kafka生产者

在文件存储机制中，我们了解到，通过二分查找法，找到是哪一个index，从index中找到，你要访问的消息的那条数据，然后根据这条消息的内容，然后再log文件中定位到数据的内容。

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； 提高负载能力
（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。

这里参数partition是指定分区号，最后一个方法既没有指定分区，也没有指定key，按照轮询。
（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 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。
如图正常情况：

如下图的情况

2.1.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

解释：
方案一：半数以上完成同步，就发送ack
优点：延迟低
缺点：选举新的leader 时，容忍n台节点的故障，需要2n+1个副本。如果只有2n个结点，因为每次同步半数就会返回确认，即同步了n份就返回ack, 如果这时这n个结点都发生故障，那数据就丢失了。但是如果有2n+1个副本，半数就是n + 1, 每次同步(n+1)个结点才会返回ack, 这时就算有n个结点挂了，也还是至少有一个结点存在完整数据。所以为了容忍n台节点的故障，需要2n+1个副本。
方案二：全部完成同步，才发送ack
优点：选举新的leader 时，容忍n台节点的故障，需要n+1个副本。因为每次都是同步了所有结点才会返回ack，每个结点都有全量数据，在n+1个副本的情况下，即使n个结点发生了故障，剩下的那个结点仍然有全量数据，可以正常工作。所以容忍n台节点的故障，需要n+1个副本。
缺点：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。

但是这种方案仍然存在问题，如果有10条消息，，发送消息的时候有一个机器挂了，此时只能同步9个，那么永远无法实现同步成功。
我们可以采用ISR

2.2.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。

生产者是批量发送数据的。

2.3.ack 应答机制 （三种可靠性级别）

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，选择以下的配置。

acks 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 只等待 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；

ack=1数据丢失案例

-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。 （这里面指的是ISR里面所有的follower，当ISR中只有1个leader，退化称为ack=1的情况）
acks = -1 数据重复案例

上图可能出现数据重复的情况。ack=-1的时候更多的是造成数据重复的问题。前两种是数据丢失的问题。

2.5.故障处理细节

假设leader写了10条数据，一个followerF1写了9条，一个F2写了8条，假设现在写了9条数据的F2被选为leader，此时Leader又活过来了，此时数据就比较混乱
HW高水位，LEO日志最后一个偏移量。
Log文件中的HW和LEO

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 log 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 Exactly Once 语义

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。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。

At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least 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 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：

At Least Once + 幂等性 = Exactly Once

要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可(ack=-1)。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。 （key-value的的思路）
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。