Kafka

12.1.1. 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

12.1.2. Kafka 数据存储设计

12.1.2.1. 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。

12.1.2.2. 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。

12.1.2.3. 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。

12.1.3. 生产者设计

12.1.3.1. 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。

12.1.3.2. 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。

12.1.3.3. 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）。

12.1.1.1. 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。