kafka第一天学习

Kafka

    异步通信原理

        1.1观察者模式-发布订阅模式

            一对多的依赖关系，使得一个对象改变状态，则所有依赖于它的对象都会得到

通知并自动更新。

        1.2生产消费者模式

            传统模式

生产者直接将消息传递给指定的消费者

耦合性特别高，当生产者或者消费者发生变化，都需要重写业务逻辑

            生产者消费者模式

通过一个容器来解决生产者和消费者的强耦合问题。生产者和消费者彼此之间不直接通讯，而

通过阻塞队列来进行通讯

                

            数据传递流程

生产者消费者模式，即N个线程进行生产，同时N个线程进行消费，两种角色通过内存缓冲区进行通信，

生产者负责向缓冲区里面添加数据单元

消费者负责从缓冲区里面取出数据单元

一般遵循先进先出的原则

        1.3缓冲区

            解耦

假设生产者和消费者分别是两个类。如果让生产者直接调用消费者的某个方法，那么生产者对

于消费者就会产生依赖

            支持并发

生产者直接调用消费者的某个方法过程中函数调用是同步的

万一消费者处理数据很慢，生产者就会白白糟蹋大好时光

            支持忙闲不均

缓冲区还有另一个好处。如果制造数据的速度时快时慢，缓冲区的好处就体现出来了。

当数据制造快的时候，消费者来不及处理，未处理的数据可以暂时存在缓冲区中。

等生产者的制造速度慢下来，消费者再慢慢处理掉。

    消息系统原理

        点对点消息传递

            在点对点消息系统中，消息持久化到一个队列中。此时，将有一个或多个消费者消费队列中的数

据。但是一条消息只能被消费一次。

当一个消费者消费了队列中的某条数据之后，该条数据则从消息队列中删除。

该模式即使有多个消费者同时消费数据，也能保证数据处理的顺序。

基于推送模型的消息系统，由消息代理记录消费状态。

消息代理将消息推送(push)到消费者后，标记这条消息为已经被消费，但是这种方式无法很好

地保证消费的处理语义。

                

        发布订阅消息传递

            在发布-订阅消息系统中，消息被持久化到一个topic中。

消费者可以订阅一个或多个topic，消费者可以消费该topic中所有的数据，同一条数据可以被多个

消费者消费，数据被消费后不会立马删除。

在发布-订阅消息系统中，消息的生产者称为发布者，消费者称为订阅者。

Kafka 采取拉取模型(Poll)，由自己控制消费速度，消费者可以按照任意的偏移量进行消费。

                

    Kafka简介

        Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据。

Kafka 本质上是一个 MQ（Message Queue），使用消息队列的好处？（面试会问）

解耦：允许我们独立的扩展或修改队列两边的处理过程。

可恢复性：即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。

缓冲：有助于解决生产消息和消费消息的处理速度不一致的情况。

灵活性&峰值处理能力：不会因为突发的超负荷的请求而完全崩溃，消息队列能够使关键组件

顶住突发的访问压力。

异步通信：消息队列允许用户把消息放入队列但不立即处理它。

            

        Kafka的优点

            解耦：

在项目启动之初来预测将来项目会碰到什么需求，是极其困难的。消息系统在处理过程中间插入了一个

隐含的、基于数据的接口层，两边的处理过程都要实现这一接口。这允许你独立的扩展或修改两边的处

理过程，只要确保它们遵守同样的接口约束。

            冗余

有些情况下，处理数据的过程会失败。除非数据被持久化，否则将造成丢失。消息队列把数据进行持久

化直到它们已经被完全处理，通过这一方式规避了数据丢失风险。许多消息队列所采用的"插入-获取-删

除"范式中，在把一个消息从队列中删除之前，需要你的处理系统明确的指出该消息已经被处理完毕，从

而确保你的数据被安全的保存直到你使用完毕。

            扩展性

因为消息队列解耦了你的处理过程，所以增大消息入队和处理的频率是很容易的，只要另外增加处理过

程即可。不需要改变代码、不需要调节参数。扩展就像调大电力按钮一样简单。

            灵活性&峰值处理能力

在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见；如果为以能处理

这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的

访问压力，而不会因为突发的超负荷的请求而完全崩溃。

            可恢复性

系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理

消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。

            顺序保证

在大多使用场景下，数据处理的顺序都很重要。大部分消息队列本来就是排序的，并且能保证数据会按

照特定的顺序来处理。Kafka保证一个Partition内的消息的有序性。

            缓冲

在任何重要的系统中，都会有需要不同的处理时间的元素。例如，加载一张图片比应用过滤器花费更少

的时间。消息队列通过一个缓冲层来帮助任务最高效率的执行——写入队列的处理会尽可能的快速。该缓冲有助于控制和优化数据流经过系统的速度。

            异步通信

很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要的时候再去处理它们。

    生产者数据安全

        数据分区

            分区原因

方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，

一个 Topic 又可以有多个 Partition 组成，因此可以以 Partition 为单位读写了。

可以提高并发，因此可以以 Partition 为单位读写了。

        数据可靠性保证

            ACK机制

为保证 Producer 发送的数据，能可靠地发送到指定的 Topic

Topic 的每个 Partition 收到 Producer 发送的数据后，都需要向 Producer 发送ACK（ACKnowledge 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。

             ACK时机

部分 Follower 与 Leader 同步完成，Leader 发送 ACK

全部 Follower 与 Leader 同步完成，Leader 发送 ACK。

ISR(部分)

AR : Assigned Replicas 用来标识副本的全集

OSR ：out -sync Replicas 离开同步队列的副本

ISR ：in -sync Replicas 加入同步队列的副本

ISR = Leader + 没有落后太多的副本;

AR = OSR+ ISR。

Leader维护了一个动态的 in-sync replica set（ISR 和 Leader 保持同步的 Follower 集合）

当 ISR 集合中的 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 集合，判断标准：

超过10秒钟没有同步数据

replica.lag.time.max.ms=10000

主副节点差4000条数据

rerplica.lag.max.messages=4000

Leader 发生故障后，就会从 ISR 中选举出新的 Leader。

kafka采用一种降级措施来处理：

选举第一个恢复的node作为leader提供服务，以它的数据为基准，这个措施被称为脏leader选举

            ACK应答机制

Kafka 为用户提供了三种可靠性级别，用户根据可靠性和延迟的要求进行权衡

Producers可以选择是否为数据的写入接收ack，有以下几种ack的选项：request.required.acks

                ack=0：表示producer无需等待ack的返回消息就可以继续发送下一个请求，最大值为1

                ack=1：代表着producer在ISR中的leader玩一个一进一出，ack返回了才能发送下一个消息

                ack=-1：代表着producer需要等待ISR中的所有Follower都接收到数据后才算一次发送完成

            故障处理：HW LEO

                LEO:每个副本最大的偏移量（Offset）

                HW（高水位线）：消费者能见到的最大的 Offset，ISR 队列中最小的 LEO。

                Follower 故障：

Follower 发生故障后会被临时踢出 ISR 集合，待该 Follower 恢复后，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

步数据操作。

等该 Follower 的 LEO 大于等于该 Partition 的 HW，即 Follower 追上 Leader 后，就可以重

新加入 ISR 了。

                Leader 故障：

Leader 发生故障后，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一

致性，其余的 Follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 Leader 同

步数据。

注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

    Kafka数据存储

        topic在物理层面以partition为分组，一个topic可以分成若干个partition

        partition还可以细分为Segment，一个partition物理上由多个Segment组成。segment 的参数有两个：

log.segment.bytes：单个segment可容纳的最大数据量，默认为1GB

log.segment.ms：Kafka在commit一个未写满的segment前，所等待的时间（默认为7

天）

        LogSegment 文件由两部分组成，分别为“.index”文件和“.log”文件，分别表示为 Segment 索引文

件和数据文件。

partition全局的第一个segment从0开始，后续每个segment文件名为上一个segment文件最

后一条消息的offset值

数值大小为64位，20位数字字符长度，没有数字用0填充

        “.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 的物理偏移量。其中这个index分为.index（位移索引）和timeindex（时间戳索引）

    Kafka系统架构

         Broker

Kafka 集群包含一个或多个服务器，服务器节点称为broker。

         Topic

每条发布到Kafka集群的消息都有一个类别，这个类别被称为Topic。

类似于数据库的table或者ES的Index

物理上不同Topic的消息分开存储

逻辑上一个Topic的消息虽然保存于一个或多个broker上但用户只需指定消息的Topic即可生产或消费数据而不必关心数据存何处）

         Partition

topic中的数据分割为一个或多个partition。

每个topic至少有一个partition,当生产者产生数据的时候，根据分配策略,选择分区,然后将消息追加到指定的分区的末尾（队列）

每条消息都会有一个自增的编号

标识顺序

用于标识消息的偏移量

每个Partition都有自己独立的编号

每个partition中的数据使用多个segment文件存储。

partition中的数据是有序的，不同partition间的数据丢失了数据的顺序。

如果topic有多个partition，消费数据时就不能保证数据的顺序。严格保证消息的消费顺序的场景下，需要将partition数目设为1。

         Leader

每个partition有多个副本，其中有且仅有一个作为Leader，Leader是当前负责数据的读写的partition。

        Follower

Follower跟随Leader，所有写请求都通过Leader路由，数据变更会广播给所有Follower，Follower与Leader保持数据同步。

如果Leader失效，则从Follower中选举出一个新的Leader。

当Follower挂掉、卡住或者同步太慢，leader会把这个follower从“in sync replicas”（ISR）列表中

删除，重新创建一个Follower。且只会备份数据。

        replication

数据会存放到topic的partation中，但是有可能分区会损坏

我们需要对分区的数据进行备份（备份多少取决于你对数据的重视程度）

我们将分区的分为Leader(1)和Follower(N)

Leader负责写入和读取数据

Follower只负责备份

保证了数据的一致性

备份数设置为N，表示主+备=N(参考HDFS)

        producer

生产者即数据的发布者，该角色将消息发布到Kafka的topic中。

broker接收到生产者发送的消息后，broker将该消息追加到当前用于追加数据的segment文件中。

生产者发送的消息，存储到一个partition中，生产者也可以指定数据存储的partition。

        consumer

消费者可以从broker中读取数据。消费者可以消费多个topic中的数据。

kafka 提供了两套 consumer API：

high-level consumer API 提供了一个从 kafka 消费数据的高层抽象，而 SimpleConsumer API 则

需要开发人员更多地关注细节。

        Consumer Group

每个Consumer属于一个特定的Consumer Group（可为每个Consumer指定group name，若不

指定group name则属于默认的group）。

将多个消费者集中到一起去处理某一个Topic的数据，可以更快的提高数据的消费能力

整个消费者组共享一组偏移量(防止数据被重复读取)，因为一个Topic有多个分区

        offset偏移量

可以唯一的标识一条消息

偏移量决定读取数据的位置，不会有线程安全的问题，消费者通过偏移量来决定下次读取的消息

消息被消费之后，并不被马上删除，这样多个业务就可以重复使用kafka的消息

我们某一个业务也可以通过修改偏移量达到重新读取消息的目的,偏移量由用户控制

消息最终还是会被删除的，默认生命周期为1周（7*24小时）

        Zookeeper

kafka 通过 zookeeper 来存储集群的 meta 信息。且帮助leader进行选举