Kafka

Kafka 知识点

（1）Kafka 概念

Kafka 是一种高吞吐量、分布式、基于发布/订阅的消息系统，最初由 LinkedIn 公司开发，使用 Scala语言编写，目前是Apache的开源项目。
1. broker：Kafka服务器，负责消息存储和转发。
2. topic：消息类别，Kafka按照topic来分类消息。
3. partition：topic 的分区，一个 topic 可以包含多个 partition，topic 消息保存在各个 partition上。
4. offset：消息在日志中的位置，可以理解是消息在 partition 上的偏移量，也是代表该消息的 唯一序号。
5. Producer：消息生产者。
6. Consumer：消息消费者。
7. Consumer Group：消费者分组，每个Consumer必须属于一个group。
8. Zookeeper：保存着集群broker、topic、partition等meta数据；另外，还负责broker 故 障发现，partition leader选举，负载均衡等功能。

如图所示：

（2）Kafka 数据存储设计

1. partition的数据文件（offset，MessageSize，data）
partition中的每条Message包含了以下三个属性：offset，MessageSize，data，其中offset表 示 Message 在这个 partition 中的偏移量，offset 不是该 Message 在 partition 数据文件中的实际存储位置，而是逻辑上一个值，它唯一确定了partition中的一条Message，可以认为offset是 partition 中 Message 的 id；MessageSize 表示消息内容 data 的大小；data 为 Message 的具 体内容。

2. 数据文件分段segment（顺序读写、分段命令、二分查找）
partition物理上由多个segment文件组成，每个segment大小相等，顺序读写。每个segment 数据文件以该段中最小的offset命名，文件扩展名为.log。这样在查找指定offset的Message的 时候，用二分查找就可以定位到该Message在哪个segment数据文件中。

3. 数据文件索引（分段索引、稀疏存储）
Kafka 为每个分段后的数据文件建立了索引文件，文件名与数据文件的名字是一样的，只是文件扩 展名为.index。index 文件中并没有为数据文件中的每条 Message 建立索引，而是采用了稀疏存 储的方式，每隔一定字节的数据建立一条索引。这样避免了索引文件占用过多的空间，从而可以 将索引文件保留在内存中。

（3）生产者设计

1. 负载均衡（partition会均衡分布到不同broker上）
由于消息 topic 由多个 partition 组成，且 partition 会均衡分布到不同 broker 上，因此，为了有效利用broker集群的性能，提高消息的吞吐量，producer可以通过随机或者hash等方式，将消 息平均发送到多个partition上，以实现负载均衡。

2. 批量发送
是提高消息吞吐量重要的方式，Producer 端可以在内存中合并多条消息后，以一次请求的方式发 送了批量的消息给 broker，从而大大减少 broker 存储消息的 IO操作次数。但也一定程度上影响 了消息的实时性，相当于以时延代价，换取更好的吞吐量。

3. 压缩（GZIP或Snappy）
Producer端可以通过GZIP或Snappy格式对消息集合进行压缩。Producer端进行压缩之后，在 Consumer 端需进行解压。压缩的好处就是减少传输的数据量，减轻对网络传输的压力，在对大 数据处理上，瓶颈往往体现在网络上而不是CPU（压缩和解压会耗掉部分CPU资源）。

（4）消费者设计

Consumer Group
同一 Consumer Group 中的多个 Consumer 实例，不同时消费同一个 partition，等效于队列模 式。partition内消息是有序的，Consumer通过pull方式消费消息。Kafka不删除已消费的消息对于partition，顺序读写磁盘数据，以时间复杂度O(1)方式提供消息持久化能力。