一、前言
由于工作原因使用到了 Kafka，而现有的代码并不能满足性能需求，所以需要开发高效读写 Kafka 的工具，本文是一个 Python Kafka Client 的性能测试记录，通过本次测试，可以知道选用什么第三方库的性能最高，选用什么编程模型开发出来的工具效率最高。
二、第三方库性能测试
1.第三方库
此次测试的是三个主要的 Python Kafka Client：pykafka、kafka-python 和 confluent-kafka，具体介绍见官网：
- pykafka：https://pypi.org/project/pykafka/
- kafka-python：https://pypi.org/project/kafka-python/
- confluent_kafka：https://pypi.org/project/confluent-kafka/
2.测试环境
此次测试使用的 Python 版本是2.7，第三方库的版本为：
- pykafka：2.8.0
- kafka-python：2.0.2
- confluent-kafka：1.5.0
使用的数据总量有50万，每条数据大小为2KB，总共为966MB。
3.测试过程
（1）Kafka Producer 测试
分别使用 pykafka、kafka-python 和 confluent-kafka 实例化一个 Kafka 的 Producer 对象，然后调用相应的 produce 方法将数据推送给 Kafka，数据总条数为50万，比较三个库所耗费的时间，并计算每秒钟可以推送的数据条数和大小，比较得出性能最优的。
代码示例（以 pykafka 为例）：
1 import sys
2 from datetime import datetime
3 from pykafka import KafkaClient
4
5
6 class KafkaProducerTool():
7 def __init__(self, broker, topic):
8 client = KafkaClient(hosts=broker)
9 self.topic = client.topics[topic]
10 self.producer = self.topic.get_producer()
11
12 def send_msg(self, msg):
13 self.producer.produce(msg)
14
15
16 if __name__ == '__main__':
17 producer = KafkaProducerTool(broker, topic)
18 print(datetime.now())
19 for line in sys.stdin:
20 producer.send_msg(line.strip())
21 producer.producer.stop()
22 print(datetime.now())
（2）Kafka Consumer 测试
分别使用 pykafka、kafka-python 和 confluent-kafka 实例化一个 Kafka 的 Consumer 对象，然后调用相应的 consume 方法从 Kafka 中消费数据，要消费下来的数据总条数为50万，比较三个库所耗费的时间，并计算每秒钟可以消费的数据条数和大小，比较得出性能最优的。
代码示例（以 pykafka 为例）：
1 from datetime import datetime
2 from pykafka import KafkaClient
3
4
5 class KafkaConsumerTool():
6 def __init__(self, broker, topic):
7 client = KafkaClient(hosts=broker)
8 self.topic = client.topics[topic]
9 self.consumer = self.topic.get_simple_consumer()
10
11 def receive_msg(self):
12 count = 0
13 print(datetime.now())
14 while True:
15 msg = self.consumer.consume()
16 if msg:
17 count += 1
18 if count == 500000:
19 print(datetime.now())
20 return
21
22
23 if __name__ == '__main__':
24 consumer = KafkaConsumerTool(broker, topic)
25 consumer.receive_msg()
26 consumer.consumer.stop()
4.测试结果
- Kafka Producer 测试结果：
| 总耗时/秒 | 每秒数据量/MB | 每秒数据条数 | |
| confluent_kafka | 35 | 27.90 | 14285.71 |
| pykafka | 50 | 19.53 | 10000 |
| kafka-python | 532 | 1.83 | 939.85 |
- Kafka Consumer 测试结果：
| 总耗时/秒 | 每秒数据量/MB | 每秒数据条数 | |
| confluent_kafka | 39 | 25.04 | 12820.51 |
| kafka-python | 52 | 18.78 | 9615.38 |
| pykafka | 335 | 2.92 | 1492.54 |
5.测试结论
经过测试，在此次测试的三个库中，生产消息的效率排名是：confluent-kafka > pykafka > kafka-python，消费消息的效率排名是：confluent-kafka > kafka-python > pykafka，由此可见 confluent-kafka 的性能是其中最优的，因而选用这个库进行后续开发。
三、多线程模型性能测试
1.编程模型
经过前面的测试已经知道 confluent-kafka 这个库的性能是很优秀的了，但如果还需要更高的效率，应该怎么办呢？当单线程（或者单进程）不能满足需求时，我们很容易想到使用多线程（或者多进程）来增加并发提高效率，考虑到线程的资源消耗比进程少，所以打算选用多线程来进行开发。那么多线程消费 Kafka 有什么实现方式呢？我想到的有两种：
- 一个线程实现一个 Kafka Consumer，最多可以有 n 个线程同时消费 Topic（其中 n 是该 Topic 下的分区数量）；
- 多个线程共用一个 Kafka Consumer，此时也可以实例化多个 Consumer 同时消费。
对比这两种多线程模型：
- 模型1实现方便，可以保证每个分区有序消费，但 Partition 数量会限制消费能力；
- 模型2并发度高，可扩展能力强，消费能力不受 Partition 限制。
2.测试过程
（1）多线程模型1
测试代码：
1 import time
2 from threading import Thread
3 from datetime import datetime
4 from confluent_kafka import Consumer
5
6
7 class ChildThread(Thread):
8 def __init__(self, name, broker, topic):
9 Thread.__init__(self, name=name)
10 self.con = KafkaConsumerTool(broker, topic)
11
12 def run(self):
13 self.con.receive_msg()
14
15
16 class KafkaConsumerTool:
17 def __init__(self, broker, topic):
18 config = {
19 'bootstrap.servers': broker,
20 'session.timeout.ms': 30000,
21 'auto.offset.reset': 'earliest',
22 'api.version.request': False,
23 'broker.version.fallback': '2.6.0',
24 'group.id': 'test'
25 }
26 self.consumer = Consumer(config)
27 self.topic = topic
28
29 def receive_msg(self):
30 self.consumer.subscribe([self.topic])
31 print(datetime.now())
32 while True:
33 msg = self.consumer.poll(timeout=30.0)
34 print(msg)
35
36
37 if __name__ == '__main__':
38 thread_num = 10
39 threads = [ChildThread("thread_" + str(i + 1), broker, topic) for i in range(thread_num)]
40
41 for i in range(thread_num):
42 threads[i].setDaemon(True)
43 for i in range(thread_num):
44 threads[i].start()
因为我使用的 Topic 共有8个分区，所以我分别测试了线程数在5个、8个和10个时消费50万数据所需要的时间，并计算每秒可消费的数据条数。
（2）多线程模型2
测试代码：
1 import time
2 from datetime import datetime
3 from confluent_kafka import Consumer
4 from threadpool import ThreadPool, makeRequests
5
6
7 class KafkaConsumerTool:
8 def __init__(self, broker, topic):
9 config = {
10 'bootstrap.servers': broker,
11 'session.timeout.ms': 30000,
12 'auto.offset.reset': 'earliest',
13 'api.version.request': False,
14 'broker.version.fallback': '2.6.0',
15 'group.id': 'mini-spider'
16 }
17 self.consumer = Consumer(config)
18 self.topic = topic
19
20 def receive_msg(self, x):
21 self.consumer.subscribe([self.topic])
22 print(datetime.now())
23 while True:
24 msg = self.consumer.poll(timeout=30.0)
25 print(msg)
26
27
28 if __name__ == '__main__':
29 thread_num = 10
30 consumer = KafkaConsumerTool(broker, topic)
31 pool = ThreadPool(thread_num)
32 for r in makeRequests(consumer.receive_msg, [i for i in range(thread_num)]):
33 pool.putRequest(r)
34 pool.wait()
主要使用 threadpool 这个第三方库来实现线程池，此处当然也可以使用其他库来实现，这里我分别测试了线程数量在5个和10个时消费50万数据所需要的时间，并计算每秒可消费的数据条数。
3.测试结果
- 多线程模型1
| 总数据量/万 | 线程数量 | 总耗时/秒 | 每秒数据条数 |
| 50 | 5 | 27 | 18518.51 |
| 50 | 8 | 24 | 20833.33 |
| 50 | 10 | 26 | 19230.76 |
- 多线程模型2
| 总数据量/万 | 线程数量 | 总耗时/秒 | 每秒数据条数 |
| 50 | 5 | 17 | 29411.76 |
| 50 | 10 | 13 | 38461.53 |
4.测试结论
使用多线程可以有效提高 Kafka 的 Consumer 消费数据的效率，而选用线程池共用一个 KafkaConsumer 的消费方式的消费效率更高。