Kafka架构深入详解

一、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。

1.1 点对点模式

1. 消息队列的第一种模式
2. 一对一，消费者(Consumer)主动拉取数据，消息收到后消息清除
   

1.2 发布/订阅模式

1. 消息队列的第二种模式
2. 一对多，消费者消费数据之后不会清除消息
   

二、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取消息的客户端；
3. Consumer Group （CG）：消费者组，由多个consumer组成。**消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个消费者消费；消费者组之间互不影响。**所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
4. 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。
5. Topic ：可以理解为一个队列，生产者和消费者面向的都是一个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；
7. Replica：副本，为保证集群中的某个节点发生故障时，**该节点上的partition数据不丢失，**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。
8. 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。
9. 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。

三、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采取了分片和索引机制，将每个partition分为多个segment。

1. 每个partition相当于一个不断被追加的文件(三个文件构成一个Partition)
2. 一个数据文件和两个索引文件构成的(位置索引和时间索引)
3. time_index 记录每条数据写入的信息
4. 若文件太大了，则会生成一个新的文件(segment)
5. 配置中log.segment.bytes=1G(默认为1G)就会生成一个新的文件(三个文件都会被切，保证配套)
6. 存储的时间是log.retention.hours=168(一个星期)
7. 检查的时间log.retention.chech.interval.ms=300000(5分钟)，要不要被清除
8. 存储的位置在logs下的_consumer_offsets-分区数字(内部分区)，记录消费者消费
   的进度
9. 默认只有一个partition
10. 0000000000000000000.index ---- 数字的意思是，表示从那个消息开始存储的，如第一个文件存储了100个文件，那么第二个文件的名字为101.index
11. 一条消息不会被分为两个文件

三个文件配套(数据 + 位置索引 + 时间索引）

四、Kafka生产者

4.1 分区策略

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；
2. 可以提高并发，因为可以以Partition为单位读写了。
3. 指明 partition 的情况下，直接将指明的值直接作为 partiton 值
4. 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
5. 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。

4.2 数据可靠性

1. 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。

2. 在kafka有三种发送ack的方式
   2.1 收到数据直接发送ack(速度快，数据安全性低)
   2.2 leader收到数据然后发送ack(中规中矩)
   2.3 (Kafka)所有副本都写完数据然后发送ack(速度慢，安全性高，会造成数据重复)
3. 采用第三种所有副本都写完会有问题，如果其中一个节点卡了，挂了，则永远发不回去ack，且如果在发送回去的过程中生产者挂了，则ack没成功，再次传输重复数据。
4. 解决方法：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producer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。
5. ISR是leader和follower组成的一个小团体，若是其中一个节点挂掉了，则把这个节点踢出团体，不影响数据的写入返回ack
6. 后续，被踢出团体的节点怎么办呢？
7. ISR中的分区的每个分区都有LEO是最新数据
8. HW：ISR中最小的LEO就是HW -> consumer消费者只能看到这个值前面的数据
9. 被踢出的节点：将HW之后的数据清除出 然后找leader同步新的HW数据，
   直到追到新的HW，重新加入团体

9. 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。
10. 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。

4.3 Exactly Once语义

1. 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。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。
2. 幂等性：producer生产者无论发送多少次重复数据，Server端都指挥持久化一条发送的数据没有自定义全局主键，则Kafka会自己生成一个 <PID, Partition, SeqNumber>
3. PID：produceID
   partition:那个分区
   seqNumber：第几条消息
4. Server会存储消息和这个全局主键
5. 幂等性，无法保证跨分区(producer挂了再重启)

五、Kafka消费者

5.1 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。

5.2 分区分配策略

1. 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，一是range。
2. roundrobin(轮询)：斗地主 发牌
3. range(): 不洗牌模式，分堆，然后直接发

5.3 offset的维护

1. 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的继续消费，所以consumer需要实时记录自己消费到了哪个offset，以便故障恢复后继续消费。
2. 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。
3. 靠别人不如靠自己系列

六、Kafka高效读写数据

1. 顺序写磁盘
2. 应用Pagecache
3. 零复制技术
   

七、Zookeeper在Kafka中的作用

1. 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。
2. Controller的管理工作都是依赖于Zookeeper的。

3. 临时节点，谁快谁当选，启动集群后有一个broker会被选举为controller 负责管理topic的分区副本管理
4. 在zk中注册borker controller负责监听节点信息，若leader挂了 重新选举新的leader 然后更新leader及isr

八、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。

8.1 Producer事务

1. 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和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。
2. 为了管理这里是引用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还负责将事务所有写入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。

8.2 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，尤其时无法保证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。

九、Life

“有一种人，天天都笑嘻嘻的，好似和谁都合得来，但是从不主动联系朋友，脾气也出奇的好，好像世上没什么事情能让他们愤怒和悲伤。这一种人，懒得咒骂，懒得分享心情，也无心去写矫情的文字，你问他怎么了，他只是一笑. 只有在大着书，亦是戴着耳机，看到共鸣之处，忍住心中的一阵战栗”