Kafka入门基础

Kafka简介

Kafka是由Linkedin公司开发的一个分布式、支持分区（partition）、多副本（replica），基于Zookeeper协调的分布式消息系统。它的最大的特点就是可以实时的处理大量数据以满足各种需求场景。如基于hadoop的批处理系统、低延迟的实时系统、Storm/Spark流式处理引擎，web/nginx日志、访问日志，消息服务等等。

Kafka的使用场景

• 日志收集：用Kafka收集各种服务的日志，通过Kafka以统一服务接口的方式开放给各种consumer，如：Hadoop、Hbase、Solr等。

• 消息系统：解耦生产者和消费者、缓存消息等。

• 用户活动跟踪：Kafka经常被用来记录web用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后订阅者通过订阅这些topic来做实时的监控分析，或者装载到hadoop、数据仓库中做离线分析和挖掘。

• 运营指标：Kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告。

Kafka的基本概念

Kafka是一个分布式、分区的消息（commit log）服务。Kafka借鉴了JMS规范的思想，但是确没有完全遵循JMS规范。

名称	解释
Broker	消息中间件处理节点，一个Kafka节点就是一个broker，一个或者多个Broker可以组成一个Kafka集群
Topic	Kafka根据topic对消息进行归类，发布到Kafka集群的每条消息都需要指定一个topic
Producer	消息生产者，向Broker发送消息的客户端
Consumer	消息消费者，从Broker消费消息的客户端
ConsumerGroup	每个Consumer属于一个特定的Consumer Group，一条消息可以被多个不同的Consumer Group消费，但是一个Consumer Group中只能有一个Consumer能够消费该消息
Partition	物理上的概念，一个topic可以分为多个partition，每个partition内部消息是有序的

producer通过网络发送消息到kafka集群，然后consumer对消息进行消费处理，如下图：

服务端(brokers)和客户端(producer、consumer)之间通信通过 TCP协议来完成。

Kafka的主题Topic和消息日志Log

Topic是一个类别名称，同类消息发送到同一个Topic下面，对于每一个Topic下面可以有多个分区（Partition）日志文件，如下图：

Partition是一个有序的message序列，这些message按顺序添加到一个叫commit log的文件中。每个partition中的消息都有一个唯一的编号offset，用来唯一标识某个分区中的message。

kafka一般不会删除消息，不管这些消息有没有被消费。只会根据配置的日志保留时间(log.retention.hours)确认消息多久被删除，默认保留最近一周的日志消息。kafka的性能与保留的消息数据量大小没有关系，因此保存大量的数据消息日志信息不会有什么影响。

Consumer：每个consumer是基于自己在commit log中的消息记录（offset）来工作的，消费offset由consumer自己来维护。一般情况下我们按照顺序逐条消费commit log中的消息，当然我可以通过指定offset来重复消费某些消息，或者跳过某些消息。

为什么要对Topic下数据进行分区存储？

• commit log文件会受到所在机器的文件系统大小的限制，分区之后可以将不同的分区放在不同的机器上，相当于对数据做了分布式存储，理论上一个topic可以处理任意数量的数据。

• 为了提高并行度。