1.分区策略
1.1
分区的原因
(1)
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,而一个topic又可以有多个Partition组成,因此整个集群就可以适应任意大小的数据了;
(2)
可以提高并发,因为可以以Partition为单位读写了。
1.2
分区的原则
我们需要将producer发送的数据封装成一个
ProducerRecord对象。
![](https://i-blog.csdnimg.cn/blog_migrate/235871916eef89fb8b317dfa1821c54e.png)
(1)指明 partition 的情况下,直接将指明的值直接作为 partiton 值;
(2)没有指明 partition 值但有 key 的情况下,将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值;
(3)既没有 partition 值又没有 key 值的情况下,第一次调用时随机生成一个整数(后面每次调用在这个整数上自增),将这个值与 topic 可用的 partition 总数取余得到 partition 值,也就是常说的 round-robin 算法。
2.数据可靠性保证
为保证
producer
发送的数据,能可靠的发送到指定的
topic
,
topic
的每个
partition
收到
producer
发送的数据后,都需要向
producer
发送
ack
(
acknowledgement
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。
![](https://i-blog.csdnimg.cn/blog_migrate/93acab087f509777508937192d36f3bd.png)
2.1
副本数据同步策略
方案
|
优点
|
缺点
|
半数以上完成同步,就发送
ack
|
延迟低
|
选举新的leader时,容忍n台节点的故障,需要2n+1个副本
|
全部完成同步,才发送
ack
|
选举新的leader时,容忍n台节点的故障,需要n+1个副本
|
延迟高
|
Kafka选择了第二种方案,原因如下:
1.同样为了容忍n台节点的故障,第一种方案需要2n+1个副本,而第二种方案只需要n+1个副本,而Kafka的每个分区都有大量的数据,第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比较高,但网络延迟对Kafka的影响较小。
2.2 ISR
采用第二种方案之后,设想以下情景:leader收到数据,所有follower都开始同步数据,但有一个follower,因为某种故障,迟迟不能与leader进行同步,那leader就要一直等下去,直到它完成同步,才能发送ack。这个问题怎么解决呢?
Leader
维护了一个动态的
in-sync replica set (ISR)
,意为和
leader
保持同步的
follower
集合。当
ISR
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
,该时间阈值由
replica.lag.time.max.ms
参数设定。
Leader
发生故障之后,就会从
ISR
中选举新的
leader
。
2.3 ack
应答机制
对于某些不太重要的数据,对数据的可靠性要求不是很高,能够容忍数据的少量丢失,所以没必要等ISR中的follower全部接收成功。
所以Kafka为用户提供了三种可靠性级别,用户根据对可靠性和延迟的要求进行权衡,选择以下的配置。
acks
参数配置:
acks:
0:producer不等待broker的ack,这一操作提供了一个最低的延迟,broker一接收到还没有写入磁盘就已经返回,当broker故障时有可能
丢失数据;
1:producer等待broker的ack,partition的leader落盘成功后返回ack,如果在follower同步成功之前leader故障,那么将会
丢失数据;
-1(all):producer等待broker的ack,partition的leader和follower全部落盘成功后才返回ack。但是如果在follower同步完成后,broker发送ack之前,leader发生故障,那么会造成
数据重复。
2.4
故障处理细节
![](https://i-blog.csdnimg.cn/blog_migrate/afa5d685acaa314e601c46c0b9de18ed.png)
LEO
:指的是每个副本最大的
offset
;
HW
:指的是消费者能见到的最大的
offset
,
ISR
队列中最小的
LEO
。
(
1
)
follower
故障
follower发生故障后会被临时踢出ISR,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。等该
follower
的
LEO
大于等于该
Partition
的
HW,即follower追上leader之后,就可以重新加入ISR了。
(
2
)
leader
故障
leader发生故障之后,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。
3.Exactly Once语义
将服务器的ACK级别设置为-1,可以保证Producer到Server之间不会丢失数据,即
At Least Once
语义。相对的,将服务器ACK级别设置为0,可以保证生产者每条消息只会被发送一次,即
At Most Once
语义。
At Least Once可以保证数据不丢失,但是不能保证数据不重复;相对的,At Least Once可以保证数据不重复,但是不能保证数据不丢失。
但是,对于一些非常重要的信息,比如说交易数据,下游数据消费者要求数据既不重复也不丢失,即
Exactly Once
语义。在0.11版本以前的Kafka,对此是无能为力的,只能保证数据不丢失,再在下游消费者对数据做全局去重。对于多个下游应用的情况,每个都需要单独做全局去重,这就对性能造成了很大影响。
0.11版本的Kafka,引入了一项重大特性:幂等性。所谓的幂等性就是指Producer不论向Server发送多少次重复数据,Server端都只会持久化一条。幂等性结合At Least Once语义,就构成了Kafka的Exactly Once语义。即:
At Least Once +
幂等性 = Exactly Once
要启用幂等性,只需要将Producer的参数中enable.idompotence设置为true即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的Producer在初始化的时候会被分配一个PID,发往同一Partition的消息会附带Sequence Number。而Broker端会对<PID, Partition, SeqNumber>做缓存,当具有相同主键的消息提交时,Broker只会持久化一条。
但是PID重启就会变化,同时不同的Partition也具有不同主键,所以幂等性无法保证跨分区跨会话的Exactly Once。