kafka架构深入

kafka架构

3.1 kafka工作流程及文件存储

kafka中消息是以topic进行分类的，生产消费都面向topic。topic是一个逻辑上的概念，而partition是一个物理上的概念，每个partition对应一个log文件，该log文件存储的就是生产者产生的数据。producer生产的数据会不断追加到该log文件末尾，而且每条数据都有自己的offset。消费者组中的消费者，都会实时记录自己的offset，方便出错恢复时，从上次的位置继续消费。

由于生产者的消息一直追加到log文件末尾，为了防止log文件过大导致定位效率低，kafka采用了分区和索引机制。文件夹命名规范：主题名称+分区号，具体文件以当前第一条消息的segment的offset命名。index文件存储大量索引信息，log文件存储大量的数据。

3.2 kafka生产者

3.2.1 分区策略

1）分区的原因

①方便在集群中扩展，每个partition可以通过调整适应所在的机器，而topic又由多个partition组成，因此整个集群就可以适应任意大小数据。

②提高并发，以partition为单位读写。

2）分区的原则

我们需要把Producer发送的数据封装成一个ProducerRecord对象，如图：

（1）指定分区 按分区走 （2）key key的hashcode值%分区数 （3）没有指定key 没有指定分区 第一随机

3.2.2 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）.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。

ISR

  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，该时间阙值由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。

ack应答机制

前提：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 Kaka 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。

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; ​ l: 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；

-1(all): 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。

3.2.3 数据一致性

LEO:指的是每个副本最大的 offset;

HW:指的是消费者能见到的最大的 offset，ISR 队列中最小的LEO；

(1) follower 故障 follower 发生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 大于等于该 Partition 的HW，即 follower 追上 leader 之后，就可以重新加入ISR了。

(2)leader 故障

  leader 发生故障之后，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 1og 文件高于 HW 的部分截掉,然后从新的 leader同步数据。

注意:这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

3.2.4 exactly once

  将服务器的ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即AtLeast Once 语义。相对的，将服务器 ACK 级别置为 0，以保证生产者每条消息只会被发送一次，即At Most Once 语义。 ​ AtLeast Once 可以保证数据不丢失，但是不能保证数据不重复;相对的，AtLeast Once可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。

  在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况,每个都需要单独做全局去重,这就对性能造成了很大影响。0.11版本的 Kaka，引入了一项重大特性:幂等性。所谓的幂等性就是指 Producer 不论向Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka的 Exactly Once 语义。

  要启用幂等性，只需要将 Producer 的参数中enable.idompotence 设置为 true 即可。Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对<PID,Partition,SeqNumber>做缓存，当具有相同主键的消息提交时，Broker只会持久化一条。

  但是 PID重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。

3.3 kafka消费者

3.3.1 消费方式

  consumer 采用 pull (拉) 模式从 broker 中读取数据。 ​ push(推)模式很难适应消费速率不同的消费者,因为消息发送速率是由 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 consumer 来不及处理消息典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适当的速率消费消息。“ ​ pull 模式不足之处是，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。

3.3.2 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，一是 RoundRobin（按组），一是 Range（按主题）。

3.3.3 高效读写

1）顺序写磁盘

  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）zookeeper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。