Kafka——（Kafka优势，应用场景，基础架构，核心概念）

Kafka简介

1. Kafka是最初由Linkedin公司开发，是⼀个分布式、分区的、多副本的、多⽣产者、多订阅者，基于zookeeper协调的分布式⽇志系统（也可以当做MQ系统），常⻅可以⽤于web/nginx⽇志、访问⽇志，消息服务等等，Linkedin于2010年贡献给了Apache基⾦会并成为顶级开源项⽬
2. Kafka的主要应用场景：日期手机系统和消息系统
3. Kafka主要设计⽬标如下：
   1. 以时间复杂度为O(1)的⽅式提供消息持久化能⼒，即使对TB级以上数据也能保证常数时间的访问性能
   2. ⾼吞吐率。即使在⾮常廉价的商⽤机器上也能做到单机⽀持每秒100K条消息的传输。
   3. ⽀持Kafka Server间的消息分区，及分布式消费，同时保证每个partition内的消息顺序传输。
   4. 同时⽀持离线数据处理和实时数据处理
   5. ⽀持在线⽔平扩展
      
4. Kafka就是选⽤发布-订阅模式，对于消息中间件，消息分推拉两种模式。Kafka只有消息的拉取，没有推送，可以通过轮询实现消息的推送。
5. Kafka在⼀个或多个可以跨越多个数据中⼼的服务器上作为集群运⾏。
6. Kafka集群中按照主题分类管理，⼀个主题可以有多个分区，⼀个分区可以有多个副本分区。
7. Kafka的每个记录由⼀个键，⼀个值和⼀个时间戳组成。

Kafka的核心API

1. Producer API：允许应⽤程序将记录流发布到⼀个或多个Kafka主题
2. Consumer API：允许应⽤程序订阅⼀个或多个主题并处理为其⽣成的记录流。
3. Streams API：允许应⽤程序充当流处理器，使⽤⼀个或多个主题的输⼊流，并⽣成⼀个或多个输出主题的输出流，从⽽有效地将输⼊流转换为输出流。
4. Connector API：允许构建和运⾏将Kafka主题连接到现有应⽤程序或数据系统的可重⽤⽣产者或使⽤者。例如，关系数据库的连接器可能会捕获对表的所有更改

Kafka优势

1. ⾼吞吐量：单机每秒处理⼏⼗上百万的消息量。即使存储了许多TB的消息，它也保持稳定的性能。
2. ⾼性能：单节点⽀持上千个客户端，并保证零停机和零数据丢失
3. 持久化数据存储：将消息持久化到磁盘。通过将数据持久化到硬盘以及replication防⽌数据丢失
   1. 零拷⻉
   2. 顺序读，顺序写
   3. 利⽤Linux的⻚缓存
4. 分布式系统，易于向外扩展。所有的Producer、Broker和Consumer都会有多个，均为分布式的。⽆需停机即可扩展机器。多个Producer、Consumer可能是不同的应⽤。
5. 可靠性 - Kafka是分布式，分区，复制和容错的。
6. 客户端状态维护：消息被处理的状态是在Consumer端维护，⽽不是由server端维护。当失败时能⾃动平衡。
7. ⽀持online和offline的场景，并且⽀持多种客户端语⾔。Kafka⽀持Java、.NET、PHP、Python等多种语⾔

Kafka应⽤场景

1. ⽇志收集：可以⽤Kafka可以收集各种服务的Log，通过Kafka以统⼀接⼝服务的⽅式开放给各种Consumer；
2. 消息系统：解耦⽣产者和消费者、缓存消息等；
3. ⽤户活动跟踪：Kafka经常被⽤来记录Web⽤户或者App⽤户的各种活动，如浏览⽹⻚、搜索、点击等活动，这些活动信息被各个服务器发布到Kafka的Topic中，然后消费者通过订阅这些Topic来做实时的监控分析，亦可保存到数据库
4. 运营指标：Kafka也经常⽤来记录运营监控数据。包括收集各种分布式应⽤的数据，⽣产各种操作的集中反馈，⽐如报警和报告；
5. 流式处理：⽐如Spark Streaming和Storm。

Kafka基本架构

消息和批次

1. Kafka的数据单元称为消息。可以把消息看成是数据库⾥的⼀个“数据⾏”或⼀条“记录”。消息由字节数组组成。
2. Kafka消息有键，键也是⼀个字节数组。当消息以⼀种可控的⽅式写⼊不同的分区时，会⽤到键，为了提⾼效率，消息被分批写⼊Kafka。批次就是⼀组消息，这些消息属于同⼀个主题和分区。
3. Kafka把消息分成批次可以减少⽹络开销。批次越⼤，单位时间内处理的消息就越多，单个消息的传输时间就越⻓。批次数据会被压缩，这样可以提升数据的传输和存储能⼒，但是需要更多的计算处理。

Kafka模式

1. 消息模式（schema）有许多可⽤的选项，以便于理解。如JSON和XML，但是它们缺乏强类型处理能⼒。Kafka的许多开发者喜欢使⽤Apache Avro。Avro提供了⼀种紧凑的序列化格式，模式和消息体分开。当模式发⽣变化时，不需要重新⽣成代码，它还⽀持强类型和模式进化，其版本既向前兼容，也向后兼容。
2. Kafka数据格式的⼀致性对Kafka很重要，因为它消除了消息读写操作之间的耦合性

Kafka主题和分区

1. Kafka的消息通过主题进⾏分类。主题可⽐是数据库的表或者⽂件系统⾥的⽂件夹。主题可以被分为若⼲分区，⼀个主题通过分区分布于Kafka集群中，提供了横向扩展的能⼒。
   

Kafka生产者和消费者

1. ⽣产者创建消息。消费者消费消息
2. 在Kafka中，⼀个消息被发布到⼀个特定的主题上。⽣产者在默认情况下把消息均衡地分布到主题的所有分区上：
   1. 直接指定消息的分区
   2. 根据消息的key散列取模得出分区
   3. 轮询指定分区。
3. 消费者通过偏移量来区分已经读过的消息，从⽽消费消息，并且消费者是消费组的⼀部分。消费组保证每个分区只能被⼀个消费者使⽤，避免重复消费
   

broker和集群

1. ⼀个独⽴的Kafka服务器称为broker。broker接收来⾃⽣产者的消息，为消息设置偏移量，并提交消息到磁盘保存。
2. broker为消费者提供服务，对读取分区的请求做出响应，返回已经提交到磁盘上的消息。单个broker可以轻松处理数千个分区以及每秒百万级的消息量

3. 每个集群都有⼀个broker是集群控制器（⾃动从集群的活跃成员中选举出来）。
   1. 控制器负责管理工作：将分区分配给broker以及监控broker
4. 集群中⼀个分区属于⼀个broker，该broker称为分区⾸领，⼀个分区可以分配给多个broker，此时会发⽣分区复制，分区的复制提供了消息冗余，⾼可⽤。副本分区不负责处理消息的读写。

Kafka核⼼概念

Producer

1. ⽣产者创建消息：生产者将消息发布到Kafka的topic中。broker接收到⽣产者发送的消息后，broker将该消息追加到当前⽤于追数据的 segment ⽂件中。
2. ⼀般情况下，⼀个消息会被发布到⼀个特定的主题上：
   1. 默认情况下通过轮询把消息均衡地分布到主题的所有分区上
   2. 在某些情况下，⽣产者会把消息直接写到指定的分区。这通常是通过消息键和分区器来实现的，分区器为键⽣成⼀个散列值，并将其映射到指定的分区上。这样可以保证包含同⼀个键的消息会被写到同⼀个分区上。
   3. ⽣产者也可以使⽤⾃定义的分区器，根据不同的业务规则将消息映射到分区。

Consumer

1. 消费者读取消息：消费者订阅⼀个或多个主题，并按照消息⽣成的顺序读取它们。
2. 消费者通过检查消息的偏移量来区分已经读取过的消息。偏移量是另⼀种元数据，它是⼀个不断递增的整数值，在创建消息时，Kafka 会把它添加到消息⾥。在给定的分区⾥，每个消息的偏移量都是唯⼀的。消费者把每个分区最后读取的消息偏移量保存在Zookeeper 或Kafka 上，如果消费者关闭或重启，它的读取状态不会丢失。
3. 消费者是消费组的⼀部分。群组保证每个分区只能被⼀个消费者使⽤
4. 如果⼀个消费者失效，消费组⾥的其他消费者可以接管失效消费者的⼯作，再平衡，分区重新分配

Broker

1. ⼀个独⽴的Kafka 服务器被称为broker。
2. broker 为消费者提供服务，对读取分区的请求作出响应，返回已经提交到磁盘上的消息。
   1. 如果某topic有N个partition，集群有N个broker，那么每个broker存储该topic的⼀个partition
   2. 如果某topic有N个partition，集群有(N+M)个broker，那么其中有N个broker存储该topic的⼀个partition剩下的M个broker不存储该topic的partition数据
   3. 如果某topic有N个partition，集群中broker数⽬少于N个，那么⼀个broker存储该topic的⼀个或多个partition。在实际⽣产环境中，尽量避免这种情况的发⽣，这种情况容易导致Kafka集群数据不均衡
3. broker 是集群的组成部分。每个集群都有⼀个broker 同时充当了集群控制器的⻆⾊（⾃动从集群的活跃成员中选举出来）。
4. 在集群中，⼀个分区从属于⼀个broker，该broker 被称为分区的⾸领，控制器负责管理⼯作，包括将分区分配给broker 和监控broker

Topic

1. 每条发布到Kafka集群的消息都有⼀个类别，这个类别被称为Topic。
2. 物理上不同Topic的消息分开存储。主题就好⽐数据库的表，尤其是分库分表之后的逻辑表

Partition

1. 主题可以被分为若⼲个分区，⼀个分区就是⼀个提交⽇志
2. 消息以追加的⽅式写⼊分区，然后以先⼊先出的顺序读取。
3. ⽆法在整个主题范围内保证消息的顺序，但可以保证消息在单个分区内的顺序。
4. Kafka 通过分区来实现数据冗余和伸缩性，在需要严格保证消息的消费顺序的场景下，需要将partition数⽬设为1

Replicas

1. Kafka 使⽤主题来组织数据，每个主题被分为若⼲个分区，每个分区有多个副本。那些副本被保存在broker 上，每个broker 可以保存成百上千个属于不同主题和分区的副本。
2. Kafka副本有以下两种类型：
   1. ⾸领副本:每个分区都有⼀个⾸领副本。为了保证⼀致性，所有⽣产者请求和消费者请求都会经过这个副本
   2. 跟随者副本:⾸领以外的副本都是跟随者副本。跟随者副本不处理来⾃客户端的请求，它们唯⼀的任务就是从⾸领那⾥复制消息，保持与⾸领⼀致的状态。如果⾸领发⽣崩溃，其中的⼀个跟随者会被提升为新⾸领。

Offset

1. ⽣产者Offset：消息写⼊的时候，每⼀个分区都有⼀个offset，这个offset就是⽣产者的offset，同时也是这个分区的最新最⼤的offset。
2. 有些时候没有指定某⼀个分区的offset，这个⼯作kafka帮我们完成。

消费者Offset

1. 这是某⼀个分区的offset情况，⽣产者写⼊的offset是最新最⼤的值是12，⽽当Consumer A进⾏消费时，从0开始消费，⼀直消费到了9，消费者的offset就记录在9，Consumer B就纪录在了11。等下⼀次他们再来消费时，他们可以选择接着上⼀次的位置消费，当然也可以选择从头消费，或者跳到最近的记录并从“现在”开始消费

副本

1. Kafka通过副本保证⾼可⽤。副本分为⾸领副本(Leader)和跟随者副本(Follower)。
2. 跟随者副本包括同步副本和不同步副本，在发⽣⾸领副本切换的时候，只有同步副本可以切换为⾸领副本。
3. AR：分区中的所有副本统称为AR（Assigned Repllicas）。
4. ISR：所有与leader副本保持⼀定程度同步的副本（包括Leader）组成ISR（In-Sync Replicas），ISR集合是AR集合中的⼀个⼦集。消息会先发送到leader副本，然后follower副本才能从leader副本中拉取消息进⾏同步，同步期间内follower副本相对于leader副本⽽⾔会有⼀定程度的滞后。前⾯所说的“⼀定程度”是指可以忍受的滞后范围，这个范围可以通过参数进⾏配置。
5. OSR：与leader副本同步滞后过多的副本（不包括leader）副本，组成OSR(Out-Sync Relipcas)。在正常情况下，所有的follower副本都应该与leader副本保持⼀定程度的同步，即AR=ISR,OSR集合为空
6. HW：HW是High Watermak的缩写， 俗称⾼⽔位，它表示了⼀个特定消息的偏移量（offset），消费之只能拉取到这个offset之前的消息
7. LEO：LEO是Log End Offset的缩写，它表示了当前⽇志⽂件中下⼀条待写⼊消息的offset