1、kafka产生背景
- kafka是分布式发布-订阅消息系统,它最初由 LinkedIn 公司开发,使用 Scala语言编写,之后成为 Apache 项目的一部分。Kafka 是一个分布式的,可划分的,多订阅者,冗余备份的持久性的日志服务,主要用于处理活跃的流式数据,譬如:根据pageview分析用户行为;对用户的搜索关键字进行统计,分析出当前的流行趋势;
- 在大数据系统中,常常会碰到一个问题,整个大数据是由各个子系统组成,数据需要在各个子系统中高性能,低延迟的不停流转。传统的企业消息系统并 不是非常适合大规模的数据处理。为了已在同时搞定在线应用(消息)和离线应用(数据文件,日志)Kafka 就出现了。
- Kafka 可以起到两个作用:
- 降低系统组网复杂度
- 降低编程复杂度,各个子系统不在是相互协商接口,各个子系统类似插口插在插座上,Kafka 承担高速数据总线的作用。
2、kafka简介
- kafka最基本的架构是生产者发布一个消息到Kafka的一个主题(topic),这个主题即是由扮演KafkaServer角色的broker提供,消费者订阅这个主题,然后从中获取消息。
3、Kafka是如何解决查找效率的的问题呢?
- 数据文件的分段: 、
- Kafka解决查询效率的手段之一是将数据文件分段(segment);
- 为数据文件建索引:
- 为每个分段后的文件建立索引文件,文件名和数据文件名相同,只不过索引文件扩展名是以.index结尾
- 索引文件中包含若干个条目,每个条目表示数据文件中一条message的索引
- 索引文件包含两部分,分别为相对offset和position
- 索引策略
- 稀疏存储,每隔一定字节的数据建立一条索引。
4、kafka特点
- 同时为发布和订阅提供高吞吐量。据了解,Kafka 每秒可以生产约 25 万消息(50 MB),每秒处理 55 万消息(110 MB)。
- 可进行持久化操作。将消息持久化到磁盘,因此可用于批量消费,例如 ETL,以及实时应用程序。通过将数据持久化到硬盘以及 replication 防止数据丢失。
- 分布式系统,易于向外扩展。所有的 producer、broker 和 consumer 都会有多个,均为分布式的。无需停机即可扩展机器。
- 消息被处理的状态是在 consumer 端维护,而不是由 server 端维护。当失败时能自动平衡。
- 支持 online 和 offline 的场景。
5、消息队列分类
- 点对点:
- 消息生产者生产消息发送到queue中,然后消息消费者从queue中取出并且消费消息。
- 注意:
- 消息被消费以后,queue中不再有存储,所以消息消费者不可能消费到已经被消费的消息。
- Queue支持存在多个消费者,但是对一个消息而言,只会有一个消费者可以消费。
- 发布/订阅:
- 消息生产者(发布)将消息发布到topic中,同时有多个消息消费者(订阅)消费该消息。和点对点方式不同,发布到topic的消息会被所有订阅者消费。
6、消息队列MQ对比
- RabbitMQ:
- 支持的协议多,非常重量级消息队列,对路由(Routing),负载均衡(Load balance)或者数据持久化都有很好的支持。
- ZeroMQ:
- 号称最快的消息队列系统,尤其针对大吞吐量的需求场景,擅长的高级/复杂的队列,但是技术也复杂,并且只提供非持久性的队列。
- ActiveMQ:
- Apache下的一个子项,类似ZeroMQ,能够以代理人和点对点的技术实现队列。
- Redis:
- 是一个key-Value的NOSql数据库,但也支持MQ功能,数据量较小,性能优于RabbitMQ,数据超过10K就慢的无法忍受
7、Kafka部署架构
8、kafka基本概念
- Topic:
- 特指 Kafka 处理的消息源(feeds of messages)的不同分类。
- 一个Topic可以认为是一类消息,每个topic将被分成多partition(区),每个partition在存储层面是append log文件。任何发布到此partition的消息都会被直接追加到log文件的尾部,每条消息在文件中的位置称为offset(偏移量),partition是以文件的形式存储在文件系统中。
- Logs文件根据broker中的配置要求,保留一定时间后删除来释放磁盘空间。
- Partition:
- Topic 物理上的分组,一个 topic 可以分为多个 partition,每个 partition 是一个有序的队列。partition 中的每条消息都会被分配一个有序的 id(offset)。
- 设计目的:
- kafka基于文件存储.通过分区,可以将日志内容分散到多个server上,来避免文件尺寸达到单机磁盘的上限,每个partiton都会被当前server(kafka实例)保存;
- 可以将一个topic切分多任意多个partitions,来消息保存/消费的效率.
- 越多的partitions意味着可以容纳更多的consumer,有效提升并发消费的能力.
- offset
- 每条消息在文件中的位置称为offset(偏移量)
- Partition中的每条Message由offset来表示它在这个partition中的偏移量,这个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。因此,可以认为offset是partition中Message的id。
- Message:
- 消息,是通信的基本单位,每个 producer 可以向一个 topic(主题)发布一些消息。
- Kafka中的Message是以topic为基本单位组织的,不同的topic之间是相互独立的。每个topic又可以分成几个不同的partition(每个topic有几个partition是在创建topic时指定的),每个partition存储一部分Message。
- Producers:
- 消息和数据生产者,向 Kafka 的一个 topic 发布消息的过程叫做 producers。
- Producer将消息发布到指定的Topic中,同时Producer也能决定将此消息归属于哪个partition;
- Consumers:
- 消息和数据消费者,订阅 topics 并处理其发布的消息的过程叫做 consumers。
- 本质上kafka只支持Topic.每个consumer属于一个consumer group;反过来说,每个group中可以有多个consumer.发送到Topic的消息,只会被订阅此Topic的每个group中的一个consumer消费.
- 在 kafka中,我们 可以认为一个group是一个”订阅”者,一个Topic中的每个partions,只会被一个”订阅者”中的一个consumer消费
- 怎样记录每个consumer处理的信息的状态?
- 在Kafka中仅保存了每个consumer已经处理数据的offset
- consumer处理数据时,只需从最近的offset开始处理数据即可。
- Consumers Group
- 允许consumer group对一个topic进行消费,不同的consumer group之间独立订阅。
- 为了对减小一个consumer group中不同consumer之间的分布式协调开销,指定partition为最小的并行消费单位,即一个group内的consumer只能消费不同的partition。
- Broker:
- 缓存代理,Kafa 集群中的一台或多台服务器统称为 broker。
- 为了减少磁盘写入的次数,broker会将消息暂时buffer起来,当消息的个数(或尺寸)达到一定阀值时,再flush到磁盘,这样减少了磁盘IO调用的次数.
- 消息和数据消费者,订阅 topics 并处理其发布的消息的过程叫做 consumers。
9、Kafka的broker无状态机制
- Broker没有副本机制,一旦broker宕机,该broker的消息将都不可用。
- Broker不保存订阅者的状态,由订阅者自己保存。
- 无状态导致消息的删除成为难题(可能删除的消息正在被订阅),kafka采用基于时间的SLA(服务水平保证),消息保存一定时间(通常为7天)后会被删除。
- 消息订阅者可以rewind back到任意位置重新进行消费,当订阅者故障时,可以选择最小的offset进行重新读取消费消息。
10、kafka的分布式实现
- 一个Topic的多个partitions,被分布在kafka集群中的多个server上;每个server(kafka实例)负责partitions中消息的读写操作;
- 此外kafka还可以配置partitions需要备份的个数(replicas),每个partition将会被备份到多台机器上,以提高可用性;
- 基于replicated方案,那么就意味着需要对多个备份进行调度;
- 每个partition都有一个server为”leader”;leader负责所有的读写操作,如果leader失效,那么将会有其他follower来接管(成为新的leader);
- follower只是单调的和leader跟进,同步消息即可..由此可见作为leader的server承载了全部的请求压力,因此从集群的整体考虑,有多少个partitions就意味着有多少个”leader”;
- kafka会将”leader”均衡的分散在每个实例上,来确保整体的性能稳定.
11、Kafka的储存策略
- kafka以topic来进行消息管理,每个topic包含多个partition,每个partition对应一个逻辑log,有多个segment组成。
- 每个segment中存储多条消息(见下图),消息id由其逻辑位置决定,即从消息id可直接定位到消息的存储位置,避免id到位置的额外映射。
- broker 收到发布消息往对应 partition 的最后一个 segment 上添加该消息。
- 每个part在内存中对应一个index,记录每个segment中的第一条消息偏移。
- 发布者发到某个topic的 消息会被均匀的分布到多个part上(随机或根据用户指定的回调函数进行分布),broker收到发布消息往对应part的最后一个segment上添加 该消息,当某个segment上的消息条数达到配置值或消息发布时间超过阈值时,segment上的消息会被flush到磁盘,只有flush到磁盘上的 消息订阅者才能订阅到,segment达到一定的大小后将不会再往该segment写数据,broker会创建新的segment。
12、Kafka数据持久化
- 日志数据持久化特性:
- 写操作:通过将数据追加到文件中实现
- 读操作:读的时候从文件中读就好了
- 读操作不会阻塞写操作和其他操作,数据大小不对性能产生影响; 没有容量限制(相对于内存来说)的硬盘空间建立消息系统; 线性访问磁盘,速度快,可以保存任意一段时间!
12、Kafka的消息发送的流程
- 由于 kafka broker 会持久化数据,broker 没有内存压力,因此,consumer 非常适合采取 pull 的方式消费数据
- Producer 向Kafka(push)推数据, consumer 从kafka 拉(pull)数据。
- 消息处理的优势:
- consumer 根据消费能力自主控制消息拉取速度 ,consumer 根据自身情况自主选择消费模式,例如批量,重复消费,从尾端开始消费等
- kafka 集群接收到 Producer 发过来的消息后,将其持久化到硬盘,并保留消息指定时长(可配置),而不关注消息是否被消费。
13、Kafka 可扩展性
- 当需要增加 broker 结点时,新增的 broker 会向 zookeeper 注册,而 producer 及 consumer 会根据注册在 zookeeper 上的 watcher 感知这些变化,并及时作出调整,这样就保证了添加或去除broker时,各broker间仍能自动实现负载均衡。
14、Kafka的Zookeeper协调控制
- 管理broker与consumer的动态加入与离开。
- 触发负载均衡,当broker或consumer加入或离开时会触发负载均衡算法,使得一个consumer group内的多个consumer的订阅负载平衡。
- 维护消费关系及每个partion的消费信息。
- Zookeeper上的细节:
- 每个broker启动后会在zookeeper上注册一个临时的broker registry,包含broker的ip地址和端口号,所存储的topics和partitions信息。
- 每个consumer启动后会在zookeeper上注册一个临时的consumer registry:包含consumer所属的consumer group以及订阅的topics。
- 每个consumer group关 联一个临时的owner registry和一个持久的offset registry。对于被订阅的每个partition包含一个owner registry,内容为订阅这个partition的consumer id;同时包含一个offset registry,内容为上一次订阅的offset。
15、Kafka客户端操作
- 创建生产者 producer
- bin/kafka-console-producer.sh –broker-list localhost:9092 –topic test
- 创建消费者 consumer
- bin/kafka-console-consumer.sh –zookeeper localhost:2181 –topic test –from-beginning
- 参数使用帮组信息查看:
- 生产者参数查看:bin/kafka-console-producer.sh
- 消费者参数查看:bin/kafka-console-consumer.sh
- 出处:http://huiyunl.com/?p=29