大数据学习之路 Kafka篇

Kafka

定义

Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。

消息队列

点对点模式（一对一，消费者主动拉取数据，消息收到后消息清除）

消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。消息被消费后，queue中不再有存储，所以消息消费者不可能消费已经被消费的消息。Queue支持存在多个消费者，但是对一个消费者而言，只会有一个消费者可以消费。

发布/订阅模式（一对多，消费者消费数据之后不会清除消息）

消息生产者（发布）将消息发布到topic中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到topic的消息会被所有订阅者消费。

而发布/订阅模式的消息队列还可以分为两种：1.队列推送消息给消费者；2.消费者主动拉取消息。

如果采用第一种 队列推送消息给消费者，但是每个消费者的消费速度是不一定一致的，因此会发生 消息 浪费的情况。
在Kafka中则采用的第二种：消费者主动拉取消息。

为什么需要使用消息队列？

最主要的原因有三：

1. 削峰

举个例子：双十一用户，假设在某一时间段内用户的下单请求峰值达到了一亿多，如果不使用消息队列，服务器端就要同时处理这一亿多的请求，如果服务器性能不够，就会崩掉！
如果使用了消息队列，就可以实现削峰的作用，限制同时访问服务器的请求数量，从而降低服务器端的负担。

2. 解耦

通常生产者和消费者的业务逻辑是不同的，当消费者的消费业务逻辑发生变化时，如果不使用消息队列，就需要把整个生产-消费的逻辑改变。
如果使用了消息队列，生产者和消费者就实现了解耦，当需求发生变化时，只需要更改需要更改的一方，而不是修改整个 生产-消费的过程。

3. 异步

很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户
把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要
的时候再去处理它们。

Kafka 基础架构

1. Producer ：消息生产者，就是向kafka broker发消息的客户端；
2. Consumer ：消息消费者，向kafka broker 拉取消息的客户端
3. Topic ：可以理解为一个队列；
4. Consumer Group （CG）：这是kafka用来实现一个topic消息的广播（发给所有的consumer）和单播（发给任意一个consumer）的手段。一个topic可以有多个CG。topic的消息会复制（不是真的复制，是概念上的）到所有的CG，**但每个partion只会把消息发给该CG中的一个consumer。**如果需要实现广播，只要每个consumer有一个独立的CG就可以了。要实现单播只要所有的consumer在同一个CG。用CG还可以将consumer进行自由的分组而不需要多次发送消息到不同的topic；
5. Broker ：一台kafka服务器就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic；
6. Partition：为了实现扩展性，一个非常大的topic可以分布到多个broker（即服务器）上。一个topic可以分为多个partition，每个partition是一个有序的队列。partition中的每条消息都会被分配一个有序的id（offset）。kafka只保证按一个partition中的顺序将消息发给consumer，不保证一个topic的整体（多个partition间）的顺序；
7. Offset：kafka的存储文件都是按照offset.kafka来命名，用offset做名字的好处是方便查找。例如你想找位于2049的位置，只要找到2048.kafka的文件即可。当然the first offset就是00000000000.kafka。
8. Replica：副本，为确保集群中的某个节点发生故障时，该节点上的partition数据不会丢失，且kafka仍然能够继续工作，kafka提供了副本机制，一个topic的每个分区都有若干个副本，一个leader和若干个follower
9. leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是leader
   10.follower：每个分区多个副本中的“从”，实时从leader中同步数据，保持和leader数据的同步。leader发生故障时，某个follower会成为新的leader。

Kafka部署注意事项

在配置Kafka 上的 server.properties时，要注意，每台broker的broker.id是需要设置不同的数字。broker.id不能重复
Kafka的运行需要依赖于zookeeper，需要在配置文件中配置zookeeper集群的地址。

再启动kafka集群之前要确保zookeeper集群已经成功启动了。kafka集群停止的时候，要先停kafka，后停zookeeper，要不然kafka会关不掉的。

Kafka 命令行操作

1. 查看当前服务器中的所有topic

kafka-topics.sh --zookeeper hadoop102:2181 --list

2. 创建topic

kafka-topics.sh --zookeeper hadoop102:2181 --create --replication-factor 3 --partitions 1 --topic first

--topic 定义 topic 名
--replication-factor 定义副本数
--partitions 定义分区数

3. 删除topic

kafka-topics.sh --zookeeper hadoop102:2181 --delete --topic first

4. 发送消息

kafka-console-producer.sh --brokerlist hadoop102:9092 --topic first

5. 消费消息

kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first


kafka-console-consumer.sh  --bootstrap-server hadoop102:9092 --from-beginning --topic first

--from-beginning：会把主题中以往所有的数据都读取出来。

6. 查看某个topic的详情

kafka-topics.sh --zookeeper hadoop102:2181 --describe --topic first

7. 修改分区数

kafka-topics.sh --zookeeper hadoop102:2181 --alter --topic first --partitions 6

Kafka架构深入

Kafka工作流程以及文件存储机制

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，都是面向topic的。
topic是逻辑上的概念，而partition是物理上的概念，每个partition对应一个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到了那个offset，以便出错恢复时，从上次的位置继续消费。

Kafka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采取了切片和索引机制，将每个partition分为多个segment。每个segment对应两个文件-----“.index”和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic名称+分区序号。
例如，first 这个 topic 有三个分区，则其对应的文件夹为：first0,first-1,first-2。

00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log

index 和 log 文件以当前 segment 的第一条消息的 offset 命名。

“index”文件存储着大量的索引信息，“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。

Kafka生产者

分区策略

分区的原因

1.方面在集群中扩展，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，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。

分区原则

我们需要将producer发送的数据封装成一个个ProducerRecord对象。

生产者发送ProducerRecord的时候，可以指定分区号。

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，就是常说的 round-robin算法。

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。

何时发送ack？

确保有follower与leader同步完成，leader再发送ack，这样才能够保证leader挂掉之后，能在follower中选举出新的leader

多少个follower同步完成之后发送ack？

现有方案：

1. 半数以上的follower同步完成，即可发送ack
2. 全部的follower同步完成，才可以发送ack

副本数据同步策略

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。

ISR （同步副本机制）

采用上述第二种方案同步副本的时候，设想以下情景：leader收到数据，所有follower都开始同步数据，但是有一个follower，因为某种故障，迟迟不能与leader进行同步，那leader就要一直等待下去，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），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将被提出ISR，该事件阈值由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

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，用户根据可靠性和延迟的要求进行权衡，选择配置。

ACK参数配置
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，如果在follower同步之前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发生了故障，那么会造成数据重复

故障处理细节

LEO：指的是每个副本最大的offset；（日志末偏移量）
HW：指的是消费者能够见到的最大的offset，ISR队列中最小的LEO。（高水位）

1. follower故障

follower 发生故障之后会被临时提出ISR，待该follower恢复后，follower会读取本地磁盘记录的上次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。等待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中选取一个新的leader，之后，为了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。（新官上任三把火，其他人都要按照我的规矩来办事，废除上任的制度）
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。

Exactly Once语义（精准一次性）

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 At Least Once语义（至少一次）。相对的，将服务器ack级别设置为0，可以保证生产者每条消息只会被发送一次，即At Most Once语义（至多一次）。

AtLeaseOnce可以保证数据不丢失，但是不能保证数据不重复；相对的，AtMostOnce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即不能重复也不能丢失，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 Kafka，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。即：
AtLeaseOnce + 幂等性 = Exactly Once

要启动幂等性，只需将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，发往同一个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也具有不同的主键，所以幂等性无法保证跨分区，跨会话的Exactly Once

Kafka 消费者

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。

分区分配策略

Range

Range策略针对的是主题。
由于消费者1,2同时订阅了主题 1，而且消费者1,2属于同一个消费者组。
range策略：主题中的消息数/消费者组中的消费者数–3/2=1…1。那么化为范围的时候，就有一个消费者中要消费2条消息（因为没有整除）。

RoundRobin

RoundRobin策略针对的是消费者组，组内不同消费者订阅的不同主题topic，消费者组内的所有消费者都可以消费这些主题中的消息，消费方式采用轮询。
这里需要注意：

如果采用了这种分区分配策略，就会导致没有订阅topic的消费者也消费到了消息，这样就有可能造成信息分配错了。所以默认是Range策略。同时在生产环境中，同一个消费者组内的消费者订阅的主题是要保持一致的。

Offset的维护

由于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需要试试记录自己消费到了哪个offset，以便故障恢复后继续消费。

Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper 中，从 0.9 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。

同一个消费者组中的消费者，同一时刻只能有一个消费者消费。

Kafka 高效读写数据

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。这与磁盘的机械结构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。

零复制技术

零拷贝（Zero-copy）技术指在计算机执行操作时，CPU 不需要先将数据从一个内存区域复制到另一个内存区域，从而可以减少上下文切换以及 CPU 的拷贝时间。
具体关于零拷贝技术可参考：支撑百万并发的“零拷贝”技术，你了解吗？

ZooKeeper在Kafka中作用

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。

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。

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与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。Transaction Coordinator 还负责将所有事务写入 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。

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，尤其是无法保证 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。

KafkaProducer 发送消息流程

Kafka 的 Producer 发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程——main 线程和 Sender 线程，以及一个线程共享变量-----RecordAccumulator。

main 线程将消息发送给 RecordAccumulator，Sender 线程不断从 RecordAccumulator 中拉取消息发送到 Kafka broker。

相关参数：
batch.size：只有数据积累到 batch.size 之后，sender 才会发送数据。
linger.ms：如果数据迟迟未达到 batch.size，sender 等待 linger.time 之后就会发送数据。