Kafka学习-----Kafka生产者：分区策略和可靠性保障

一.Kafka分区策略

1.分区原因

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。

2.分区的原则

需要将 producer 发送的数据封装成一个 ProducerRecord 对象

1. 指明 partition 的情况下，直接将指明的值直接作为 partiton 值;

 /**
     * Creates a record to be sent to a specified topic and partition
     *
     * @param topic The topic the record will be appended to
     * @param partition The partition to which the record should be sent
     * @param key The key that will be included in the record
     * @param value The record contents
     */
    public ProducerRecord(String topic, Integer partition, K key, V value) {
        this(topic, partition, null, key, value);
    }

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;

 /**
     * Create a record to be sent to Kafka
     * 
     * @param topic The topic the record will be appended to
     * @param key The key that will be included in the record
     * @param value The record contents
     */
    public ProducerRecord(String topic, K key, V value) {
        this(topic, null, null, key, value);
    }

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。

/**
     * Create a record with no key
     * 
     * @param topic The topic this record should be sent to
     * @param value The record contents
     */
    public ProducerRecord(String topic, V value) {
        this(topic, null, null, null, value);
    }

二.Kafka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。

1.副本同步策略？

针对一个分区Partition而言，其中有Follower节点和Leader节点，Producer生产者都是和Leader进行交互的，Leader是和Follower进行交互的。那么有两种同步发送ack报文的策略：

• 半数以上的follower同步完成，leader向Producer发送ack
• 全部follower同步完成，leader向Producer发送ack

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.ISR----防止LEADER挂掉

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。

• 上面描述的是ISR这个集合是什么，以及如何选举Leader的问题，但是，决定是否把follower踢出ISR集合，为什么由时间这个参数决定呢？为什么不根据节点的数据量多少决定？？

前置知识：用于提高效率，将消息分批次写入kafka，批次也就是一组消息，但这些消息属于同一主题和分区。

原因：如果消息以批次的形式发给Leader，那么会使所有的follower因为消息跟不上Leader的数量而被踢出ISR，ISR是存在ZK中的，这样涉及频繁增加删除ISR中的元素，频繁操作ZK。

Unclean领导者选举（Unclean Leader Election）

既然ISR是可以动态调整的，那么自然就可以出现这样的情形：ISR为空。因为Leader副本天然就在ISR中，如果ISR为空了，就说明Leader副本也“挂掉”了，Kafka需要重新选举一个新的Leader。可是ISR是空，此时该怎么选举新Leader呢？

Kafka把所有不在ISR中的存活副本都称为非同步副本。通常来说，非同步副本落后Leader太多，因此，如果选择这些副本作为新Leader，就可能出现数据的丢失。毕竟，这些副本中保存的消息远远落后于老Leader中的消息。在Kafka中，选举这种副本的过程称为Unclean领导者选举。Broker端参数unclean.leader.election.enable控制是否允许Unclean领导者选举。

开启Unclean领导者选举可能会造成数据丢失，但好处是，它使得分区Leader副本一直存在，不至于停止对外提供服务，因此提升了高可用性。反之，禁止Unclean领导者选举的好处在于维护了数据的一致性，避免了消息丢失，但牺牲了高可用性。

如果你听说过CAP理论的话，你一定知道，一个分布式系统通常只能同时满足一致性（Consistency）、可用性（Availability）、分区容错性（Partition tolerance）中的两个。显然，在这个问题上，Kafka赋予你选择C或A的权利。

你可以根据你的实际业务场景决定是否开启Unclean领导者选举。不过，我强烈建议你不要开启它，毕竟我们还可以通过其他的方式来提升高可用性。如果为了这点儿高可用性的改善，牺牲了数据一致性，那就非常不值当了。

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:
• 配置为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; ---->这样生产者只发一次，避免了数据的重复
• 配置为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;

• 配置为-1: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。

producer和server之间不会丢数据，但是有可能会重复数据

这个就是说，一个Leader两个Follower，生产者和Leader发送消息，Follower同步完成，这时候需要Leader发送ACK给生产者，此时Leader挂掉。然后会选举新的Leader重发消息，造成消息重复。

4.故障处理，LEO，HW是什么

LEO：(Log And Offset)指的是每个副本最大的 offset，也就是末尾的offset

HW：(High watermark)高水位。指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。

• 类似于木板效应，但是这是Kafka的设计者规定的，为了保证消费数据的一致性