kafka使用confluent-3.1.2      删除的主题名：test

1、删除主题

在server.properties中增加设置，默认未开启
[html] view plain copy
print ?
  1. delete.topic.enable=true  
delete.topic.enable=true
删除主题命令
[html] view plain copy
print ?
  1. /bin/kafka-topics –delete –topic test –zookeeper localhost:2181  
/bin/kafka-topics --delete --topic test --zookeeper localhost:2181

2、删除主题数据

如果想保留主题，只删除主题现有数据（log）。可以通过修改数据保留时间实现
[java] view plain copy
print ?
  1. bin/kafka-configs –zookeeper localhost:2181 –entity-type topics –entity-name test –alter –add-config retention.ms=3000  
  2. //修改保留时间为三秒，但不是修改后三秒就马上删掉，kafka是采用轮训的方式，轮训到这个主题发现三秒前的数据都是删掉。时间由自己在server.properties里面设置，设置见下面。  
bin/kafka-configs --zookeeper localhost:2181 --entity-type topics --entity-name test --alter --add-config retention.ms=3000
//修改保留时间为三秒，但不是修改后三秒就马上删掉，kafka是采用轮训的方式，轮训到这个主题发现三秒前的数据都是删掉。时间由自己在server.properties里面设置，设置见下面。

数据删除后，继续使用主题，那主题数据的保留时间就不可能为三秒，所以把上面修改的配置删掉，采用server.properties里面统一的配置。

[html] view plain copy
print ?
  1. bin/kafka-configs –zookeeper localhost:2181 –entity-type topics –entity-name test –alter –delete-config retention.ms  
bin/kafka-configs --zookeeper localhost:2181 --entity-type topics --entity-name test --alter --delete-config retention.ms
server.properties里面数据保留时间的配置

[java] view plain copy
print ?
  1. log.retention.hours=168  //保留时间，单位小时  
  2. log.retention.check.interval.ms=300000 //保留时间检查间隔，单位毫秒  
log.retention.hours=168  //保留时间，单位小时
log.retention.check.interval.ms=300000 //保留时间检查间隔，单位毫秒



 原文：https://blog.csdn.net/forrest_ou/article/details/78999983
# kafka
Logo
Kafka开源项目指南

Kafka开源项目指南提供详尽教程，助开发者掌握其架构、配置和使用，实现高效数据流管理和实时处理。它高性能、可扩展，适合日志收集和实时数据处理，通过持久化保障数据安全，是企业大数据生态系统的核心。

更多推荐

Kafka入门（一） 概述、部署与API的简单使用

Kafka概述、部署与API的简单使用

avatar Kafka开源项目指南

基于canal和kafka同步，实现binlog同步ElasticSearch

文章目录前言elasticsearch 安装canal安装canal-adapter 安装及配置mysql 安装zk及kafaka安装查看效果注意事项前言中间件版本elasticsearch7.5.2canal1.1.4client-adapter1.1.5-alpha-1zookeeper3.4.13kafka2.6.0mysql5.7.31elasticsearch 安装{"settings"

avatar Kafka开源项目指南

基于 Iceberg 的湖仓一体架构在 B 站的实践

背景在B站，每天都有PB级的数据注入到大数据平台，经过离线或实时的ETL建模后，提供给下游的分析、推荐及预测等场景使用。面对如此大规模的数据，如何高效低成本地满足下游数据的分析需求，一直是我们重点的工作方向。我们之前的数据处理流程基本上是这样的：采集端将客户端埋点、服务端埋点、日志、业务数据库等数据收集到HDFS、Kafka等存储系统中，然后通过Hive、Spark、Fl...

avatar Kafka开源项目指南