基礎科普！一文帶你了爭Kafka基本原理

來源：阿凡盧，
www.cnblogs.com/luxiaoxun/p/5492646.html

簡介

Apache Kafka是分佈式發佈-訂閱消息系統。它最初由LinkedIn公司開發，以後成爲Apache項目的一部分。Kafka是一種快速、可擴展的、設計內在就是分佈式的，分區的和可複製的提交日誌服務。

Kafka架構

它的架構包括如下組件：

• 話題（Topic）：是特定類型的消息流。消息是字節的有效負載（Payload），話題是消息的分類名或種子（Feed）名。
• 生產者（Producer）：是可以發佈消息到話題的任何對象。
• 服務代理（Broker）：已發佈的消息保存在一組服務器中，它們被稱爲代理（Broker）或Kafka集羣。
• 消費者（Consumer）：能夠訂閱一個或多個話題，並從Broker拉數據，從而消費這些已發佈的消息。

Kafka存儲策略

1）kafka以topic來進行消息管理，每一個topic包含多個partition，每一個partition對應一個邏輯log，有多個segment組成。

2）每一個segment中存儲多條消息（見下圖），消息id由其邏輯位置決定，即從消息id可直接定位到消息的存儲位置，避免id到位置的額外映射。

3）每一個part在內存中對應一個index，記錄每一個segment中的第一條消息偏移。

4）發佈者發到某個topic的消息會被均勻的分佈到多個partition上（或根據用戶指定的路由規則進行分佈），broker收到發佈消息往對應partition的最後一個segment上添加該消息，當某個segment上的消息條數達到配置值或消息發佈時間超過閾值時，segment上的消息會被flush到磁盤，只有flush到磁盤上的消息訂閱者才能訂閱到，segment達到必定的大小後將不會再往該segment寫數據，broker會建立新的segment。

Kafka刪除策略

1）N天前的刪除。

2）保留最近的MGB數據。

Kafka broker

與其它消息系統不一樣，Kafka broker是無狀態的。這意味着消費者必須維護已消費的狀態信息。這些信息由消費者本身維護，broker徹底無論（有offset managerbroker管理）。

• 從代理刪除消息變得很棘手，由於代理並不知道消費者是否已經使用了該消息。Kafka創新性地解決了這個問題，它將一個簡單的基於時間的SLA應用於保留策略。當消息在代理中超過必定時間後，將會被自動刪除。
• 這種創新設計有很大的好處，消費者能夠故意倒回到老的偏移量再次消費數據。這違反了隊列的常見約定，但被證實是許多消費者的基本特徵。

如下摘抄自kafka官方文檔：

Kafka Design

目標

1) 高吞吐量來支持高容量的事件流處理

2) 支持從離線系統加載數據

3) 低延遲的消息系統

持久化

1) 依賴文件系統，持久化到本地

2) 數據持久化到log

效率

1) 解決」small IO problem「：

使用」message set「組合消息。

server使用」chunks of messages「寫到log。

consumer一次獲取大的消息塊。

2）解決」byte copying「：

在producer、broker和consumer之間使用統一的binary message format。

使用系統的pagecache。

使用sendfile傳輸log，避免拷貝。

端到端的批量壓縮（End-to-end Batch Compression）

Kafka支持GZIP和Snappy壓縮協議。

The Producer

負載均衡

1）producer能夠自定義發送到哪一個partition的路由規則。默認路由規則：hash(key)%numPartitions，若是key爲null則隨機選擇一個partition。

2）自定義路由：若是key是一個user id，能夠把同一個user的消息發送到同一個partition，這時consumer就能夠從同一個partition讀取同一個user的消息。

異步批量發送

批量發送：配置很少於固定消息數目一塊兒發送而且等待時間小於一個固定延遲的數據。

The Consumer

consumer控制消息的讀取。

Push vs Pull

1)producer push data to broker，consumer pull data from broker

2)consumer pull的優勢：consumer本身控制消息的讀取速度和數量。

3)consumer pull的缺點：若是broker沒有數據，則可能要pull屢次忙等待，Kafka能夠配置consumer long pull一直等到有數據。

Consumer Position

1)大部分消息系統由broker記錄哪些消息被消費了，但Kafka不是。

2)Kafka由consumer控制消息的消費，consumer甚至能夠回到一個old offset的位置再次消費消息。

Message Delivery Semantics

三種：

At most once—Messages may be lost but are never redelivered.

At least once—Messages are never lost but may be redelivered.

Exactly once—this is what people actually want, each message is delivered once and only once.

Producer：有個」acks「配置能夠控制接收的leader的在什麼狀況下就回應producer消息寫入成功。

Consumer：

* 讀取消息，寫log，處理消息。若是處理消息失敗，log已經寫入，則沒法再次處理失敗的消息，對應」At most once「。

* 讀取消息，處理消息，寫log。若是消息處理成功，寫log失敗，則消息會被處理兩次，對應」At least once「。

* 讀取消息，同時處理消息並把result和log同時寫入。這樣保證result和log同時更新或同時失敗，對應」Exactly once「。

Kafka默認保證at-least-once delivery，允許用戶實現at-most-once語義，exactly-once的實現取決於目的存儲系統，kafka提供了讀取offset，實現也沒有問題。

複製（Replication）

1）一個partition的複製個數（replication factor）包括這個partition的leader自己。

2）全部對partition的讀和寫都經過leader。

3）Followers經過pull獲取leader上log（message和offset）

4）若是一個follower掛掉、卡住或者同步太慢，leader會把這個follower從」in sync replicas「（ISR）列表中刪除。

5）當全部的」in sync replicas「的follower把一個消息寫入到本身的log中時，這個消息才被認爲是」committed「的。

6）若是針對某個partition的全部複製節點都掛了，Kafka選擇最早復活的那個節點做爲leader（這個節點不必定在ISR裏）。

日誌壓縮（Log Compaction）

1）針對一個topic的partition，壓縮使得Kafka至少知道每一個key對應的最後一個值。

2）壓縮不會重排序消息。

3）消息的offset是不會變的。

4）消息的offset是順序的。

Distribution

Consumer Offset Tracking

1）High-level consumer記錄每一個partition所消費的maximum offset，並按期commit到offset manager（broker）。

2）Simple consumer須要手動管理offset。如今的Simple consumer Java API只支持commit offset到zookeeper。

Consumers and Consumer Groups

1）consumer註冊到zookeeper

2）屬於同一個group的consumer（group id同樣）平均分配partition，每一個partition只會被一個consumer消費。

3）當broker或同一個group的其餘consumer的狀態發生變化的時候，consumer rebalance就會發生。

Zookeeper協調控制

1）管理broker與consumer的動態加入與離開。

2）觸發負載均衡，當broker或consumer加入或離開時會觸發負載均衡算法，使得一個consumer group內的多個consumer的訂閱負載平衡。

3）維護消費關係及每一個partition的消費信息。