消息系统 Kafka的神级操作，hadoop大神教你以下几招保准你会

素颜马尾好姑娘i 2022-06-05 10:41 112阅读 0赞

![384b8480f38ec5f603be07e231ac9778.png_wxfrom_5_wx_lazy_1][]

Kafka是分布式发布-订阅消息系统。它最初由LinkedIn公司开发，之后成为Apache项目的一部分。Kafka是一个分布式的，可划分的，冗余备份的持久性的日志服务。它主要用于处理活跃的流式数据。

![acda0b2b1fd5b02bc0b13a7ca287b266.png_wxfrom_5_wx_lazy_1][]

> 分享之前我还是要推荐下我自己创建的大数据学习资料分享群 232840209，这是全国最大的大数据学习交流的地方，2000人聚集，不管你是小白还是大牛，小编我都挺欢迎，今天的源码已经上传到群文件，不定期分享干货，包括我自己整理的一份最新的适合2017年学习的前端资料和零基础入门教程，欢迎初学和进阶中的小伙伴。  
>

在 大数据系统中，常常会碰到一个问题，整个大数据是由各个子系统组成，数据需要在各个子系统中高性能，低延迟的不停流转。传统的企业消息系统并不是非常适合 大规模的数据处理。为了已在同时搞定在线应用（消息）和离线应用（数据文件，日志）Kafka就出现了。Kafka可以起到两个作用：

1.  降低系统组网复杂度。
2.  降低编程复杂度，各个子系统不在是相互协商接口，各个子系统类似插口插在插座上，Kafka承担高速数据总线的作用。

![9cc447f13422ad92193ef4284a5f7faa.png][]

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（50 MB），每秒处理55万消息（110 MB）。
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。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server端维护。当失败时能自动平衡。
5.  支持online和offline的场景。

# 2、Kafka的架构： #

Kafka 的整体架构非常简单，是显式分布式架构，producer、broker（kafka）和consumer都可以有多个。 Producer，consumer实现Kafka注册的接口，数据从producer发送到broker，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。

# 3、几个基本概念： #

1.  Topic：特指Kafka处理的消息源（feeds of messages）的不同分类。
2.  Partition：Topic物理上的分组，一个topic可以分为多个partition，每个partition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）。
3.  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。
4.  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。
5.  Consumers：消息和数据消费者，订阅topics并处理其发布的消息的过程叫做consumers。
6.  Broker：缓存代理，Kafa集群中的一台或多台服务器统称为broker。

# 4、消息发送的流程： #

![8e31786b29b5803f76643eb62532660d.png][]

1.  Producer根据指定的partition方法（round-robin、hash等），将消息发布到指定topic的partition里面
2.  kafka集群接收到Producer发过来的消息后，将其持久化到硬盘，并保留消息指定时长（可配置），而不关注消息是否被消费。
3.  Consumer从kafka集群pull数据，并控制获取消息的offset

# 5、Kafka的设计： #

5.1 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：

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
2.  zero-copy：减少IO操作步骤
3.  数据批量发送
4.  数据压缩
5.  Topic划分为多个partition，提高parallelism

5.2 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
2.  存在多个partiiton，每个partition有自己的replica，每个replica分布在不同的Broker节点上
3.  多个partition需要选取出lead partition，lead partition负责读写，并由zookeeper负责fail over
4.  通过zookeeper管理broker与consumer的动态加入与离开

5.3 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.  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

5.4 可扩展性

当需要增加broker结点时，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。

5.5 消息删除策略

kafka 和JMS实现(activeMQ)不同的是:即使消息被消费,消息仍然不会被立即删除.日志文件将会根据broker中的配置要求,保留一定的时间之后删 除;比如log文件保留2天,那么两天后,文件会被清除,无论其中的消息是否被消费.kafka通过这种简单的手段,来释放磁盘空间.此外,kafka的 性能并不会因为日志文件的太多而低下,所以即使保留较多的log文件,也不不会有问题.

kafka 中consumer负责维护消息的消费记录,而broker则不关心这些,这种设计不仅提高了consumer端的灵活性,也适度的减轻了broker端 设计的复杂度;这是和众多JMS prodiver的区别.此外,kafka中消息ACK的设计也和JMS有很大不同,kafka中的消息时批量(通常以消息的条数或者chunk的尺寸为 单位)发送给consumer,当消息消费成功后,向zookeeper提交消息的offset,而不会向broker交付ACK.或许你已经意识到,这 种"宽松"的设计,将会有"丢失"消息/"消息重发"的危险.

# 6、Kafka的应用场景： #

6.1 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，并尝尝依赖于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ActiveMR或RabbitMQ。

6.2 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。

6.3 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。

6.4 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。

6.5 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。

6.6 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）。

6.7 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。

# 7、Kafka的设计要点： #

7.1 直接使用linux 文件系统的cache，来高效缓存数据。

7.2 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。

7.3 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part（ition），每个part对应一个逻辑log，有多个segment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part 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part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part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。

7.4 显式分布式。

即 所有的producer、broker和consumer都会有多个，均为分布式的。Producer和broker之间没有负载均衡机制。broker 和consumer之间利用zookeeper进行负载均衡。所有broker和consumer都会在zookeeper中进行注册，且 zookeeper会保存他们的一些元数据信息。如果某个broker和consumer发生了变化，所有其他的broker和consumer都会得到 通知。

![ee61ff965c3928791b3980146601b7f2.png][]

>   
>

[384b8480f38ec5f603be07e231ac9778.png_wxfrom_5_wx_lazy_1]: https://img-blog.csdnimg.cn/img_convert/384b8480f38ec5f603be07e231ac9778.png;wxfrom=5&wx_lazy=1
[acda0b2b1fd5b02bc0b13a7ca287b266.png_wxfrom_5_wx_lazy_1]: https://img-blog.csdnimg.cn/img_convert/acda0b2b1fd5b02bc0b13a7ca287b266.png;wxfrom=5&wx_lazy=1
[9cc447f13422ad92193ef4284a5f7faa.png]: /images/20220605/c8ce937a29c447b7972a5a7ad2364219.png
[8e31786b29b5803f76643eb62532660d.png]: /images/20220605/916b0269c5a346acb435d7ba27beeee2.png
[ee61ff965c3928791b3980146601b7f2.png]: /images/20220605/5458070625d94c2485c1eba1580c03d9.png