zookeeper学习之Kafka基础理念（五）-CSDN博客

官网：http://kafka.apache.org/

Kafka是一种高吞吐量的分布式发布订阅消息系统，使用scala编写。

源自LinkedIn
kafka是用于构建实时数据管道和流应用程序
消息发布&订阅
高效并实时处理
数据安全的在分布式中进行副本存储
具有横向扩展，容错，快速等优点，并已在成千上万家公司运行
是消息中间件的一种

Topic和log

让我们首先深入理解kafka提出一个高层次的抽象概念-Topic

可以理解topic是一个类别的名称，所有的message发送到topic下面。

partition是一个有序的message序列，这些message按顺序添加到一个叫做 commit log的文件中。每个parttion中的消息都有一个唯一的编号，称之为offset，用来唯一标识某个分区的message

提示：每个partition，都对应一个commit-log。一个partition中的message的offset都是唯一的，但是不同的partition中的message的offset可能是相同的。

kafka集群，在配置的时间范围内，维护所有的producer生成的消息，而不管这些消息有没有被消费。例如日志保留（log retention）时间被设置为2天。kafka会维护最近两天生产的所有消息，而2天前的消息会被丢弃，kafka的性能与保留的数据量的大小没有关系，因此保存大量的数据（日志信息）不会有什么影响。每个consumer是基于自己在commit log中的消费进度（offset）来进行工作的，在kafka中，offset由consumer来维护：一般情况下我们按照顺序逐条消费commit log中的消息，当然我可以通过指定offset来重复消费某些消息，或者跳过某些消息。

这意味着kafka中的consumer对集群的影响是非常小的，添加一个或者减少一个consumer，对于集群或者其他consumer来说，都是没有影响的，因此每个consumer维护各自的offset。

对log进行分区（partition）有以下目的：

首先当log文件大小超过系统文件系统的限制时，可以自动拆分。
每个partition对应的log都会受到所在机器的文件系统大小的限制，但是一个topic中是可以有很多分区的
因此可以处理任意数量的数据。
另一方面，是为了提高并行度

kafka特点：

他有一个offset（偏移量），这个就可以根据偏移量指定消息消费。
而且他的partition中的消息，被消费之后不会立即被丢弃，而是可以设置 log retention 日志保留天数，你设置多少天他就多少天丢弃。
他的消息是无状态的，也就是说一个consumer消费到第8个消息时挂掉了，这时候再来一个consumer 你如果不指定偏移量的话，他会从最开始的地方开始，也就是从头消费，无状态耦合度会降低性能也会提高

Distribution

log的partition分布在kafka集群中不同的broker上，每个broker可以请求备份其他broker上partition上的数据。kafka集群支持配置一个partition备份的数量。

针对每个partition，都有一个broker起到“leader”的作用，0个多个其他的broker作为“followers”的作用。leader处理所有的针对partition的读写请求，而follower被动复制leader的结果。如果这个leader失效了，其中的一个follower将会自动的变成新的leader。每个broker都是自己所管理的partition的leader，同时又是其他broker所管理partitions的followers，kafka通过这种方式来达到负载均衡。

Producers

生产者将消息发送到topic中去，同时负责选择将message发送到topic的哪一个partition中。通过rounf-robin做简单的负载均衡。也可以根据消息中的某一个关键字来进行区分。通常第二种方式使用的更多。

Consumers

传统的消息传递模式有两种：队列（queuing）和（publish-subscribe：发布订阅）。

在queuing模式中，多个consumer从服务器中读取数据，消息只会到达一个consumer。在publish-subscribe模型中，消息会被广播给所有的consumer。kafka基于这2两种模式提供了一种consumer的抽象概念：consumer group。

每个consumer都要标记自己属于哪一个consumer group。发布到topic中的message中 message会被传递到consumer group中的consumer实例。consumer实例可以运行在不同的进程上，也可以在不同的物理机器上。

如果所有的consumer都有着自己唯一的consumer group，这就类似于传统的publish-subscribe并在众多的consumer instance之间进行负载均衡。

如果所有的consumer都有着自己唯一的consumer group，这就类似于传统的publish-subscribe模型。更一般的情况是，通常一个topic会有几个consumer group，每一个consumer group都是一个逻辑上的订阅者（logical subscriber）。每个consumer group由多个consumer instance组成，从而达到可扩展和容灾的功能。这并没有什么特殊的地方，仅仅是将publish-subscribe模型中的运行在单个线程上的 consumers中的 consumer 替换成一个consumer group

说明：由两个broker组成的kafka集群，总共有4个partition（p0-p3）。这个集群有两个consumer group，a有两个consumer instances ，b有4个

消费顺序

kafka比传统的消息系统有着更强的顺序保证，在传统的情况下，服务器按照顺序保留消息到队列，如果有多个consumer来消费队列中的消息，服务器会接受消息的顺序向外提供消息，但是尽管服务器是按照顺序提供消息，但是消息传递到每一个consumer是异步的，这可能导致先消费的consumer获取到消息时间可能比后消费的consumer获取到消息的时间长，导致不能保证顺序性。这表明，当进行并行消费的时候，消息在多个consumer之间可能食去顺序性。消息系统通常会采取一种 “ exclusive consumer ” 的概念，来确保同一时间内只有一个consumer能够从队列中进行消费，但是这实际上意味着在消息处理的过程中是不支持并行的。

kafka在这方面做的更好。通过topic中并行度的概念，即partition，kafka可以同时提供顺序性保证和多个consumer同时消费时的负载均衡，实现的原理是通过将一个topic中的partition分配给一个consumer group中的不同consumer instance。通过这种方式，我们可以保证一个partition在同一个时刻只有一个consumer instance在消费，从而保证顺序。虽然一个topic中有多个partition，但是一个consumer group中同时也有多个consumer instance，通过合理的分配依然能够保证负载均衡。需要注意的是，一个consumer group中的consumer instance的数量不能比一个topic中的partition的数量多

kafka只在partition的范围内保证消息消费的局部顺序性，不能在同一个topic中的多个partition中保证总的消费顺序性。通常来说，这已经可以满足大部分应用的需求。但是，如果的确又在总体上保证消费的顺序的需求的话，那么我们可以通过将topic的partition数量设置为1，将consumer group中的consumer instance也设置为1。