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
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
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
RoundRobin
把所有partition和所有consumer线程都列出来,然后按照
hashcode
进行排序,最后通过轮询算法分配partition给消费线程。
Range
对每个Topic进行独立的分区分配。对于每一个Topic,首先对分区按照分区ID进行排序,然后订阅这个Topic的消费组的消费者再进行排序,之后尽量均衡的将分区分配给消费者。这里只能是尽量均衡,因为分区数可能无法被消费者数量整除,那么有一些消费者就会多分配到一些分区。可能会出现数据倾斜。
Sticky
目标
1. 分区的分配尽可能的均匀
2. 分区的分配尽可能和上次分配保持相同 当两者发生冲突时, 第一个目标优先于第二个目标。