kafka log存储

因为程序从kafka里某一个topic读取的数据量过大，所以想看看这topic一天共有多少数据量，到底是不是读取的api有问题。

登录到该topic某一个paritition所在的机器上，进入到kafka-logs目录下该topic-partition的子目录。子目录中存储的数据文件如下

-rw-r--r-- 1 root root     906048 12月 22 10:57 00000000000013128029.index
-rw-r--r-- 1 root root 1073741161 12月 22 10:57 00000000000013128029.log
-rw-r--r-- 1 root root    1360104 12月 25 21:00 00000000000013622079.index
-rw-r--r-- 1 root root 1073737654 12月 25 21:00 00000000000013622079.log
-rw-r--r-- 1 root root   10485760 12月 28 15:49 00000000000014923211.index
-rw-r--r-- 1 root root  993289158 12月 28 15:50 00000000000014923211.log

每一个index和log文件是一对，当log文件大到一定阀值后，就会生成一对新的index和log文件，文件名上的数字，就是这对log文件开始存储的offset。
以 00000000000013622079.log 为例，这个文件的创建时间就是其第一条数据的接收时间，修改时间就是最后一条数据接收时间

stat 00000000000014923211.log
  File: `00000000000014923211.log'
  Size: 993355992     Blocks: 2731904    IO Block: 4096   regular file
Device: 810h/2064d    Inode: 1073756571  Links: 1
Access: (0644/-rw-r--r--)  Uid: (    0/    root)   Gid: (    0/    root)
Access: 2016-12-25 21:00:30.775876656 +0800
Modify: 2016-12-28 15:50:37.844860136 +0800
Change: 2016-12-28 15:50:37.844860136 +0800
而它下一个文件 00000000000014923211.log 名字上的offset，就是其最后一个数据的offset+1。
所以，在2016-12-25 21:00:30到2016-12-28 15:50:37这段时间内，该partition共收到数据14923211-13622079=1301132条。

那对于最后一个还没有被旋转的文件，又需要怎么看呢？

index文件是对log文件的索引，里面存储了对应log文件里的数据条数和其对应的文件偏移量的映射关系。文件是二进制的，可以用hexdump -C查看。

同样以 00000000000013622079.index 为例

00000000  00 00 00 04 00 00 11 6d  00 00 00 0b 00 00 21 90  |.......m......!.|
00000010  00 00 00 0f 00 00 44 dc  00 00 00 13 00 00 7c 5d  |......D.......|]|
...
0014c0d0  00 13 da 77 3f ff a0 db  00 13 da 7f 3f ff b1 be  |...w?.......?...|
0014c0e0  00 13 da 83 3f ff e1 31                           |....?..1|
0014c0e8 
index数据结构是：4Bytes的offset相对偏移，4Bytes的物理文件偏移。index并不是对每一个数据都记录的文件偏移，这样比较节省空间。

上述输出结果翻译可得

4，4461
11,8592
15,17628
...
1301111,1073717467
1301119,1073721790
1301123,1073733937
第一行代表该文件的第4条数据，就是该partition内offset为（13622079+4）的这条数据，可以从该log文件的4461位置开始读。
最后一行的offset为1301123，与该文件内总数据条数1301132差不多。
所以，用同样的方法查看最后一个index文件，就可以知道当前该partition的最大offset是多少了。

补充一点，
kafka api在试图读取某一个时间开始的数据时，是先通过log文件的最后修改时间定位到某一个log文件，然后再在该log文件里进一步查找。
我之前迁移过一个kafka broker，导致某一个partition内log文件的修改时间都是很新的日期，kafka api读取是就会报offsetOutOfRange的错误。
解决方法：手动修改文件的modify time...
touch -d "20161209 17:00:00" 00000000000005284459.log