Kafka简介、基本原理、执行流程与使用场景

缺乏、安全感 2021-10-24 03:36 331阅读 0赞

> ## **一、简介** ##

Apache Kafka是分布式发布-订阅消息系统，在 kafka官网上对 kafka 的定义：一个分布式发布-订阅消息传递系统。 它最初由LinkedIn公司开发，Linkedin于2010年贡献给了Apache基金会并成为顶级开源项目。Kafka是一种快速、可扩展的、设计内在就是分布式的，分区的和可复制的提交日志服务。

几种分布式系统消息系统的对比：

![aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9VdFdkRGd5bkxkWUFPNDdCTkM3eHc3aWJnMUxrQU1iOGRDc296c1gzR3JWRWlhYnVVQW0wOUVienpOOHBoeXR5STk0OXdVb1ZkdnNGaWJPVXVLZklmSlBGZy82NDA_d3hfZm10PXBuZyZ0cD13ZWJwJnd4ZnJvbT01Jnd4X2xhenk9MSZ3eF9jbz0x][]

[各个消息中间件的对比][Link 1]

> # **Kafka 的主要特点？** #

*  1、同时为发布和订阅提供高吞吐量。据了解，Kafka 每秒可以生产约 25 万消息（50MB），每秒处理 55 万消息（110MB）。
 *  2、可进行持久化操作。将消息持久化到磁盘，因此可用于批量消费，例如 ETL ，以及实时应用程序。通过将数据持久化到硬盘，以及replication ，可以防止数据丢失。
 *  3、分布式系统，易于向外扩展。所有的 Producer、Broker 和Consumer 都会有多个，均为分布式的。并且，无需停机即可扩展机器。
 *  4、消息被处理的状态是在 Consumer 端维护，而不是由 Broker 端维护。当失败时，能自动平衡。

> # **聊聊 Kafka 的设计要点？** #

1）吞吐量

高吞吐是 Kafka 需要实现的核心目标之一，为此 kafka 做了以下一些设计：

# **    拉取系统** #

由于 Kafka Broker 会持久化数据，Broker 没有内存压力，因此， Consumer 非常适合采取 pull 的方式消费数据，具有以下几点好处：

*  1、数据磁盘持久化：消息不在内存中 Cache ，直接写入到磁盘，充分利用磁盘的顺序读写性能。
    
    > 直接使用 Linux 文件系统的 Cache ，来高效缓存数据。
 *  2、zero-copy：减少 IO 操作步骤
    
    > 采用 Linux Zero-Copy 提高发送性能。
    > 
    >  *  传统的数据发送需要发送 4 次上下文切换。
    >  *  采用 sendfile 系统调用之后，数据直接在内核态交换，系统上下文切换减少为 2 次。根据测试结果，可以提高 60% 的数据发送性能。Zero-Copy 详细的技术细节可以参考 [《Efficient data transfer through zero copy》][Efficient data transfer through zero copy] 文章。
 *  3、数据批量发送
 *  4、数据压缩
 *  5、**Topic 划分为多个 Partition ，提高并行度（高效）。**
    
    > 数据在磁盘上存取代价为 `O(1)`。
    > 
    >  *  Kafka 以 Topic 来进行消息管理，每个 Topic 包含多个 Partition ，每个 Partition 对应一个逻辑 log ，有多个 segment 文件组成。
    >  *  每个 segment 中存储多条消息（见下图），消息 id 由其逻辑位置决定，即从消息 id 可直接定位到消息的存储位置，避免 id 到位置的额外映射。
    >  *  每个 Partition 在内存中对应一个 index ，记录每个 segment 中的第一条消息偏移。
    > 
    > 发布者发到某个 Topic 的消息会被均匀的分布到多个 Partition 上（随机或根据用户指定的回调函数进行分布），Broker 收到发布消息往对应 Partition 的最后一个 segment 上添加该消息。  
    > 当某个 segment上 的消息条数达到配置值或消息发布时间超过阈值时，segment上 的消息会被 flush 到磁盘，只有 flush 到磁盘上的消息订阅者才能订阅到，segment 达到一定的大小后将不会再往该 segment 写数据，Broker 会创建新的 segment 文件。
    
    ## **负载均衡** ##
 *  1、Producer 根据用户指定的算法，将消息发送到指定的 Partition 中。
 *  2、Topic 存在多个 Partition ，每个 Partition 有自己的replica ，每个 replica 分布在不同的 Broker 节点上。多个Partition 需要选取出 Leader partition ，Leader Partition 负责读写，并由 Zookeeper 负责 fail over 。
 *  3、相同 Topic 的多个 Partition 会分配给不同的 Consumer 进行拉取消息，进行消费。
 *  1、简化 Kafka 设计。
 *  2、Consumer 根据消费能力自主控制消息拉取速度。
 *  3、Consumer 根据自身情况自主选择消费模式，例如批量，重复消费，从尾端开始消费等。

## **可扩展性** ##

> 通过 Zookeeper 管理 Broker 与 Consumer 的动态加入与离开。

*  当需要增加 Broker 节点时，新增的 Broker 会向 Zookeeper 注册，而 Producer 及 Consumer 会根据注册在 Zookeeper 上的 watcher 感知这些变化，并及时作出调整。
 *  当新增和删除 Consumer 节点时，相同 Topic 的多个 Partition 会分配给剩余的 Consumer 们。

> ## **Kafka 的架构是怎么样的？** ##

![Kafka 架构图][Kafka]

Kafka 的整体架构非常简单，是分布式架构，Producer、Broker 和Consumer 都可以有多个。

[为什么kafka 这么快][kafka]    这个文章写的更加详细

*  Producer，Consumer 实现 Kafka 注册的接口。
 *  数据从 Producer 发送到 Broker 中，Broker 承担一个中间缓存和分发的作用。
 *  Broker 分发注册到系统中的 Consumer。Broker 的作用类似于缓存，即活跃的数据和离线处理系统之间的缓存。
 *  客户端和服务器端的通信，是基于简单，高性能，且与编程语言无关的 TCP 协议。

## **几个重要的基本概念：** ##

*  Topic：特指 Kafka 处理的消息源（feeds of messages）的不同分类。
 *  Partition：Topic 物理上的分组（分区），一个 Topic 可以分为多个 Partition 。每个 Partition 都是一个有序的队列。Partition 中的每条消息都会被分配一个有序的 id（offset）。
    
    >  *  replicas：Partition 的副本集，保障 Partition 的高可用。
    >  *  leader：replicas 中的一个角色，Producer 和 Consumer 只跟 Leader 交互。
    >  *  follower：replicas 中的一个角色，从 leader 中复制数据，作为副本，一旦 leader 挂掉，会从它的 followers 中选举出一个新的 leader 继续提供服务。
 *  Message：消息，是通信的基本单位，每个 Producer 可以向一个Topic（主题）发布一些消息。
 *  Producers：消息和数据生产者，向 Kafka 的一个 Topic 发布消息的过程，叫做 producers 。
 *  Consumers：消息和数据消费者，订阅 Topic ，并处理其发布的消息的过程，叫做 consumers 。
    
    > Consumer group：每个 Consumer 都属于一个 Consumer group，每条消息只能被 Consumer group 中的一个 Consumer 消费，但可以被多个 Consumer group 消费。
 *  Broker：缓存代理，Kafka 集群中的一台或多台服务器统称为 broker 。
    
    > Controller：Kafka 集群中，通过 Zookeeper 选举某个 Broker 作为 Controller ，用来进行 leader election 以及 各种 failover 。
 *  ZooKeeper：Kafka 通过 ZooKeeper 来存储集群的 Topic、Partition 等元信息等

> ## **Kafka 的应用场景有哪些？** ##

**1）消息队列**

比起大多数的消息系统来说，Kafka 有更好的吞吐量，内置的分区，冗余及容错性，这让 Kafka 成为了一个很好的大规模消息处理应用的解决方案。消息系统一般吞吐量相对较低，但是需要更小的端到端延时，并常常依赖于 Kafka 提供的强大的持久性保障。在这个领域，Kafka 足以媲美传统消息系统，如 ActiveMQ 或 RabbitMQ 。

**2）行为跟踪**

Kafka 的另一个应用场景，是跟踪用户浏览页面、搜索及其他行为，以发布订阅的模式实时记录到对应的 Topic 里。那么这些结果被订阅者拿到后，就可以做进一步的实时处理，或实时监控，或放到 Hadoop / 离线数据仓库里处理。

**3）元信息监控**

作为操作记录的监控模块来使用，即汇集记录一些操作信息，可以理解为运维性质的数据监控吧。

**4）日志收集**

日志收集方面，其实开源产品有很多，包括 Scribe、Apache Flume 。很多人使用 Kafka 代替日志聚合（log aggregation）。日志聚合一般来说是从服务器上收集日志文件，然后放到一个集中的位置（文件服务器或 HDFS）进行处理。

然而， Kafka 忽略掉文件的细节，将其更清晰地抽象成一个个日志或事件的消息流。这就让 Kafka 处理过程延迟更低，更容易支持多数据源和分布式数据处理。比起以日志为中心的系统比如 Scribe 或者 Flume 来说，Kafka 提供同样高效的性能和因为复制导致的更高的耐用性保证，以及更低的端到端延迟。

**5）流处理**

这个场景可能比较多，也很好理解。保存收集流数据，以提供之后对接的 Storm 或其他流式计算框架进行处理。很多用户会将那些从原始 Topic 来的数据进行阶段性处理，汇总，扩充或者以其他的方式转换到新的 Topic 下再继续后面的处理。

例如一个文章推荐的处理流程，可能是先从 RSS 数据源中抓取文章的内容，然后将其丢入一个叫做“文章”的 Topic 中。后续操作可能是需要对这个内容进行清理，比如回复正常数据或者删除重复数据，最后再将内容匹配的结果返还给用户。这就在一个独立的 Topic 之外，产生了一系列的实时数据处理的流程。Strom 和 Samza 是非常著名的实现这种类型数据转换的框架。

**6）事件源**

事件源，是一种应用程序设计的方式。该方式的状态转移被记录为按时间顺序排序的记录序列。Kafka 可以存储大量的日志数据，这使得它成为一个对这种方式的应用来说绝佳的后台。比如动态汇总（News feed）。

**7）持久性日志（Commit Log）**

Kafka 可以为一种外部的持久性日志的分布式系统提供服务。这种日志可以在节点间备份数据，并为故障节点数据回复提供一种重新同步的机制。Kafka 中日志压缩功能为这种用法提供了条件。在这种用法中，Kafka 类似于 Apache BookKeeper 项目。

> ## **ZooKeeper 在 Kafka 中起到什么作用？** ##

关于 ZooKeeper 是什么，不了解的胖友，直接去看 [《精尽 Zookeeper 面试题》][Zookeeper] 。

在基于 Kafka 的分布式消息队列中，ZooKeeper 的作用有：

*  1、Broker 在 ZooKeeper 中的注册。
 *  2、Topic 在 ZooKeeper 中的注册。
 *  3、Consumer 在 ZooKeeper 中的注册。
 *  4、Producer 负载均衡。
    
    > 主要指的是，Producer 从 Zookeeper 拉取 Topic 元数据，从而能够将消息发送负载均衡到对应 Topic 的分区中。
 *  5、Consumer 负载均衡。
 *  6、记录消费进度 Offset 。
    
    > Kafka 已推荐将 consumer 的 Offset 信息保存在 Kafka 内部的 Topic 中。
 *  7、记录 Partition 与 Consumer 的关系。

*  Broker、Producer、Consumer 和 Zookeeper 的交互。
    
    > 对应 1、2、3、5 。
 *  相应的状态存储到 Zookeeper 中。
    
    > 对应 4、6、7 。

详细的每一点，看 [《再谈基于 Kafka 和 ZooKeeper 的分布式消息队列原理》][Kafka _ ZooKeeper] 的 [「Kafka 架构中 ZooKeeper 以怎样的形式存在？」][Kafka _ ZooKeeper 1]

> ## **Kafka 如何实现高可用？** ##

在 [「Kafka 的架构是怎么样的？」][Kafka _ ZooKeeper 1] 问题中，已经基本回答了这个问题。

[Kafka 集群][Kafka 1]

*  Zookeeper 部署 2N+1 节点，形成 Zookeeper 集群，保证高可用。
 *  Kafka Broker 部署集群。每个 Topic 的 Partition ，基于【副本机制】，在 Broker 集群中复制，形成 replica 副本，保证消息存储的可靠性。每个 replica 副本，都会选择出一个 leader 分区（Partition），提供给客户端（Producer 和 Consumer）进行读写。
 *  Kafka Producer 无需考虑集群，因为和业务服务部署在一起。Producer 从 Zookeeper 拉取到 Topic 的元数据后，选择对应的 Topic 的 leader 分区，进行消息发送写入。而 Broker 根据 Producer 的 `request.required.acks` 配置，是写入自己完成就响应给 Producer 成功，还是写入所有 Broker 完成再响应。这个，就是胖友自己对消息的可靠性的选择。
 *  Kafka Consumer 部署集群。每个 Consumer 分配其对应的 Topic Partition ，根据对应的分配策略。并且，Consumer 只从 leader 分区（Partition）拉取消息。另外，当有新的 Consumer 加入或者老的 Consumer 离开，都会将 Topic Partition 再均衡，重新分配给 Consumer 。

> ## **Kafka 是否会弄丢数据？** ##

> **注意，Kafka 是否会丢数据，主要取决于我们如何使用。这点，非常重要噢。**

? **消费端弄丢了数据？**

唯一可能导致消费者弄丢数据的情况，就是说，你消费到了这个消息，然后消费者那边自动提交了 offset ，让 Broker 以为你已经消费好了这个消息，但其实你才刚准备处理这个消息，你还没处理，你自己就挂了，此时这条消息就丢咯。

这不是跟 RabbitMQ 差不多吗，大家都知道 Kafka 会自动提交 offset ，那么只要关闭自动提交 offset ，在处理完之后自己手动提交 offset ，就可以保证数据不会丢。但是此时确实还是可能会有重复消费，比如你刚处理完，还没提交 offset ，结果自己挂了，此时肯定会重复消费一次，自己保证幂等性就好了。

> RocketMQ push 模式下，在确认消息被消费完成，才会提交 Offset 给 Broker 。

生产环境碰到的一个问题，就是说我们的 Kafka 消费者消费到了数据之后是写到一个内存的 queue 里先缓冲一下，结果有的时候，你刚把消息写入内存 queue ，然后消费者会自动提交 offset 。然后此时我们重启了系统，就会导致内存 queue 里还没来得及处理的数据就丢失了。

? **Broker 弄丢了数据？**

这块比较常见的一个场景，就是 Kafka 某个 Broker 宕机，然后重新选举 Partition 的 leader。大家想想，要是此时其他的 follower 刚好还有些数据没有同步，结果此时 leader 挂了，然后选举某个 follower 成 leader 之后，不就少了一些数据？这就丢了一些数据啊。

生产环境也遇到过，我们也是，之前 Partition 的 leader 机器宕机了，将 follower 切换为 leader 之后，就会发现说这个数据就丢了。

所以此时一般是要求起码设置如下 4 个参数：

*  给 Topic 设置 `replication.factor` 参数：这个值必须大于 1，要求每个 partition 必须有至少 2 个副本。
 *  在 Kafka 服务端设置 `min.insync.replicas` 参数：这个值必须大于 1 ，这个是要求一个 leader 至少感知到有至少一个 follower 还跟自己保持联系，没掉队，这样才能确保 leader 挂了还有一个 follower 吧。
 *  在 Producer 端设置 `acks=all`：这个是要求每条数据，必须是**写入所有 replica 之后，才能认为是写成功了**。
    
    > 不过这个也不一定能够绝对保证，例如说，Broker 集群里，所有节点都挂了，只剩下一个节点。此时，`acks=all` 和 `acks=1` 就等价了。当然，也可以通过设置 `min.insync.replics` 参数，每次写入要求最小的同步副本数。
    > 
    > 这块也和朋友交流了下，他们金融场景下，`acks=all` 也是这么配置的。原因嘛，因为他们是金融场景呀。
 *  在 Producer 端设置 `retries=MAX`（很大很大很大的一个值，无限次重试的意思）：这个是**要求一旦写入失败，就无限重试**，卡在这里了。

我们生产环境就是按照上述要求配置的，这样配置之后，至少在 Kafka broker 端就可以保证在 leader 所在 Broker 发生故障，进行 leader 切换时，数据不会丢失。

? **生产者会不会弄丢数据？**

如果按照上述的思路设置了 `acks=all` ，一定不会丢，要求是，你的 leader 接收到消息，所有的 follower 都同步到了消息之后，才认为本次写成功了。如果没满足这个条件，生产者会自动不断的重试，重试无限次。

*  关于 Kafka Producer 重试发送消息的逻辑的源码解析

# #

[aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9VdFdkRGd5bkxkWUFPNDdCTkM3eHc3aWJnMUxrQU1iOGRDc296c1gzR3JWRWlhYnVVQW0wOUVienpOOHBoeXR5STk0OXdVb1ZkdnNGaWJPVXVLZklmSlBGZy82NDA_d3hfZm10PXBuZyZ0cD13ZWJwJnd4ZnJvbT01Jnd4X2xhenk9MSZ3eF9jbz0x]: /images/20211023/f8c00cb084cc43d49bf30286384f74f1.png
[Link 1]: http://blog.csdn.net/allthesametome/article/details/47362451
[Efficient data transfer through zero copy]: https://developer.ibm.com/articles/j-zerocopy/
[Kafka]: /images/20211023/c3868712577e41b387cd4b2640542dc7.png
[kafka]: https://mp.weixin.qq.com/s/pzVS7r3QaQPFwob-fY8b4A
[Zookeeper]: http://svip.iocoder.cn/Zookeeper/Interview/
[Kafka _ ZooKeeper]: https://gitbook.cn/books/5bc446269a9adf54c7ccb8bc/index.html
[Kafka _ ZooKeeper 1]: http://svip.iocoder.cn/Kafka/Interview/#
[Kafka 1]: https://segmentfault.com/img/bVbcmpm?w=776&h=436