);

复制代码

        // key序列化

复制代码

        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        // value序列化

复制代码

        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        Producer<String, String> producer = new KafkaProducer<>(props);

复制代码

        for (int i = 0; i < 50; i++) {

复制代码

            producer.send(new ProducerRecord<String, String>("first", Integer.toString(i), "hello world-" + i));

复制代码

        producer.close();

复制代码

创建生产者带回调函数（新 API）

package com.root.kafka;

复制代码

import java.util.Properties;

复制代码

import org.apache.kafka.clients.producer.Callback;

复制代码

import org.apache.kafka.clients.producer.KafkaProducer;

复制代码

import org.apache.kafka.clients.producer.ProducerRecord;

复制代码

import org.apache.kafka.clients.producer.RecordMetadata;

复制代码

public class CallBackProducer {

复制代码

    public static void main(String[] args) {

复制代码

Properties props = new Properties();

复制代码

        // Kafka服务端的主机名和端口号

复制代码

        props.put("bootstrap.servers", "hadoop103:9092");

复制代码

        // 等待所有副本节点的应答

复制代码

        props.put("acks", "all");

复制代码

        // 消息发送最大尝试次数

复制代码

        props.put("retries", 0);

复制代码

        // 一批消息处理大小

复制代码

        props.put("batch.size", 16384);

复制代码

        // 增加服务端请求延时

复制代码

        props.put("linger.ms", 1);

复制代码

// 发送缓存区内存大小

复制代码

        props.put("buffer.memory", 33554432);

复制代码

        // key序列化

复制代码

        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        // value序列化

复制代码

        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(props);

复制代码

        for (int i = 0; i < 50; i++) {

复制代码

            kafkaProducer.send(new ProducerRecord<String, String>("first", "hello" + i), new Callback() {

复制代码

                @Override

复制代码

                public void onCompletion(RecordMetadata metadata, Exception exception) {

复制代码

                    if (metadata != null) {

复制代码

                        System.err.println(metadata.partition() + "---" + metadata.offset());

复制代码

});

复制代码

        kafkaProducer.close();

复制代码

4.2.4 自定义分区生产者

0）需求：将所有数据存储到 topic 的第 0 号分区上

1）定义一个类实现 Partitioner 接口，重写里面的方法（过时 API）

package com.root.kafka;

复制代码

import java.util.Map;

复制代码

import kafka.producer.Partitioner;

复制代码

public class CustomPartitioner implements Partitioner {

复制代码

    public CustomPartitioner() {

复制代码

        super();

复制代码

    @Override

复制代码

    public int partition(Object key, int numPartitions) {

复制代码

        // 控制分区

复制代码

        return 0;

复制代码

2）自定义分区（新 API）

package com.root.kafka;

复制代码

import java.util.Map;

复制代码

import org.apache.kafka.clients.producer.Partitioner;

复制代码

import org.apache.kafka.common.Cluster;

复制代码

public class CustomPartitioner implements Partitioner {

复制代码

    @Override

复制代码

    public void configure(Map<String, ?> configs) {

复制代码

    @Override

复制代码

    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {

复制代码

        // 控制分区

复制代码

        return 0;

复制代码

    @Override

复制代码

    public void close() {

复制代码

3）在代码中调用

package com.root.kafka;

复制代码

import java.util.Properties;

复制代码

import org.apache.kafka.clients.producer.KafkaProducer;

复制代码

import org.apache.kafka.clients.producer.Producer;

复制代码

import org.apache.kafka.clients.producer.ProducerRecord;

复制代码

public class PartitionerProducer {

复制代码

    public static void main(String[] args) {

复制代码

        Properties props = new Properties();

复制代码

        // Kafka服务端的主机名和端口号

复制代码

        props.put("bootstrap.servers", "hadoop103:9092");

复制代码

        // 等待所有副本节点的应答

复制代码

        props.put("acks", "all");

复制代码

        // 消息发送最大尝试次数

复制代码

        props.put("retries", 0);

复制代码

        // 一批消息处理大小

复制代码

        props.put("batch.size", 16384);

复制代码

        // 增加服务端请求延时

复制代码

        props.put("linger.ms", 1);

复制代码

        // 发送缓存区内存大小

复制代码

        props.put("buffer.memory", 33554432);

复制代码

        // key序列化

复制代码

        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        // value序列化

复制代码

        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

复制代码

        // 自定义分区

复制代码

        props.put("partitioner.class", "com.root.kafka.CustomPartitioner");

复制代码

        Producer<String, String> producer = new KafkaProducer<>(props);

复制代码

        producer.send(new ProducerRecord<String, String>("first", "1", "root"));

复制代码

        producer.close();

复制代码

4）测试

（1）在 hadoop102 上监控/opt/module/kafka/logs/目录下 first 主题 3 个分区的 log 日志动态变化情况

[root@hadoop102 first-0]$ tail -f 00000000000000000000.log

复制代码

[root@hadoop102 first-1]$ tail -f 00000000000000000000.log

复制代码

[root@hadoop102 first-2]$ tail -f 00000000000000000000.log

复制代码

（2）发现数据都存储到指定的分区了。

Kafka 消费者 Java API

0）在控制台创建发送者

[root@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

>hello world

1）创建消费者（过时 API）

package com.root.kafka.consume;

复制代码

import java.util.HashMap;

复制代码

import java.util.List;

复制代码

import java.util.Map;

复制代码

import java.util.Properties;

复制代码

import kafka.consumer.Consumer;

复制代码

import kafka.consumer.ConsumerConfig;

复制代码

import kafka.consumer.ConsumerIterator;

复制代码

import kafka.consumer.KafkaStream;

复制代码

import kafka.javaapi.consumer.ConsumerConnector;

复制代码

public class CustomConsumer {

复制代码

    @SuppressWarnings("deprecation")

复制代码

    public static void main(String[] args) {

复制代码

        Properties properties = new Properties();

复制代码

        properties.put("zookeeper.connect", "hadoop102:2181");

复制代码

        properties.put("group.id", "g1");

复制代码

        properties.put("zookeeper.session.timeout.ms", "500");

复制代码

        properties.put("zookeeper.sync.time.ms", "250");

复制代码

        properties.put("auto.commit.interval.ms", "1000");

复制代码

        // 创建消费者连接器

复制代码

        ConsumerConnector consumer = Consumer.createJavaConsumerConnector(new ConsumerConfig(properties));

复制代码

        HashMap<String, Integer> topicCount = new HashMap<>();

复制代码

        topicCount.put("first", 1);

复制代码

        Map<String, List<KafkaStream<byte[], byte[]>>> consumerMap = consumer.createMessageStreams(topicCount);

复制代码

        KafkaStream<byte[], byte[]> stream = consumerMap.get("first").get(0);

复制代码

        ConsumerIterator<byte[], byte[]> it = stream.iterator();

复制代码

        while (it.hasNext()) {

复制代码

            System.out.println(new String(it.next().message()));

复制代码

2）官方提供案例（自动维护消费情况）（新 API）

package com.root.kafka.consume;import java.util.Arrays;import java.util.Properties;import org.apache.kafka.clients.consumer.ConsumerRecord;import org.apache.kafka.clients.consumer.ConsumerRecords;import org.apache.kafka.clients.consumer.KafkaConsumer;
public class CustomNewConsumer {
	public static void main(String[] args) {
		Properties props = new Properties();		// 定义kakfa 服务的地址，不需要将所有broker指定上 		props.put("bootstrap.servers", "hadoop102:9092");		// 制定consumer group 		props.put("group.id", "test");		// 是否自动确认offset 		props.put("enable.auto.commit", "true");		// 自动确认offset的时间间隔 		props.put("auto.commit.interval.ms", "1000");		// key的序列化类		props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");		// value的序列化类 		props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");		// 定义consumer 		KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);				// 消费者订阅的topic, 可同时订阅多个 		consumer.subscribe(Arrays.asList("first", "second","third"));
		while (true) {			// 读取数据，读取超时时间为100ms 			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());		}	}}`

复制代码

Kafka producer 拦截器(interceptor)

拦截器原理

Producer 拦截器(interceptor)是在 Kafka 0.10 版本被引入的，主要用于实现 clients 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拦截链(interceptor chain)。Intercetpor 的实现接口是 org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括：

（1）configure(configs)

获取配置信息和初始化数据时调用。

（2）onSend(ProducerRecord)：

该方法封装进 KafkaProducer.send 方法中，即它运行在用户主线程中。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 和分区，否则会影响目标分区的计算

（3）onAcknowledgement(RecordMetadata, Exception)：

该方法会在消息被应答或消息发送失败时调用，并且通常都是在 producer 回调逻辑触发之前。onAcknowledgement 运行在 producer 的 IO 线程中，因此不要在该方法中放入很重的逻辑，否则会拖慢 producer 的消息发送效率

（4）close：

关闭 interceptor，主要用于执行一些资源清理工作

如前所述，interceptor 可能被运行在多个线程中，因此在具体实现时用户需要自行确保线程安全。另外倘若指定了多个 interceptor，则 producer 将按照指定顺序调用它们，并仅仅是捕获每个 interceptor 可能抛出的异常记录到错误日志中而非在向上传递。这在使用过程中要特别留意。

拦截器案例

1）需求：

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）案例实操

（1）增加时间戳拦截器

package com.root.kafka.interceptor;import java.util.Map;import org.apache.kafka.clients.producer.ProducerInterceptor;import org.apache.kafka.clients.producer.ProducerRecord;import org.apache.kafka.clients.producer.RecordMetadata;
public class TimeInterceptor implements ProducerInterceptor<String, String> {
	@Override	public void configure(Map<String, ?> configs) {
	}
	@Override	public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {		// 创建一个新的record，把时间戳写入消息体的最前部		return new ProducerRecord(record.topic(), record.partition(), record.timestamp(), record.key(),				System.currentTimeMillis() + "," + record.value().toString());	}
	@Override	public void onAcknowledgement(RecordMetadata metadata, Exception exception) {
	}
	@Override	public void close() {
	}}

复制代码

（2）统计发送消息成功和发送失败消息数，并在 producer 关闭时打印这两个计数器

package com.root.kafka.interceptor;import java.util.Map;import org.apache.kafka.clients.producer.ProducerInterceptor;import org.apache.kafka.clients.producer.ProducerRecord;import org.apache.kafka.clients.producer.RecordMetadata;
public class CounterInterceptor implements ProducerInterceptor<String, String>{    private int errorCounter = 0;    private int successCounter = 0;
	@Override	public void configure(Map<String, ?> configs) {			}
	@Override	public ProducerRecord<String, String> onSend(ProducerRecord<String, String> record) {		 return record;	}
	@Override	public void onAcknowledgement(RecordMetadata metadata, Exception exception) {		// 统计成功和失败的次数        if (exception == null) {            successCounter++;        } else {            errorCounter++;        }	}
	@Override	public void close() {        // 保存结果        System.out.println("Successful sent: " + successCounter);        System.out.println("Failed sent: " + errorCounter);	}}

复制代码

（3）producer 主程序

package com.root.kafka.interceptor;import java.util.ArrayList;import java.util.List;import java.util.Properties;import org.apache.kafka.clients.producer.KafkaProducer;import org.apache.kafka.clients.producer.Producer;import org.apache.kafka.clients.producer.ProducerConfig;import org.apache.kafka.clients.producer.ProducerRecord;
public class InterceptorProducer {
	public static void main(String[] args) throws Exception {		// 1 设置配置信息		Properties props = new Properties();		props.put("bootstrap.servers", "hadoop102:9092");		props.put("acks", "all");		props.put("retries", 0);		props.put("batch.size", 16384);		props.put("linger.ms", 1);		props.put("buffer.memory", 33554432);		props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");		props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");				// 2 构建拦截链		List<String> interceptors = new ArrayList<>();		interceptors.add("com.root.kafka.interceptor.TimeInterceptor"); 	interceptors.add("com.root.kafka.interceptor.CounterInterceptor"); 		props.put(ProducerConfig.INTERCEPTOR_CLASSES_CONFIG, interceptors);		 		String topic = "first";		Producer<String, String> producer = new KafkaProducer<>(props);				// 3 发送消息		for (int i = 0; i < 10; i++) {					    ProducerRecord<String, String> record = new ProducerRecord<>(topic, "message" + i);		    producer.send(record);		}		 		// 4 一定要关闭producer，这样才会调用interceptor的close方法		producer.close();	}}

复制代码

3）测试

（1）在 kafka 上启动消费者，然后运行客户端 java 程序。

[root@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --from-beginning --topic first1501904047034,message01501904047225,message11501904047230,message21501904047234,message31501904047236,message41501904047240,message51501904047243,message61501904047246,message71501904047249,message81501904047252,message9

复制代码

（2）观察 java 平台控制台输出数据如下：

Successful sent: 10Failed sent: 0

复制代码

kafka Streams

概述

Kafka Streams

Kafka Streams。Apache Kafka 开源项目的一个组成部分。是一个功能强大，易于使用的库。用于在 Kafka 上构建高可分布式、拓展性，容错的应用程序。

Kafka Streams 特点

1）功能强大

高扩展性，弹性，容错

2）轻量级

无需专门的集群

一个库，而不是框架

3）完全集成

100%的 Kafka 0.10.0 版本兼容

易于集成到现有的应用程序

4）实时性

毫秒级延迟

并非微批处理

窗口允许乱序数据

允许迟到数据

为什么要有 Kafka Stream

当前已经有非常多的流式处理系统，最知名且应用最多的开源流式处理系统有 Spark Streaming 和 Apache Storm。Apache Storm 发展多年，应用广泛，提供记录级别的处理能力，当前也支持 SQL on Stream。而 Spark Streaming 基于 Apache Spark，可以非常方便与图计算，SQL 处理等集成，功能强大，对于熟悉其它 Spark 应用开发的用户而言使用门槛低。另外，目前主流的 Hadoop 发行版，如 Cloudera 和 Hortonworks，都集成了 Apache Storm 和 Apache Spark，使得部署更容易。

既然 Apache Spark 与 Apache Storm 拥有如此多的优势，那为何还需要 Kafka Stream 呢？主要有如下原因。

第一，Spark 和 Storm 都是流式处理框架，而 Kafka Stream 提供的是一个基于 Kafka 的流式处理类库。框架要求开发者按照特定的方式去开发逻辑部分，供框架调用。开发者很难了解框架的具体运行方式，从而使得调试成本高，并且使用受限。而 Kafka Stream 作为流式处理类库，直接提供具体的类给开发者调用，整个应用的运行方式主要由开发者控制，方便使用和调试。

第二，虽然 Cloudera 与 Hortonworks 方便了 Storm 和 Spark 的部署，但是这些框架的部署仍然相对复杂。而 Kafka Stream 作为类库，可以非常方便的嵌入应用程序中，它对应用的打包和部署基本没有任何要求。

第三，就流式处理系统而言，基本都支持 Kafka 作为数据源。例如 Storm 具有专门的 kafka-spout，而 Spark 也提供专门的 spark-streaming-kafka 模块。事实上，Kafka 基本上是主流的流式处理系统的标准数据源。换言之，大部分流式系统中都已部署了 Kafka，此时使用 Kafka Stream 的成本非常低。

第四，使用 Storm 或 Spark Streaming 时，需要为框架本身的进程预留资源，如 Storm 的 supervisor 和 Spark on YARN 的 node manager。即使对于应用实例而言，框架本身也会占用部分资源，如 Spark Streaming 需要为 shuffle 和 storage 预留内存。但是 Kafka 作为类库不占用系统资源。

第五，由于 Kafka 本身提供数据持久化，因此 Kafka Stream 提供滚动部署和滚动升级以及重新计算的能力。

第六，由于 Kafka Consumer Rebalance 机制，Kafka Stream 可以在线动态调整并行度。

Kafka Stream 数据清洗案例

0）需求：

实时处理单词带有”>>>”前缀的内容。例如输入”root>>>ximenqing”，最终处理成“ximenqing”

1）需求分析：

2）案例实操

（1）创建一个工程，并添加 jar 包

（2）创建主类

package com.root.kafka.stream;import java.util.Properties;import org.apache.kafka.streams.KafkaStreams;import org.apache.kafka.streams.StreamsConfig;import org.apache.kafka.streams.processor.Processor;import org.apache.kafka.streams.processor.ProcessorSupplier;import org.apache.kafka.streams.processor.TopologyBuilder;
public class Application {
	public static void main(String[] args) {
		// 定义输入的topic        String from = "first";        // 定义输出的topic        String to = "second";
        // 设置参数        Properties settings = new Properties();        settings.put(StreamsConfig.APPLICATION_ID_CONFIG, "logFilter");        settings.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "hadoop102:9092");
        StreamsConfig config = new StreamsConfig(settings);
        // 构建拓扑        TopologyBuilder builder = new TopologyBuilder();
        builder.addSource("SOURCE", from)               .addProcessor("PROCESS", new ProcessorSupplier<byte[], byte[]>() {
					@Override					public Processor<byte[], byte[]> get() {						// 具体分析处理						return new LogProcessor();					}				}, "SOURCE")                .addSink("SINK", to, "PROCESS");
        // 创建kafka stream        KafkaStreams streams = new KafkaStreams(builder, config);        streams.start();	}}

复制代码

（3）具体业务处理

package com.root.kafka.stream;

复制代码

import org.apache.kafka.streams.processor.Processor;

复制代码

import org.apache.kafka.streams.processor.ProcessorContext;

复制代码

public class LogProcessor implements Processor<byte[], byte[]> {

复制代码

    private ProcessorContext context;

复制代码

    @Override

复制代码

    public void init(ProcessorContext context) {

复制代码

        this.context = context;

复制代码

    @Override

复制代码

    public void process(byte[] key, byte[] value) {

复制代码

        String input = new String(value);

复制代码

        // 如果包含“>>>”则只保留该标记后面的内容

复制代码

        if (input.contains(">>>")) {

复制代码

            input = input.split(">>>")[1].trim();

复制代码

            // 输出到下一个topic

复制代码

            context.forward("logProcessor".getBytes(), input.getBytes());

复制代码

        }else{

复制代码

            context.forward("logProcessor".getBytes(), input.getBytes());

复制代码

    @Override

复制代码

    public void punctuate(long timestamp) {

复制代码

    @Override

复制代码

    public void close() {

复制代码

（4）运行程序

（5）在 hadoop104 上启动生产者

[root@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first

复制代码

>hello>>>world

复制代码

>h>>>root

复制代码

>hahaha

复制代码

（6）在 hadoop103 上启动消费者

[root@hadoop103 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --from-beginning --topic second

复制代码

world

复制代码

root

复制代码

hahaha

复制代码

发布于: 2020 年 11 月 28 日阅读数: 79

小Q

关注

还未添加个人签名 2020.06.30 加入

小Q 公众号：Java架构师联盟作者多年从事一线互联网Java开发的学习历程技术汇总，旨在为大家提供一个清晰详细的学习教程，侧重点更倾向编写Java核心内容。如果能为您提供帮助，请给予支持(关注、点赞、分享)！

发布

暂无评论

创作场景

和同事交流不会 kafka 怎么行，API 奉上，不是大神也能编

环境准备

Kafka 生产者 Java API

创建生产者（过时的 API）

4.2.2 创建生产者（新 API**）

创建生产者带回调函数（新 API）

4.2.4 自定义分区生产者

Kafka 消费者 Java API

Kafka producer 拦截器(interceptor)

拦截器原理

拦截器案例

kafka Streams

概述

Kafka Streams

Kafka Streams 特点

为什么要有 Kafka Stream

Kafka Stream 数据清洗案例

小Q

评论

*4.2.2 创建生产者（新 API**）*