Kafka Learn

---

摘自：尚硅谷 Kafka & 厦大数据库实验室

一、Kafka 介绍

1.1 什么是 Kafka

• Kafka 是由 Linkedin 公司开发的，它是一个分布式的，支持多分区、多副本，基于 Zookeeper 的分布式消息流平台，它同时也是一款开源的基于发布订阅模式的消息引擎系统，主要应用于大数据实时处理领域。

1.2 消息队列的优势

• 解耦
  • 允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
• 可恢复性
  • 系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。
• 缓冲
  • 有助于控制和优化数据流经过系统的速度， 解决生产消息和消费消息的处理速度不一致的情况。
• 灵活性 & 峰值处理能力（削峰）
  • 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。
• 异步通信
  • 很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要的时候再去处理它们。

1.3 消息队列的模式

• 点对点模式(一对一，消费者主动拉取数据，消息收到后消息清除)
  • 消息生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。消息被消费以后， queue 中不再有存储，所以消息消费者不可能消费到已经被消费的消息。Queue 支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。
• 发布/订阅模式(一对多，消费者消费数据之后不会清除消息)
  • 消息生产者(发布)将消息发布到 topic 中，同时有多个消息消费者(订阅)消费该消息。和点对点方式不同，发布到 topic 的消息会被所有订阅者消费。

1.4 Kafka 的消息队列

• Kafka 的消息队列一般分为两种模式：点对点模式和发布订阅模式

1.5 Kafka 的特性 & 消费原则

• 高吞吐、低延迟：kakfa 最大的特点就是收发消息非常快，kafka 每秒可以处理几十万条消息，它的最低延迟只有几毫秒；
• 高伸缩性：每个主题 (topic) 包含多个分区(partition)，主题中的分区可以分布在不同的主机(broker)中；
• 持久性、可靠性：Kafka 能够允许数据的持久化存储，消息被持久化到磁盘，并支持数据备份防止数据丢失，Kafka 底层的数据存储是基于 Zookeeper 存储的；
• 容错性：允许集群中的节点失败，某个节点宕机，Kafka 集群能够正常工作；
• 高并发：支持数千个客户端同时读写。

1.6 Kafka 的使用场景

• 活动跟踪：Kafka 可以用来跟踪用户行为，比如我们经常会去淘宝购物，你打开淘宝的那一刻，你的登陆信息，登陆次数都会作为消息传输到 Kafka ，当你浏览购物的时候，你的浏览信息，你的搜索指数，你的购物爱好都会作为一个个消息传递给 Kafka ，这样就可以生成报告，可以做智能推荐，购买喜好等；
• 传递消息：Kafka 另外一个基本用途是传递消息，应用程序向用户发送通知就是通过传递消息来实现的，这些应用组件可以生成消息，而不需要关心消息的格式，也不需要关心消息是如何发送的；
• 度量指标：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；
• 日志记录：Kafka 的基本概念来源于提交日志，比如我们可以把数据库的更新发送到 Kafka 上，用来记录数据库的更新时间，通过kafka以统一接口服务的方式开放给各种consumer，例如hadoop、Hbase等；
• 限流削峰：Kafka 多用于互联网领域某一时刻请求特别多的情况下，可以把请求写入Kafka 中，避免直接请求后端程序导致服务崩溃。

二、Kafka 基本术语与基础架构

2.1 Kafka 的基本术语(结合架构图记忆)

• 消息：Kafka 中的数据单元被称为消息，也被称为记录，可以把它看作数据库表中某一行的记录。
• 批次：为了提高效率， 消息会分批次写入 Kafka，代指的是一组消息。
• Broker：一个独立的 Kafka 服务器就被称为 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。
• Broker 集群：broker 是集群的组成部分，broker 集群由一个或多个 broker 组成，每个集群都有一个 broker 同时充当了集群控制器的角色(自动从集群的活跃成员中选举出来)。
• 生产者 (Producer)：向主题发布消息的客户端应用程序称为生产者，生产者用于持续不断的向某个主题(topic)发送消息。
• 消费者 (Consumer)：订阅主题消息的客户端程序称为消费者，消费者用于处理生产者产生的消息。
• 消费者群组 (Consumer Group)：生产者与消费者的关系就如同餐厅中的厨师和顾客之间的关系一样，一个厨师对应多个顾客，也就是一个生产者对应多个消费者，消费者群组指的就是由一个或多个消费者组成的群体。
• 主题 (Topic)：消息的种类(分类)称为主题，一个主题代表了一类消息。
• 分区 (Partition)：主题可以被分为若干个分区，同一个主题中的分区可以不在一个机器上(下图Broker1\TopicA\Partition0、Broker2\TopicA\Partition1)，有可能会部署在多个机器上，由此来实现 kafka 的伸缩性，单一主题中的分区有序。(同一个分区的数据同时只能被同一个消费者组的某一个消费者消费，即不能被同一个消费者组的多个消费者消费，但是可以被n个不同消费者组的n个消费者消费，每组一个消费者)
• 副本(Replica)：Kafka 中消息的备份又叫做副本，副本的数量是可以配置的，Kafka 定义了两类副本，即领导者副本(Leader Replica) 和 追随者副本(Follower Replica)，前者对外提供服务(消费者获取)，后者只是被动跟随(仅提供备份)。
  • 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。
  • 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。
• 重平衡 (Rebalance)：消费者组内某个消费者实例挂掉后，其他消费者实例自动重新分配订阅主题的分区的过程。Rebalance 是 Kafka 消费者端实现高可用的重要手段。
• 偏移量(Consumer Offset)：元数据，是一个不断递增的整数值，用来记录消费者发生重平衡时的位置。

2.2 Kafka 的系统架构

  一个典型的 Kafka 集群中包含若干个 Producer (可以是web前端产生的Page View，或者是服务器日志，系统CPU、Memory等)，若干个 Broker (Kafka支持水平扩展，一般broker数量越多，集群吞吐率越高)，若干个 Consumer Group，以及一个Zookeeper集群。Kafka 通过Zookeeper管理集群配置，选举leader，以及在Consumer Group发生变化时进行rebalance。Producer使用push模式将消息发布到broker，Consumer使用pull模式从broker订阅并消费消息。

三、Kafka 的架构深入

3.1 Kafka 工作流程及文件存储机制

3.1.1 Kafka 工作流程

• Kafka 中消息是以 topic 进行分类的， producer生产消息，consumer消费消息，都是面向 topic的(从命令行操作看出)。
• 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，log 文件中存储的就是 producer 生产的数据(topic = N partition，partition = log)。
• Producer 生产的数据会被不断追加到 log 文件末端，且每条数据都有自己的 offset。
• Consumer 组中的每个 consumer， 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。

3.1.2 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 的 log 文件分为多个 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 和 log 文件以当前 segment 的第一条消息的 offset 命名，下图为 index 文件和 log文件的结构示意图：
  

3.2 Kafka 生产者

3.2.1 分区策略

• 分区原因
  • 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；
  • 可以提高并发，因为可以以 Partition 为单位读写了。
• 分区策略选择
  • 我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象：
    
  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(顺序轮询)。
     

3.2.2 数据可靠性保证

3.2.2.1 ack

  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。

• 何时发送ack？
  • 确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。
• 多少个follower同步完成之后发送ack？
  • 半数以上的follower同步完成，即可发送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
  • 全部的follower同步完成，才可以发送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
    • 缺点：延迟高
  • Kafka 选择了第二种方案，原因如下：
    • 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。
    • 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。

3.2.2.2 ISR（同步副本）

  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，就会给 leader 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。

3.2.2.3 ack 应答机制：数据的丢失or重复

  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 acks 参数的以下配置：

• 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。(At Most Once 语义)
  
• -1(all)：producer 等待 broker 的 ack， partition 的 leader 和 ISR 的 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。(At Least Once 语义)
  

3.2.2.4 故障处理：保证数据一致性

• 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。
• 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。

3.2.3 Exactly Once 语义

• At least once—Messages are never lost but may be redelivered.
• At most once—Messages may be lost but are never redelivered.
• Exactly once—this is what people actually want, each message is delivered once and only once.

  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 Most 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.idempotence 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。

3.3 Kafka 消费者

3.3.1 消费方式

• Consumer 采用 pull(拉) 模式从 broker 中读取数据；
• Kafka消费者采用拉模式的原因：
  • 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。
• Kafka 如何解决pull模式的不足——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。

3.3.2 分区分配策略

  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，即确定哪个 partition 由哪个 consumer 来消费。
  Kafka 有两种分配策略：一是Round Robin，一是Range

• RoundRobin

  • 关于Roudn Robin重分配策略，其主要采用的是一种轮询的方式分配所有的分区，该策略就是简单的将所有的partition和consumer按照字典序进行排序之后，然后依次将partition分配给各个consumer，如果当前的consumer没有订阅当前的partition，那么就会轮询下一个consumer，直至最终将所有的分区都分配完毕。但是从上面的分配结果可以看出，轮询的方式会导致每个consumer所承载的分区数量不一致，从而导致各个consumer压力不均一。

• Range

  • 所谓的Range重分配策略，就是首先会计算各个consumer将会承载的分区数量，然后将指定数量的分区分配给该consumer，其本质上是依次遍历每个topic，然后将这些topic的分区按照其所订阅的consumer数量进行平均的范围分配。

3.3.3 offset 的维护

  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。
  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。

3.3.4 消费者组案例

略

3.4 Kafka 高效读写数据

• 顺序写磁盘
  • Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。
  • 官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s(与磁盘的机械机构有关)，而顺序写之所以快，是因为其省去了大量磁头寻址的时间。
• 零复制技术
  

3.5 Zookeeper 在 Kafka 中的作用

  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，而 Controller 的管理工作都是依赖于 Zookeeper 的。

3.6 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。

• Producer 事务

  • 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 TransactionID 获得原来的 PID。
  • 为了管理 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。

• 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。

4. Kafka API

4.1 Producer API

4.2 Consumer API

4.3 自定义 Interceptor

5. Kafka 监控

5.1 Kafka Manager

5.2 Kafka Monitor

6. Kafka 面试题

1. Kafka 中的 ISR(InSyncRepli)、 OSR(OutSyncRepli)、 AR(AllRepli)代表什么？

ISR(同步副本)+OSR(非同步副本)=AR(所有分布)

2. Kafka 中的 HW、 LEO 等分别代表什么？

HW(High Watermaker，消费者可见的最大的offset)、LEO(Log End Offset，每一个分区的每一个副本的的最大的offset)

3. Kafka 中是怎么体现消息顺序性的？

分区内有序

4. Kafka 中的分区器、序列化器、拦截器是否了解？它们之间的处理顺序是什么？
5. Kafka 生产者客户端的整体结构是什么样子的？使用了几个线程来处理？分别是什么？
6. “消费组中的消费者个数如果超过 topic 的分区，那么就会有消费者消费不到数据”这句话是否正确？
7. 消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset +1？
8. 有哪些情形会造成重复消费？
9. 那些情景会造成消息漏消费？
10. 当你使用 kafka-topics.sh 创建（删除）了一个 topic 之后， Kafka 背后会执行什么逻辑？

• 会在 zookeeper 中的/brokers/topics 节点下创建一个新的 topic 节点，如：/brokers/topics/first
• 触发 Controller 的监听程序
• kafka Controller 负责 topic 的创建工作，并更新 metadata cache

11. topic 的分区数可不可以增加？如果可以怎么增加？如果不可以，那又是为什么？
12. topic 的分区数可不可以减少？如果可以怎么减少？如果不可以，那又是为什么？
13. Kafka 有内部的 topic 吗？如果有是什么？有什么所用？
14. Kafka 分区分配的概念？
15. 简述 Kafka 的日志目录结构？
16. 如果我指定了一个 offset， Kafka Controller 怎么查找到对应的消息？
17. 聊一聊 Kafka Controller 的作用？
18. Kafka 中有那些地方需要选举？这些地方的选举策略又有哪些？
19. 失效副本是指什么？有那些应对措施？
20. Kafka 的哪些设计让它有如此高的性能？

---

附

• Kafka 官方文档
• Kafka 集群之安装、启动、关闭
• Kafka 数据日志分离
• Kafka 命令
  • 启动 Kafka 服务器：kafka-server-start.sh config/server.properties
  • 停止 Kafka 服务器：kafka-server-sop.sh config/server.properties
  • 查看 Topic 列表：kafka-topics.sh --list --zookeeper localhost:2181
  • 创建 Topic：kafka-topics.sh --create --zookeeper localhost:2181 --topic neu --partitions 3 --replication-factor 3
    • --zookeeper：主机名:端口号,[主机名:端口号]
    • --topic：主题名
    • --partitions：分区数，可大于可用的Broker数量
    • --replication-factor：副本数，不可大于可用的Broker数量
  • 删除 Topic：kafka-topics.sh --delete --zookeeper localhost:2181 --topic neu
  • Topic 详情：kafka-topics.sh --describe --zookeeper localhost:2181 --topic neu
  • 控制台发送消息：kafka-console-producer.sh --broker-list localhost:9092 --topic neu
  • 控制台消费消息：kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic neu --from-beginning
    • --bootstrap-server localhost:9092 $\to$ --zookeeper localhost:2181
• Kafka 面试题