Apache Kafka & Stream Processing Fundamentals · Aula

Desempenho de produtores e consumidores

Ajuste as configurações de produtores e consumidores para alcançar o melhor rendimento e a menor latência nas suas aplicações.

Desempenho de produtores e consumidores é uma aula grátis de Apache Kafka & Stream Processing Fundamentals no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Apache Kafka & Stream Processing Fundamentals, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Apache Kafka & Stream Processing Fundamentals inclui 4 aulas no total.

Partes desta aula ainda não foram traduzidas e aparecem em inglês.

Optimizing Kafka Performance

Welcome to tuning Kafka! We'll explore how to make your producers send data faster and your consumers process it more efficiently.

Performance isn't just about "fast." It's often a balance between throughput (how much data per second) and latency (how quickly a single message gets processed).

Maximizing Producer Throughput

Producers send messages to Kafka topics. To achieve high throughput, we want them to send data in efficient chunks, not one by one.

Key producer configurations influence how many messages are grouped together and how often they are sent.

Batching Messages for Efficiency

Instead of sending each message immediately, producers can collect messages into batches. This reduces network overhead.

batch.size: The maximum size in bytes of a single batch. Larger batches mean fewer requests, boosting throughput.
linger.ms: The maximum time a producer will wait for more messages to fill a batch. Setting this to a value > 0 helps batching.

Compressing Producer Data

Kafka producers can compress message batches before sending them. This reduces the amount of data sent over the network.

compression.type: Common options include gzip, snappy, lz4, or zstd.

Compression saves network bandwidth and disk space on brokers, further improving throughput. There's a small CPU cost for compression/decompression.

Reliability vs. Latency with Acks

The acks setting determines how many broker acknowledgements a producer needs before considering a message sent.

acks=0: Producer doesn't wait for any ack. Fastest, but lowest reliability (data loss possible).
acks=1: Producer waits for the leader broker to acknowledge. Good balance of speed and reliability.
acks=all (or -1): Producer waits for all in-sync replicas to acknowledge. Slowest, but highest reliability (no data loss if leader fails).

Tuned Producer Example

Here's a simple Kafka producer configured with some of the tuning parameters we discussed. Try changing the values and running it!

import org.apache.kafka.clients.producer.*;
import java.util.Properties;

public class TunedProducer {
    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");

        // Tuning parameters
        props.put("batch.size", 16384 * 4); // Increase batch size (default 16KB)
        props.put("linger.ms", 50);        // Wait up to 50ms for more messages
        props.put("compression.type", "snappy"); // Enable compression
        props.put("acks", "1");            // Acks setting

        Producer<String, String> producer = new KafkaProducer<>(props);
        try {
            for (int i = 0; i < 100; i++) {
                ProducerRecord<String, String> record =
                    new ProducerRecord<>("my_topic", Integer.toString(i), "message_" + i);
                producer.send(record);
            }
            System.out.println("100 messages sent to my_topic.");
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            producer.close();
        }
    }
}

Optimizing Consumer Throughput

Consumers read messages from Kafka topics. Efficient consumption means processing messages quickly while keeping up with the producer's rate.

Similar to producers, consumers can fetch messages in batches, which reduces the number of requests to the brokers.

Fetching Messages Efficiently

Several consumer settings control how many messages are fetched at once and how the polling works:

max.poll.records: The maximum number of records returned in a single poll() call. A higher value means more records processed per poll, increasing throughput.
fetch.min.bytes: The minimum amount of data in bytes the consumer will wait to fetch from the broker. Waiting for more data can increase throughput by reducing requests.
fetch.max.wait.ms: The maximum time the broker will wait for fetch.min.bytes to be available before sending data.

Auto-Commit vs. Manual Commit

Kafka consumers track their progress using offsets. Committing an offset means marking messages up to that point as processed.

enable.auto.commit: If true (default), offsets are committed automatically in the background. Convenient, but can lead to duplicate processing or data loss on crash.
auto.commit.interval.ms: How often auto-commits occur. Reducing this can lower the risk of duplicates but adds overhead.

For high performance and reliability, many applications opt for manual offset committing.

Tuning for Throughput

Consider a scenario where you need to maximize the throughput of a Kafka producer.

Recap: Producer & Consumer Tuning

We've covered essential configurations for optimizing Kafka producer and consumer performance:

Producers: Tune batch.size, linger.ms, compression.type for throughput. Balance acks for reliability vs. latency.
Consumers: Adjust max.poll.records, fetch.min.bytes, fetch.max.wait.ms for efficient message fetching. Understand auto-commit vs. manual commit tradeoffs.

Remember, tuning is about finding the right balance for your specific application needs!

Perguntas Frequentes

A aula “Desempenho de produtores e consumidores” é grátis?

Sim — o texto completo de “Desempenho de produtores e consumidores” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Apache Kafka & Stream Processing Fundamentals, atualize para CoddyKit PRO. O curso de Apache Kafka & Stream Processing Fundamentals inclui 4 aulas no total.

O que vou aprender em “Desempenho de produtores e consumidores”?

Ajuste as configurações de produtores e consumidores para alcançar o melhor rendimento e a menor latência nas suas aplicações. Você pratica Apache Kafka & Stream Processing Fundamentals com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar Apache Kafka & Stream Processing Fundamentals?

Nenhuma experiência prévia é necessária. Apache Kafka & Stream Processing Fundamentals no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.

Quanto tempo leva a aula “Desempenho de produtores e consumidores”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de Apache Kafka & Stream Processing Fundamentals?

Sim. Cada aula de Apache Kafka & Stream Processing Fundamentals inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

Desempenho de produtores e consumidores
Configuração e ajuste de intermediários
Otimização de E/S de disco e rede
Agrupamento, compressão e ajuste de linger.ms

← Voltar para Apache Kafka & Stream Processing Fundamentals