Kafka Broker
zookeeper存储kafka相关信息
例:
查看kafka信息的相关zk指令
查看当前已启动的broker:ls /kafka/brokers/ids
查看当前controller:get /kafka/controller
查看各个分区的leader和可用服务器相关信息:get /kafka/brokers/topics/first/partitions/0/state
0指的是broker id
broker工作流程
1)broker启动后在zk中注册:集群中哪一台机器的kafka启动,就在zk中注册其对应的broker id
2)最先注册的broker中的controller负责进行leader选举
6)信息同步是为了controller挂掉之后,替补的controller能正常进行leader选举
10)按例,broker1挂掉了,controller从zk中获取到当前的isr信息,从中剔除1号id,然后按照选举规则选举出新的leader,进而更新zk
broker相关参数
所有的参数配置都在/config/server.properties中进行设置;(大部分都没有默认值,需要手动添加)
broker节点服役和退役
新节点服役:
1.启动新的broker,设置broker id
2.创建一个要均衡的主题:vim topics-to-move.json(主题名自拟)
3.向其中写入内容:
{
"topics": [
{"topic": "first"}
],
"version": 1
}
4.生成一个负载均衡的计划:
bin/kafka-reassign-partitions.sh --bootstrap-server hadoop102:9092 --topics-to-move-json-file
topics-to-move.json --broker-list "0,1,2,3" --generate
--topics-to-move-json-file:需要进行均衡的主题
--broker-list:共有哪些broker参与均衡
5.创建副本存储计划(所有副本存储在 broker0、broker1、broker2、broker3 中)
新建一个文件:vim increase-replication-factor.json
将上面新生成的内容添加到文件中去
6.执行副本存储计划
bin/kafka-reassign-partitions.sh --bootstrap-server hadoop102:9092 --reassignment-json-file
increase-replication-factor.json --execute
--reassignment-json-file:存放副本存储计划的文件名
7.验证副本存储计划:
bin/kafka-reassign-partitions.sh --bootstrap-server hadoop102:9092 --reassignment-json-file
increase-replication-factor.json --verify
新节点退役:
与节点服役的流程相同,区别在于第4步生成负载均衡计划的时候,需要修改broker-list
执行完副本存储计划之后,关闭相关服务器即可
Kafka 副本
副本的作用在于提高数据可靠性;Kafka 默认副本 1 个,生产环境一般配置为 2 个,保证数据可靠性;太多副本会增加磁盘存储空间,增加网络上数据传输,降低效率
副本分类:
Kafka 中副本分为:Leader 和 Follower。Kafka 生产者只会把数据发往 Leader,然后 Follower 找 Leader 进行同步数据
副本组成:
Kafka 分区中的所有副本统称为 AR(Assigned Repllicas)
AR = ISR(和 Leader 保持同步的 Follower 集合)+ OSR(表示 Follower 与 Leader 副本同步时,延迟过多的副本)
leader选举示例
1.启动broker id 为0,1,2的三台机器,创建副本和分区数均为3的topic:testar
查看其信息:
2.关闭broker id为3的服务器:
查看该topic的信息;
可以验证leader的选举规则
分区副本分配策略
分区数大于服务器台数的情况:
例:4台服务器,16个分区(3个副本):
这种情况下每台服务器不只存储一个分区的数据
手动调整副本存储策略:
与服务器上下线类似,需要执行副本存储计划
首先还是创建文件:
{
"version":1,
"partitions":[{"topic":"three","partition":0,"replicas":[0,1]},
{"topic":"three","partition":1,"replicas":[0,1]},
{"topic":"three","partition":2,"replicas":[1,0]},
{"topic":"three","partition":3,"replicas":[1,0]}]
}
向文件中写入副本存储计划,需要注意的是,这里的副本存储计划是手动设置的,不是自动生成的;
如上的内容就表明了3个分区的所有副本全部存储到0和1服务器中;
之后执行该副本存储计划即可
通过查看topic的详细信息(--describe)即可验证
Leader 和 Follower 故障处理细节
首先要明确两个概念:
LEO(Log End Offset):每个副本的最后一个offset,LEO其实就是最新的offset + 1。
HW(High Watermark):所有副本中最小的LEO
Follower故障
Leader故障
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
生产经验
Leader Partition 负载平衡
正常情况下,Kafka本身会自动把Leader Partition均匀分散在各个机器上,来保证每台机器的读写吞吐量都是均匀的。但是如果某些broker宕机,会导致Leader Partition过于集中在其他少部分几台broker上,这会导致少数几台broker的读写请求压力过高,其他宕机的broker重启之后都是follower partition,读写请求很低,造成集群负载不均衡
相关参数:
auto.leader.rebalance.enable:默认是true;自动进行Leader Partition 平衡
注意:在生产环境中,建议设置为 false 关闭,因为leader 重选举的代价比较大,可能会带来性能影响
leader.imbalance.per.broker.percentage
默认是10%。每个broker允许的不平衡的leader的比率。如果每个broker超过了这个值,控制器会触发leader的平衡。
leader.imbalance.check.interval.seconds
默认值300秒。检查leader负载是否平衡的间隔时间
示例:
增加副本因子
在生产环境当中,由于某个主题的重要等级需要提升,可以增加副本
1.创建topic:
bin/kafka-topics.sh --bootstrap-server hadoop102:9092 --create --partitions 3 --replication-factor 1 --topic four
可以看到只有一个副本
2.创建副本存储计划,手动写入要增加的副本
示例:
{"version":1,"partitions":[{"topic":"four","partition":0,"replica
s":[0,1,2]},{"topic":"four","partition":1,"replicas":[0,1,2]},{"t
opic":"four","partition":2,"replicas":[0,1,2]}]}
通过手动的修改,将副本数增加到了3个,在其他两台服务器上也进行副本的备份
3.执行副本存储计划即可
文件存储机制
kafka的每个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,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(默认大小为1G);每个segment包括:“.index”文件、“.log”文件和.timeindex等文件
segment命名规则:topic名称+分区序号
例:
查看文件内容
直接cat查看会出现乱码
正确方法:
kafka-run-class.sh kafka.tools.DumpLogSegments --files 文件名
查看.index
查看.log:
log文件和index文件详解
1.每存储1G的数据,分为一个segment
2.需要注意,index为稀疏索引,其中保存的offset为相对offset
对应上图中的
3.查找某一条记录时,先根据其offset找到所在的segment,然后根据相对offset计算其index索引,根据索引中的position到RecordBatch中找到相应的位置,向下查找即可
文件清理策略
日志保存时间设置:
log.retention.hours,最低优先级小时,默认 7 天。
log.retention.minutes,分钟。
log.retention.ms,最高优先级毫秒。
log.retention.check.interval.ms,负责设置检查周期,默认 5 分钟
日志清理策略设置:
log.cleanup.policy = delete/compact
delete:删除策略
(1)基于时间:默认打开。以 segment 中所有记录中的最大时间戳作为该文件时间戳。
(2)基于大小:默认关闭。超过设置的所有日志总大小,删除最早的 segment。
log.retention.bytes,默认等于-1,表示无穷大
compact:压缩策略
对于相同key的不同value值,只保留最后一个版本
这种策略只适合特殊场景,比如消息的key是用户ID,value是用户的资料,通过这种压缩策略,整个消息集里就保存了所有用户最新的资料
高效读写数据
策略:
采用分区技术,并行度高
读数据采用稀疏索引,可以快速定位要消费的数据
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。这与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间
页缓存 + 零拷贝技术
零拷贝:Kafka的数据加工处理操作交由Kafka生产者和Kafka消费者处理。Kafka Broker应用层不关心存储的数据(对数据的操作都在生产者和消费者应用层完成),所以就不用走应用层,传输效率高
PageCache页缓存:Kafka重度依赖底层操作系统提供的PageCache功能。当上层有写操作时,操作系统只是将数据写入PageCache。当读操作发生时,先从PageCache中查找,如果找不到,再去磁盘中读取。实际上PageCache是把尽可能多的空闲内存都当做了磁盘缓存来使用。
相关参数:
log.flush.interval.messages:强制页缓存刷写到磁盘的条数,默认是 long 的最大值,9223372036854775807。一般不建议修改,交给系统自己管理
log.flush.interval.ms:每隔多久,刷数据到磁盘,默认是 null。一般不建议修改,交给系统自己管理