文章目录
一、Kafka工作流程及文件储存机制
1.工作流程:
Kafka中消息是以topic进行分类的,生产者生产消息,消费者消费消息,都面向topic
topic是逻辑上的概念,而partition是物理上的概念,每个partition对应于一个log文件,该log文件中存储的就是producer生产的数据。Producer生产的数据会被不断追加到该log文件末端,且每条数据都有自己的offset。消费者组中的每个消费者,都会实时记录自己消费消费到了哪个offset,以便出错恢复时,从上次的位置继续消费
2.文件存储机制
由于生产者生产的消息会不断追加到log文件末尾,为防止log文件过大导致数据定位效率低下,Kafka采取了“分片”和“索引”机制,将每个partition氛围多个segment.每个segment对应两个文件——.index和.log,这些文件文件位于一个文件夹下。
.index文件存储大量的索引信息,.log文件存储大量的数据,索引文件中的元数据指向对应数据文件中message的物理偏移地址
二、Kafka生产者
1.分区策略
1)分区的原因
(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
我们需要将producer发送的数据封装成一个ProducerRecord对象
(1)指明partition的情况下,直接将指明的值作为partition值
(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
(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
2.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)副本数据同步策略
方案 | 优点 | 缺点 |
---|---|---|
半数以上完成同步,就发送ack | 延迟低 | 选举新的leader时,容忍n台节点的故障,需要2n+1个副本 |
全部完成同步,才发送ack | 选举新的leader时,容忍n台节点的故障,需要n+1个副本 | 延迟高 |
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
采用第二种方案后,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,怎么解决这个问题?
Leader维护了一个动态的ISR(in-sync-replica set),意味和leader保持同步的follower集合。当ISR中的follower完成数据的同步之后,leader就会发给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发送故障之后,就会从ISR中选举新的leader
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,有如下参数选择
acks:
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
1:producer等待broker的ack,partition的leader落盘成功后返回ack,如果再follower同步成功之前leader故障,将丢失数据
-1:producer等待broker的ack,partition的leadr和follower全部落盘成功后才返回ack,但是如果再follower同步完成后,broker发送ack之前,leader发送故障,那么会造成数据重复
4)故障处理细节
- LEO:每个副本最大的offset
- HW:消费者能见到的最大的offset,ISR队列中最小的LEO
(1)follower故障
follower发送故障后会被临时踢出ISR,待该follower恢复后,follower会读取本地磁盘记录的上次的HW,并将log文件高于HW的部分截取掉,从HW开始向leader进行同步。等该follower的LEO大于等于Partition的HW,即follower追上leader之后,就可以重新加入ISR了
(2)leader故障
leader发送故障之后,会从ISR中选出一个新的leader。之后,为保证多个副本之间的数据一致性,其余的follower会先将各自的log文件高于HW的部分截掉,然后从新的leader同步数据(注:只能保证副本之间的数据一致性,不能保证数据不丢失或不重复)
3.Exactly Once语义
ACK = -1,保证Producer->Server之间不丢失数据,即At Least Once语义
ACK = 0,保证生产者每条消息只会被发送一次,即At Most Once语义
幂等性:Producer不论向Server发送多少次重复数据,Server端都只会持久化一条
At Least Once + 幂等性 = Exactly Once
三、Kafka消费者
1.消费方式
consumer采用push(推)、pull(拉)模式从broker中读取数据
- push(推):很难适应消费速率不同的消费者,消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息,但是这样很容易造成comsuer来不及处理消息,典型的表现是拒绝服务以及网络拥塞。
- pull(拉):根据consumer的消费能力以适当的速率消费消息。但如果kafka没有数据,消费者可能会陷入循环中,一直返回空数据。针对这一点,Kafka的消费者在消费数据时会传入一个时长参数timeout,如果当前没有数据可供消费,consumer会等待一段时间之后再返回,这段时长即为timeout
2.分区分配策略
一个consumer group中有多个consumer,一个topic有多个partition,所以必然会涉及到partition的分配问题,即确定那个partition由哪个consumer来消费。
Kafka有两种分配策略,一种是RoundRobin,Range
RoundRobin:
range(按topic):
3.offset的维护
由于在consumer在消费过程中可能会出现断电宕机等故障,consumer恢复后,需要从故障前的位置继续消费,所以consumer需要实时记录自己消费到哪个offset,以便故障恢复后继续消费。
四、Kafka高效读写数据
1)顺序读写磁盘
Kafka 的 producer 生产数据,要写入到 log 文件中,写的过程是一直追加到文件末端, 为顺序写。官网有数据表明,同样的磁盘,顺序写能到 600M/s,而随机写只有 100K/s。这 与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间
2)零复制技术
五、Zookeeper在Kafka中的作用
Kafka集群中有一个broker会被选举为Controller,负责管理集群broker的上下线,所有topic的分区副本分配和leader选举等工作
Controller的管理工作都是依赖于Zookeeper的
以下为partition的leader选举过程:
六、Kafka事务
Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基 础上,生产和消费可以跨分区和会话,要么全部成功,要么全部失败
1.Producer事务
为了实现跨分区跨会话的事务,需要引入一个全局唯一的Transaction ID,并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transaction ID获得原来的PID
为了管理Transaction,Kafka引入了一个新的组件Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。TransactionCoordinator 还负责将事务所有写入 Kafka 的一个内部 Topic,这样即使整个服务重启,由于事务状态得到保存,进行中的事务状态可以得到恢复,从而继续进行
2.Consumer事务
上述事务机制主要是从 Producer 方面考虑,对于 Consumer 而言,事务的保证就会相对 较弱,尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访 问任意信息,而且不同的 Segment File 生命周期不同,同一事务的消息可能会出现重启后被 删除的情况