kafka角色模型与核心概念

kafka主要有三大作用，其中消息系统和流式处理是我们最常用的

消息系统：kafka作为消息中间件，具有MQ的系统解耦、流量削峰、缓冲、异步通信等特性

存储系统：kafka与其他消息系统不同的是，它能够把消息持久化到磁盘，有效的降低了消息丢失风险， 只要把数据保留策略设置为永久，即消息永不过期，可以作为长期的数据存储系统来使用。 

流式处理：kafka支持流式处理框架（SparkStreaming、Storm、Flink等），提供了完整的流式处理类库，比如窗口、连接、变换、聚合等各类操作。

先来看一张kafka的体系结构图 

一个典型的kafka体系架构包括若干Broker、若干Producer、若干Consumer，以及一个Zookeeper集群。Zookeeper集群管理kafka集群元数据，leder的选举，消息offset的维护。Producer把消息发送到Broker，Broker负责将收到的消息存储到磁盘中，而Consumer订阅Broker并拉取消息消费。

 kafka中主要包括以下角色模型及概念

一、Producer

生产者，负责创建消息，一般是本地客户端，由研发人员手动编写代码实现消息生产，把消息投递Kafka中

二、Consumer

消息者，负责接收消息，一般是本地客户端，由研发人员手动编写代码实现，连接到kafka获取消息，进行消息费

以下是在消费时候可能要设置的一些参数

max.poll.records=500    默认每次拉取最大500条

max.poll.interval.ms=300000   默认每个5分钟拉取一次

enable.auto.commit=true    默认true自动提交位点

auto.offset.reset=latest  若当前消费的偏移量不存在，默认从新偏移量开始

参考：Apache Kafkahttps://kafka.apache.org/documentation/#consumerconfigs 

三、Consumer Group

消费者组，Kafka中存在消费者组的概念，每个消费者都属于一个对应的消费者组，可以存在多个消费者组。一个分区只能被同一个消费者组的一个消费者消费，一个消费者组内的同一个消费者可以消费多个分区。下图中有两个消费者组A和B。分区P0和P1同时由消费者组A和B的各自的消费者消费，即P0对C0和C4，P1对C1和C5。而P2和P3 分别对应C2和C3，即同一个分区只能由同一个消费者组内的一个消费者消费

四、Broker

存储消息的节点。就kafka而言，Broker可以视为一个kafka服务节点或实例。一个或多个Broker实例组成了一个kafka集群

五、Topic

主题，kafka中的消息存储以主题单位进行分类存储。生产者将消息发送到特定的主题， 消费者订阅对应的主题并进行消费消息，即每条消息都要属于某一个Topic，要落于某个Topic之上。

六、Partition

5.1、Topic与Partition关系

Partition即分区，Topic-主题只是一个逻辑上的概念，一个Topic可以分为多个Partition，一个Partition只能属于一个Topic，一个Topic下的不同Partition可以存储在多个Broker之上，但一个Partition只能存储在一个Broker之上。

5.2、Partition的内部存储

每个Partition是通过Segment分段机制存储的，消息顺序追加到一个Partition下一个log日志文件中，同时并分配一个offset，即偏移量，offset是一个分区内的唯一标识，顺序递增，因此kafka中一个Partition下的消息是有序的

5.3、Partition的副本机制

为了保证消息的可靠性，kafka为分区引入了多副本Replica机制，通过增加副本数量提高容灾能力。一个分区中的所有副本统称为AR（Assigned Replicas），每个分区中有leader与follower两种角色副本，二者之间是主从关系，一个分区只有一个leader，通常多个follower。

下图是由3个副本组成的ISR集合，每个Partition一个leader和连个follower。

（1）分区的ISR集机制

所有与leader保持同步副本组成了ISR（In-Sync-Replicas），ISR集合是AR集合的一个子集。消息读写请求先发往leader，再同步到follower，在同步期间，follower副本较之leader往往具有一定的滞后，具体滞后标准参数可配置。与leader滞后过多的follower副本组成OSR（Out-of-Sync Replicas）, 因此AR由ISR和OSR两部分组成。正常情况下，所有的follower副本都应该与leader副本保持一致，即没有滞后副本，OSR集合为空。

（2）leader对ISR的维护

leader负责维护和跟踪ISR集中所有follower副本的滞后状态，当follower滞后太多时，leader会把follower从ISR集中剔除掉，将其移入OSR集中，当滞后状态又重新追上leader时，再从OSR集中恢复到ISR集合中。当leader发生故障时，只有在ISR中集合的副本才有资格参与新leader的选举。

下图是follower副本都滞后leader，所有副本在图中中configs下的Replicas，在ISR中只剩下leader，滞后的follower副本在OSR中，不过OSR集合在Zookeeper查看时候并不展示

（3）有效消息水位-HW

HW：即High Watermark，俗称高水位，它标识了一个特定的消息偏移量（offset）,在offset之前的消息才有效读取，消费者只能拉取到这个offset之前的消息。

LSO：Log Start Offset 即消息开始的Offset。

LEO：是Log End Offset的缩写，它标识当前日志文件中下一条待写入消息的offset，即当前分区中最后一条消息的offset值加1。分区中每个副本的都会维护自身的LEO，而ISR集合中副本中最小的LEO即为分区的HW。消费者只能消费HW水位之下的消息，即HW之下的消息被认为是可靠消息。

七、Kafka概念层常见面试问题

6.1、Kafka为什么要分区

如果一个Topic对应一个文件或多个文件，那消息只能分布在一个Broker之上 ，那么这个存储消息的文件(可能有多个)所对应的Broker机器的IO将成为性能瓶颈，而分区正是为了解决大量写下的单机IO瓶颈问题。每条消息被发送到Topic之前，会根据分区规则，有选择的存储在哪个分区，使消息不只是往一个Broker上写，就降低了单个Broker的IO写频率，也充分利用了多机提高了消息写入吞吐量。

6.2、Kafka的消息模式，主动pull or 被动接收push

Kafka采用的是：主动pull，即Producer将消息推送到broker，Consumer主动从broker拉取消息进行消费

原因主要有以下两点：

首先，主要是避免push模式下，当Producer推送的速率远大于Consumer消费的速率时，Consumer承受不住压力而崩溃或消息丢失而重新推送，浪费资源

再者，Push模式下，Broker不知道下游Consumer消费能力和消费策略的情况下，不知道采用立即推送单条消息还是缓存并批量推送，因此采用哪种策略可能都不合适。而Pull模式下，Consumer可以自主决定是否批量的从broker拉取数据，根据自己的消费能力去决定数据拉取策略。

6.3、Kafka为什么高效，吞吐量大

（1）Topic分区

不同分区分布在不同Broker上，解决大量写下的单机IO瓶颈问题，利用多机进行分布式存储来提高吞吐量。

（2）文件分段

（3）顺序读写

（4）缓冲并批量发送

（5）零拷贝

6.4、kafka如何保证消息不丢失

参见：kafka如何保证数据的消息不丢失(最简洁)_Relian哈哈的博客-CSDN博客_kafka消息补偿

6.5、kafka自身对幂等的支持， 如何处理幂等

为了实现Producer的幂等性，Kafka引入了Producer ID（即PID）和sequence_number。

Producer ID：生产者的唯一标识，每个新的Producer在初始化的时候会被分配一个唯一的PID，对用户隐藏。
SequenceNumbler：每个生产者，对同一个Topic下的不同分区，分别对应一个从0开始单调递增的SequenceNumber

对于Kafka来说，要解决的是生产者发送消息的幂等问题，即只要区分来自生产者的每条消息是否重复。
Kafka通过为每条消息增加一个SequenceNumbler（简称SN），一个Topic下分区的SN从0递增，SN保证了一个或多个生产者对一个Topic的同一个分区消息不重复

Broker端在缓存中保存了这SequenceNumber，对于接收的每条消息，如果其SN比Broker缓存中SN大于1，则接受它，否则将其丢弃。但是，只能保证单个Producer对于同一个<Topic, Partition>的Exactly Once语义。不能保证同一个Producer一个topic不同的partion幂等。