day05kafka

一. 回顾

1. 对于topic的管理：kafka-topic.sh
2. 生产数据负载均衡：先判断是否指定分区，判断自定义分区器，在判断是否指定了key （指定类似hash，没有的话黏性分区）
3. kafka生产数据时不丢失：应答机制和重试机制：acks应答机制（0生产者发送数据到对应的分区，不用返回ack，直接发送下一条；1.生产者写入数据到对应的分区leader副本中，kafka返回ack，生产者收到ack再发送下一条；all：生产者写入数据到对应的分区的leader副本中，等待所有可用副本同步成功，再返回ack）retries重试机制：如果生产者没有收到ack，就会重新发送这条数据。
4. kafka消费者消费数据的规则：以消费者组第一次消费和第一次以后开始，（消费者组之前在kafka中不存在：没有任何一个消费者之前运行过：第一次费；auto.offset.reset=latest |earliest;消费者已经存在于kafka中根据offset进行消费）
5. kafka保障消费数据不丢失及不重复：只要让消费者组中的消费者严格的按照offset消费每个分区；kafka让所有的消费者自动或手动将commit offset提交到一个topic中（__ consumer_offsets）;或自己管理offset，存储在外部系统
6. 消费者负载均衡策略：一个分区只能被一个消费者消费，一个消费者可以消费多个分区；分配策略：范围分配：每个消费者消费一定范围的分区，尽量均分，如果不能均分，优先分配给编号小的消费者；轮询分配：将所有topic和分区进行排序，轮询分配给每个消费者（不适用于每个消费者订阅的topic不一样的场景）；黏性分配：分配更加均衡，在消费者故障负载均衡，尽量保持原先得分配不动。

二. kafka的存储过程（读写速度很快的原因）

1. 生产者每一条数据，将数据放入到一个本地缓存中，等待批次构建，如果batch满了或者达到一定的时间，提交写入请求（批量提交，不是每生产一条就写入一条）
2. 生产者根据分区规则构建数据分区，获取对应的元数据，将请求提交给leader副本所在的broker（生产者怎么知道leader在哪台机器：生产者请求kafka服务端9092，kafka的服务端返回元数据存储的地址（zk地址）。生产者根据zk地址到zk中获取这个分区的元数据，找到这个分区的leader副本所在的broker）；
3. zk中的元数据：
   分区的元数据：
   
4. 先写入这台broker的pageCache（操作系统）中，kafka也用了内存机制来实现数据的快速读写 （kafka使用日志方式记录数据，并不是直接写入磁盘；所有磁盘文件在生成时操作系统的内存中都必须建立对应的映射；操作系统级别的内存：pagecache页缓存）
5. 操作系统的后台的自动将页缓存中的数据sync同步到磁盘文件中，最新的segment.log中（空间：dirty page所占内存达到10%；时间:数据在page cachezhong 达到配置时间默认30s）
6. 其他的follower到leader中同步数据
7. segment：加快查询效率（通过将分区的数据根据offset划分成多个比较小的segment文件，在检索数据时可以根据offset快速定位数据所在的segment；加载单个segment文件查询数据，可以提高查询效率）；减少删除数据IO（删除数据时kafka可以以segment为单位删除某个segment的数据，避免一条一条删除，增加IO负载，性能较差）；.log:存储真实数据。.index/.timeindex:存储对应的文件索引。segment划分规则：按时间周期生成log.roll.hours=168 七天重新生成一个新的segment，按照文件大小生成log.segment.bytes=1073741824。 segment命名规则：以当前文件存储的最小的offset来命名
8. kafka读取过程：消费者根据topic、partition、offset提交给kafka请求读取数据；kafka根据元数据信息，找到对应的这个分区对应的leader副本节点；请求leader副本所在的broker，先读pagecache，通过零拷贝机制读取pagecache（实现0磁盘读写，直接将内存数据发送到网络端口，实现传输）；如果pagecache中没有，读取segement文件端，先根据offset找到要读取的segment；将.log文件对应的.index文件加载带内存中，根据.index中索引的信息找到offset在.log文件中的最近的位置（index中记录的是稀疏索引：不是每一条数据都有索引）；读取.log根据索引读取对应的offset数据。
9. index索引设计：全量索引（全部有索引）和稀疏索引（部分数据有索引）减少了索引存储的数据量加快索引的索引检索效率。log.index.interval.bytes=4096
   两列：第一列：这个文件中的第几条；第二列：这个文件中的第几个字节开始
   如果直接使用offset作为索引第一列导致索引过大
10. 数据清理及压缩：log.cleaner.enable=true(开启清理) log.cleanup.policy=delete | compact
    10.1delete:基于存活时间规则：最常用的方式:log.retention.ms/minutes/hours=168/7day
    10.2基于文件大小规则：删除文件阈值如果整个数据文件大小，超过阈值的一个segment大小，将会删除最老的segment，-1表示不适用这种规则：log.retention.bytes=-1
    10.3基于offset消费规则：将明确已经消费的offset的数据删除。
    判断已经消费到什么位置：编写一个文件offset.json
    10.4压缩规则（合并）log.cleanup.policy=compact
    将重复的更新数据的老版本删除，保留新版本，要求每条数据必须要有key，根据key来判断是否重复
    

三.副本机制（AR，ISR，OSR）

1. 分区数据的安全性：每个kafka中分区都可以构建多个副本，相同分区的副本存储在不同节点上（leader对外提供读写数据，follower与leader同步数据，如果leader故障，选举一个新的leader，选举通过kafka的主节点controller实现）
2. AR：all Replicas所有副本，指的是一个分区在所有节点上的副本
3. ISR：IN-Sync-Replicas可用副本所有正在与leader同步的follower副本（列表中按照优先级排列controller根据副本同步状态及broker健康状态）越靠前越会成为leader，如果leader故障会从ISR列表中选取新的leader；如果生产者写入数据 ：ack=all，写入所有ISR列表中的副本就返回ack
4. OSR：Out-Sync-Replicas不可用副本与leader副本的同步差距大；网络故障等外部环境因素；判断OSR副本：
   
5. LW：low_watermark：最低消费的offset
6. HW：high_watermark:最高消费的offset，当前分区的最小的leo
7. LEO：log end offset：当前分区最新的offset位置+1，即将写入的下一个offset的位置
8. LSO：log start offset：当前分区最老的offset位置，正常为0
   
9. kafka分区副本leader选举
   

四.kafka的数据安全

1. 消息队列的一次性语义：
   1.1 at-most-once：至多一次，数据丢失
   1.2 at-least-once: 至少一次，数据重复
   1.3 exactly-once：有且仅有一次，只消费处理成功一次所有消息队列的目标
2. 保障生产数据不丢失：ack+重试
3. 如果ISR只有一个副本，写入成功
   
4. 生产部重复：ack没有返回，导致重复写入
   幂等性机制：f(x)=f(f(x))在每条数据中增加一个数据id，下一条数据会比上一条数据id多1，kafka会根据id进行判断
   
5. 消费数据不重复丢失
6. kafka可视化工具安装：
   修改配置文件：
   
   
   修改配置文件：

export  KAFKA_HOME=/export/server/kafka_2.12-2.4.1
export PATH=:$KAFKA_HOME/bin:$PATH

添加权限：chmod u+x ke.sh
启动：ke.sh start
界面：node3:8048/ke
用户名密码：admin/123456

数据积压：消费跟不上生产速度，导致处理延迟（消费者组的并发能力不够，消费者处理失败，网络故障；解决：提高消费者组中消费者并行度，找到网络故障，分析处理失败的原因）

7. 限流：
   

五.常见面试题

1. 为什么kafka读写速度很快：写：先写内存，同步磁盘：顺序写机制（速度可以和内存媲美）；
   读：先读内存，读内存使用零拷贝机制；基于索引的顺序检索。
2. 什么是cap理论，kafka满足那两个
   答：c：一致性，任何一台机器写入数据，其他节点也可以读取到
   a:可用性，如果一个节点故障，其他节点可以正常提供数据服务
   p：分区容错性，如果某个分区故障，这个分区的数据照样可用
   kafka满足ca