Kafka——消息队列学习总结

最新推荐文章于 2024-03-08 11:47:29 发布

蜘蛛侠wjj

最新推荐文章于 2024-03-08 11:47:29 发布

阅读量339

点赞数

文章标签： kafka 学习大数据

本文链接：https://blog.csdn.net/qq_42529429/article/details/129147001

版权

定义

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

模式

点对点模式

一对一，消费者主动拉取数据，消费收到后消息清除。

发布/订阅模式

一对多，消费者消费数据后不会清除消息。消息生产者（发布）将消息发布到topic中，同时有多个消费者（订阅）消费该消息。
其中包含了两种方法消费者消费数据的方法：
1. 主动拉取数据，kafka使用的方法，消费者可以根据自己的消费能力进行配置拉取数据的速度。缺点是要一直询问队列是否有新消息。
2. 消息队列自动推送数据。缺点是有时候会造成消费者的崩溃和资源浪费。

工作流程

在这里插入图片描述

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 对应于一个 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哪个 offset，以便出错恢复时，从上次的位置继续消费。

文件存储

在这里插入图片描述

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。每个 segment对应两个文件——“.index”文件和“.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 first-0,first-1,first-2。“.index”文件存储大量的索引信息，“.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。查找使用的二分查找法。

Kafka生产者

分区策略

我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象（以下方法就是数据发送
到哪个分区的方法）
（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。

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，(全部的follower同步完成，才可以发送ack)都需要向producer发送 ack，如果producer收到ack，就会进行下一轮的发送，否则重新发送数据。

ISR

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。

（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。

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，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。
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同步成功之前 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 发生故障，那么会造成数据重复。

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。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。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。

Kafka消费者

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。

pull(拉)模式的不足之处是，当kafka中没有数据，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送一个时长参数timeout,如果当前没有数据可返回，消费者会等待一段时间再返回。

分区分配策略

一个consumergroup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由三种分配策略，一是RoundRobin（轮询），二是Range（默认）, 三是Sticky