Kafka实现淘宝亿万级数据统计

迷南。 2022-03-06 09:34 310阅读 0赞

JAVA架构 2019-03-14 20:55:10

# 一、了解淘宝Kafka架构 #

在ActiveMQ、RabbitMQ、RocketMQ、Kafka消息中间件之间，**我们为什么要选择Kafka?**

下面详细介绍一下，2012年9月份我在支付宝做余额宝研发，2013年6月支付宝正式推出余额宝，2013年8月担任支付宝淘宝彩票项目经理带领兄弟们一起做研发，期间需要与淘宝和500万对接竞彩接口数据。

通过业余时间与淘宝同事沟通，**了解到天猫在电商节如何处理大数据？技术架构上采用了哪些策略？**

1、应用无状态(淘宝session框架)

2、有效使用缓存(Tair)

3、应用拆分(HSF)

4、数据库拆分(TDDL)

5、异步通信(Notify)

6、非结构化数据存储 ( TFS,NOSQL)

7、监控、预警系统

8、配置统一管理

天猫的同事把大致的架构跟我描述了一番，心有感悟。咱们来看一下2018年双11当天的成交额。

![Kafka实现淘宝亿万级数据统计][Kafka]

# 二、kafka实现天猫亿万级数据统计架构 #

Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

![Kafka实现淘宝亿万级数据统计][Kafka 1]

**Data Access：**数据通道

**Computing：**计算

**Persistence：**执行保存方式

**spout：**表示一个流的源头，产生tuple

**bolt：**处理输入流并产生多个输出流，可以做简单的数据转换计算，复杂的流处理一般需要经过多个bolt进行处理。

**为什么不能用分布式文件HDFS集群？**

**1、实时性：**hdfs的实时性没有kafka高。

**2、消费量的记录：**hdfs不会记录你这个块文件消费到了哪里，而基于zookeeper的kafka会记录你消费的点。

**3、并发消费：**hdfs不支持并发消费，而kafka支持并发消费，即多个consumer。

**4、弹性且有序：**当数据量会很大，而且处理完之后就可以删除时，频繁的读写会对hdfs中NameNode造成很大的压力。而kafka的消费点是记录在zookeeper的，并且kafka的每条数据都是有“坐标”的，所以消费的时候只要这个“坐标”向后移动就行了，而且删除的时候只要把这个“坐标”之前的数据删掉即可。

# 三、什么是Kafka? #

![Kafka实现淘宝亿万级数据统计][Kafka 2]

通过上图就可以了解到，生产者Producers(农民和厨师)，消费主题top(鱼，骨头，草，香蕉),消费者Comsumer(猫，狗，老牛，猴子)，生产者根据消费主题获取自己想要的食物。

# 四、Kafka架构原理 #

![Kafka实现淘宝亿万级数据统计][Kafka 3]

# 五、Kafka能帮我们解决什么问题？ #

请高手指明一下kafka解决了什么问题，什么场景下使用？消息订阅和发布吗，好像redis也支持，功能是否有重叠？

**1）、消息队列**

假设你意气风发，要开发新一代的互联网应用，以期在互联网事业中一展宏图。借助云计算，很容易开发出如下原型系统：

Web应用：部署在云服务器上，为个人电脑或者移动用户提供的访问体验。

SQL数据库：为Web应用提供数据持久化以及数据查询。

![Kafka实现淘宝亿万级数据统计][Kafka 4]

这套架构简洁而高效，很快能够部署到百度云等云计算平台，以便快速推向市场。互联网不就是讲究小步快跑嘛！

可惜好景不长。随着用户的迅速增长，所有的访问都直接通过SQL数据库使得它不堪重负，不得不加上缓存服务以降低SQL数据库的荷载；为了理解用户行为，开始收集日志并保存到Hadoop上离线处理，同时把日志放在全文检索系统中以便快速定位问题；由于需要给投资方看业务状况，也需要把数据汇总到数据仓库中以便提供交互式报表。

此时的系统的架构已经盘根错节了，考虑将来还会加入实时模块以及外部数据交互，真是痛并快乐着……

![Kafka实现淘宝亿万级数据统计][Kafka 5]

这时候，应该跑慢一些，让灵魂跟上来。

本质上，这是一个数据集成问题。没有任何一个系统能够解决所有的事情，所以业务数据根据不同用途存而放在不同的系统，比如归档、分析、搜索、缓存等。数据冗余本身没有任何问题，但是不同系统之间像意大利面条一样复杂的数据同步却是挑战。

这时候就轮到Kafka出场了。

Kafka可以让合适的数据以合适的形式出现在合适的地方。**Kafka的做法是提供消息队列，让生产者单往队列的末尾添加数据，让多个消费者从队列里面依次读取数据然后自行处理。**之前连接的复杂度是O(N^2)，而现在降低到O(N)，扩展起来方便多了：

![Kafka实现淘宝亿万级数据统计][Kafka 6]

在Kafka的帮助下，你的互联网应用终于能够支撑飞速增长的业务，成为下一个BAT指日可待。

以上故事说明了Kafka主要用途是数据集成，或者说是流数据集成，以Pub/Sub形式的消息总线形式提供。但是，Kafka不仅仅是一套传统的消息总线，本质上Kafka是分布式的流数据平台，因为以下特性而著名：

**·**提供Pub/Sub方式的海量消息处理。

**·**以高容错的方式存储海量数据流。

**·**保证数据流的顺序。

**2）、日志采集**

**1.技术选型**

服务端日志采集主要通过在Controller的接口中进行埋点，然后通过AOP技术、Kafka消息系统以及logback对用户行为进行采集。之所以使用AOP技术是因为AOP的以下重要特定：

**·**代码的侵入性小。对于业务代码的侵入性小，只需要在Controller的接口上添加注解，然后在其他模块对用户行为进行采集。

**·**重用性。对于相同作用的代码可以进行重用。

**·**扩展性。能够很好的对系统进行扩展。

由于使用异步方式对用户行为信息进行收集，因此需要使用消息中间件。目前消息中间件非常多，比较流行的有ActiveMQ、ZeroMQ、RabbitMQ、Kafka等。每个消息中间件都有各种的优势劣势，之所以使用Kafka消息中间件，是因为以下几点因素：

**·**高性能。每秒钟可以处理数以千计生产者生成的消息。

**·**高扩展性。可以通过简单的增加服务器横向扩展Kafka集群的容量。

**·**分布式。消息来自数以千计的服务，使用分布式来解决单机处理海量数据的瓶颈。

**·**持久性。Kafka中的消息可以持久化到硬盘上，这样可以防止数据的丢失。

因为用户的行为数据最终是以日志的形式持久化的，因此使用logback对日志持久化到日志服务器中。

**2.总体架构**

![Kafka实现淘宝亿万级数据统计][Kafka 7]

服务端日志采集系统主要由两个工程组成：陆金所-bi-core和lu-bi-service。由于中国平安陆金所使用dubbo框架，因此有服务提供方和服务消费方。lu-bi-core被web、wap和mainsite服务消费方依赖。此外，lu-bi-service也依赖于lu-bi-core，主要是依赖于其中的一些实体类及工具类。

lu-bi-core工程为Kafka消息的生产者，主要封装实现切面的具体逻辑，其主要职责如下：

**·**解析用户请求的Request信息：从Request中提取用户的基本信息，如设备型号、用户的供应商、ip、设备的分辨率、设备平台、设备的操作系统、设备id、app渠道等。

**·**接口对应的参数：通过切面可以提取接口的参数值，从而知道用户的业务信息。

**·**应用层返回的结果信息：因为切面使用AfterReturning方式，因此可以获取用层的返回结果，从返回结果中可以提取有用的信息。

**·**用户的基本信息：用户的id信息。

**·**信息格式化：将信息转化成JSON字符串。

**·**发送消息：将最终需要发送的消息放入本地阻塞队列中，通过另一个线程异步从阻塞队列中获取消息并发送到Kafka Broker中。

lu-bi-service工程为Kafka消息的消费者，其主要职责如下：

**·**实时从Kafka中拉取最新的数据。

**·**将JSON字符串转化成，方便进一步对用信息进行加工。

**·**对用户的ip进行解析，获取ip对应的地区以及经纬度信息。

**·**将加工好的最终信息持久化到log文件中。

**3.部署图**

![Kafka实现淘宝亿万级数据统计][Kafka 8]

上图为陆金所与日志系统系统相关的部署图，App、Wap和Mainsite服务器集群分别对应不同终端的应用。Kafka集群使用杭研的集群，目前有10个Broker。日志服务器有两台，通过Kafka的均衡策略对日志进行消费。

**4.日志采集的流程**

日志采集流程图如下所示：

![Kafka实现淘宝亿万级数据统计][Kafka 9]

上图为消息生产者和消息消费者共同组成的流程图。

消息生产者的具体步骤如下：

**·**通过切面拦截用户的请求。

**·**从切面中提取请求头的基本信息，如设备信息，cookie信息，ip信息等。

**·**提取请求的接口参数信息。

**·**从接口返回值中提取相关信息，如id，pvid等。

**·**将提取的信息封装成JSON字符串，放到阻塞队列中，假如阻塞队列溢出会有三次重试机制。

**·**异步线程从本地阻塞队列中获取数据，并将信息组装发送到Kafka的Broker中，此时消息生产者结束。

消息消费者的具体步骤如下：

**·**实时从Kafka Broker中批量拉取消息。

**·**将拉取的消息转化成对象。

**·**解析ip对应的国家、省份、城市、经纬度信息。

**·**对不同业务场景的信息进一步解析。

**·**将日志信息转化成JSON字符串，持久化到log文件中。

**5. 相关配置**

**·**application-XXX.properties：该配置放Kafka的相关属性，包括topic、groupId、server等信息。

**·**lu-log-msg.xml：该配置放在app-web，mainsite-web，wap-web的src/main/resources目录下，主要是初始化kafka生产者的信息。

**·**lu-bi-service.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于加载kafka消费者的配置信息，并且启动kafka消费者服务。

**·**logback.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于声明日志文件存放的目录，需要持久化的日志的package路径，以及日志持久化的格式。

**·**ip\_conf.txt：该配置放在lu-bi-service工程的src/main/resources目录下，用于解析ip对应的地域、经纬度等信息。

# 六、关于面试问题 #

**Redis和Kafka区别？**

老师就跟大家举个例子：

老板有个好消息要告诉大家，公司要发放年终奖，有两个办法:

1.到会议室每个座位上挨个儿告诉每个人。什么？张三去上厕所了？那张三就只能错过好消息了！

2.老板把消息写到会议上的黑板报上，谁想知道就来看一下，什么？张三请假了？没关系，我一周之后才擦掉，总会看见的！什么张三请假两周？那就算了，我反正只保留一周，不然其他好消息没地方写了！

redis用第一种办法，kafka用第二种办法，知道什么区别了吧~

**Redis PUB/SUB使用场景：**

1. 消息持久性需求不高

2. 吞吐量要求不高

3. 可以忍受数据丢失

4. 数据量不大

**Kafka使用场景：**

上面以外的其他场景：

1. 高可靠性

2. 高吞吐量

3. 持久性高

**Kafka、RabbitMQ、RocketMQ等消息中间件的对比**

有关测试结论：

Kafka的吞吐量高达17.3w/s，不愧是高吞吐量消息中间件的行业老大。这主要取决于它的队列模式保证了写磁盘的过程是线性IO。此时broker磁盘IO已达瓶颈。

RocketMQ也表现不俗，吞吐量在11.6w/s，磁盘IO %util已接近100%。RocketMQ的消息写入内存后即返回ack，由单独的线程专门做刷盘的操作，所有的消息均是顺序写文件。

RabbitMQ的吞吐量5.95w/s，CPU资源消耗较高。它支持AMQP协议，实现非常重量级，为了保证消息的可靠性在吞吐量上做了取舍。我们还做了RabbitMQ在消息持久化场景下的性能测试，吞吐量在2.6w/s左右。

**所以在服务端处理同步发送的性能上，Kafka>RocketMQ>RabbitMQ**

> **文章转自：**https://gper.gupaoedu.com/articleContent?id=655

[Kafka]: http://p1.pstatp.com/large/pgc-image/fa056bade9ff40cf82181ee7b0cdbdb6
[Kafka 1]: http://p9.pstatp.com/large/pgc-image/a708e67e537944db85cccd67849a2bfb
[Kafka 2]: /images/20220303/4ccc9febe9a3432ba17c4f4258fd6a48.png
[Kafka 3]: /images/20220303/8d89ef98d8df48d1a203f9572c695ec2.png
[Kafka 4]: http://p1.pstatp.com/large/pgc-image/e4cc83fa6ef642cc8546921198d388c7
[Kafka 5]: http://p1.pstatp.com/large/pgc-image/f1c9234842b649f881f14f0e41c2352d
[Kafka 6]: http://p1.pstatp.com/large/pgc-image/dfef753fbaef40d194379902396fca36
[Kafka 7]: http://p1.pstatp.com/large/pgc-image/7ae5e75c9b254caa9f64f39a38f29257
[Kafka 8]: http://p1.pstatp.com/large/pgc-image/aa204cd616f04d139fbe8bcbddde7aba
[Kafka 9]: /images/20220303/fe8bdc55dac44f799b71998b4854fc0f.png