1. Kafka 概述
Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据及时处置惩罚范畴。
1.1 kafka的基础架构
1）Producer ：消息生产者，就是向 kafka broker 发消息的客户端；
2）Consumer ：消息消费者，向 kafka broker 取消息的客户端；
3）Consumer Group （CG）：消费者组，由多个 consumer 组成。消费者组内每个消费者负
责消费差别分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。所
有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
4）Broker ：一台 kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker
可以容纳多个 topic。
5）Topic ：可以理解为一个队列，生产者和消费者面向的都是一个 topic；
6）Partition：为了实现扩展性，一个非常大的 topic 可以分布到多个 broker（即服务器）上，
一个 topic 可以分为多个 partition，每个 partition 是一个有序的队列；
7）Replica：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 kafka 仍然可以或许继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有多少个副本，
一个 leader 和多少个 follower。
8）leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对
象都是 leader。
9）follower：每个分区多个副本中的“从”，及时从 leader 中同步数据，保持和 leader 数据
的同步。leader 发生故障时，某个 follower 会成为新的 follower。
2.深入了解kafka架构
Kafka 中消息是以 topic 进行分类的，生产者生产消息，消费者消费消息，都是面向 topic的。
topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件，该 log 文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该log 文件末端，且每条数据都有自己的offset。消费者组中的每个消费者，都会及时记录自己消费到了哪个 offset，以便出错规复时，从上次的位置继续消费。
2.1 Kafka文件存储机制
总体上来讲，是一个broker包含多个topic，一个topic包含多个partition。
由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment 对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic 名称+分区序号。例如，first 这个 topic 有三个分区，则其对应的文件夹为 first-0,first-1,first-2。
index和log文件以当前segment 的第一条消息的 offset 命名。下图为 index 文件和log文件的结构示意图。如果获取offset=3的Message，而offset=3的消息巨细为1000，那么消息将从756-1756开始读取，index第二列记录了消息的起始位置。
其中，“.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中 message 的物理偏移地点。2.2 kafka生产者
2.2 kafka生产者
2.2.1 分区策略
1）分区的原因
（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的呆板，而一个 topic 又可以有多个 Partition 组成，因此整个集群就可以适应任意巨细的数据了；
（2）可以进步并发，由于可以以 Partition 为单位读写了。2）分区的原则
2）分区的原则
需要将 producer 发送的数据封装成一个ProducerRecord 对象。
（1）指明partition的情况下，直接将指明的值直接作为partiton值；
（2）没有指明partition值但有 key 的情况下，将 key 的hash值与topic的partition数进行取余得到partition值；
（3）既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（背面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法。
2.2.2 数据可靠性保证
为保证producer发送的数据，能可靠的发送到指定的topic，topic 的每个partition收到producer发送的数据后，都需要向 producer发送 ack（acknowledgement 确认收到），如果producer收到 ack，就会进行下一轮的发送，否则重新发送数据。
1）副本数据同步策略
Kafka 选择了第二种方案，原因如下：
1.同样为了容忍n台节点的故障，第一种方案需要2n+1个副本，而第二种方案只需要n+1个副本，而Kafka的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比力高，但网络延迟对 Kafka 的影响较小。
2）ISR
起首，ISR 的全称叫做：In-Sync Replicas （同步副本集）, 我们可以理解为和 leader 保持同步的所有副本的集合。
接纳第二种方案之后，假想以下景象：leader收到数据，所有follower都开始同步数据，但有一个 follower，由于某种故障，迟迟不能与leader进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送ack。这个问题怎么解决呢？
Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader就会给follower发送ack。如果 follower 长时间未向leader同步数据，则该follower将被踢出ISR ， 该 时 间阈值由replica.lag.time.max.ms参数设定。Leader发生故障之后，就会从ISR中选举新的leader。
3）ack应答机制
对于某些不太重要的数据，对数据的可靠性要求不是很高，可以或许容忍数据的少量丢失，以是没必要等 ISR 中的 follower 全部接收乐成。
以是 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行衡量，选择以下的配置。
acks 参数配置：
0：producer 不等候 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有大概丢失数据；
1：producer 等候 broker 的 ack，partition 的 leader 落盘乐成后返回 ack，如果在 follower 同步乐成之前 leader 故障，那么将会丢失数据；
-1（all）：producer 等候 broker 的 ack，partition 的 leader 和 follower 全部落盘乐成后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复。
4）故障处置惩罚细节
Log文件中的HW和LEO。LEO：每个副本的最后一个offset；HW：所有副本中最小的LEO；
（1）follower 故障
follower发生故障后会被临时踢出 ISR，待该follower规复后，follower会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于便是该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新参加 ISR 了。
（2）leader 故障
leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据同等性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后重新的 leader 同步数据。
留意：这只能保证副本之间的数据同等性，并不能保证数据不丢失大概不重复。
2.2.3 Exactly Once 语义
将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once 可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，鄙俚数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。在 0.11 版本从前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在鄙俚消费者对数据做全局去重。对于多个鄙俚应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性联合 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。即：
At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka 的幂等性实现着实就是将原来鄙俚需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对< ID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。
但是 PID 重启就会变革，同时差别的 Partition 也具有差别主键，以是幂等性无法保证跨分区跨会话的 Exactly Once。
2.3 Kafka 消费者
2.3.1 消费方式
consumer 接纳 pull（拉）模式从 broker 中读取数据。
push（推）模式很难适应消费速率差别的消费者，由于消息发送速率是由 broker 决定的。它的目标是尽大概以最快速度传递消息，但是这样很轻易造成 consumer 来不及处置惩罚消息，典范的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适当的速率消费消息。
pull 模式不足之处是，如果 kafka 没有数据，消费者大概会陷入循环中，一直返回空数据。针对这一点，Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有数据可供消费，consumer 会等候一段时间之后再返回，这段时长即为 timeout。
2.3.2 分区分配策略
一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，以是必然会涉及到 partition 的分配问题，即确定谁人 partition 由哪个 consumer 来消费。
Kafka 有两种分配策略，一是 RoundRobin（按照组划分），一是 Range（主题划分）。
2.3.3 offset 的维护
由于 consumer 在消费过程中大概会出现断电宕机等故障，consumer规复后，需要从故障前的位置的继续消费，以是 consumer需要及时记录自己消费到了哪个offset，以便故障规复后继续消费。
Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper 中，从 0.9 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。
1）修改配置文件 consumer.properties
exclude.internal.topics=false
2.4 Kafka 高效读写数据
1）次序写磁盘
Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为次序写。官网有数据表明，同样的磁盘，次序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机器机构有关，次序写之以是快，是由于其省去了大量磁头寻址的时间。
2）零拷贝技术
2.5 Zookeeper 在 Kafka 中的作用
Kafka 集群中有一个 broker 会被选举为 Controller，负责管理集群 broker 的上下线，所有 topic 的分区副天职配和 leader 选举等工作。
Controller 的管理工作都是依赖于 Zookeeper 的。以下为 partition 的 leader 选举过程：
结束语
本期内容到这结束了，主要介绍了kafka的基础架构，生成者的存储模子，以及次序写的原理，消费者如何通过offset实现消息不丢失。而当出现故障，消费者消费完消息以后不可以或许正常提交offset时，如何实现幂等性的问题就更加清楚了。本篇不介绍kafka的api，背面会具体介绍开发中常利用的kafka api。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
