Kafka（一）

开发十年，就只剩下这套架构体系了！ >>>   

Apache Kafka是一个分布式流平台。那么具体指什么？

一个流平台一般有三个功能：

1 发布和订阅消息流，类似于消息队列或者专业的消息系统。

2 以容错持久的方式存储消息流。

3 处理接收到的消息流。

Kafka一般广泛用于两类应用：

1 建立可以在系统或应用之间稳定获取数据的实时流数据通道。

2 建立转换货响应数据流的实时流应用。

为了搞清楚Kafka是怎么做到这些的，让我们自底向上的深入探索Kafka这些能力。

开始是一些概念：

1 Kafka是运行在可以扩展的多个数据中心集群上

2 Kafka集群存储了称为topics的分类流数据

3 每条记录都包含了key，value和时间戳

Kafka有四个核心的API：

Producer API允许应用发布流记录到一个或更多的Kafka主题上。

Consumer API允许应用订阅到一个或更多的主题上并处理其上的流记录。

Streams API允许应用作为流处理者，从一个或更多的主题上消费并且生产输出流到一个或更多的输出主题上，高效地传递输入流到输出流。

Connector API允许建立和运行可重用生产者或消费者，连接Kafka主题到已有的应用或数据系统中。比如，连接到关系型数据库上的connector可能捕捉到每个来自表的变化。

在Kafka中，客户端和服务端的通信是简易，高可用，对语言不敏感的TCP协议。协议是分版本的并且向下兼容。我们不仅提供Kafka的Java客户端，还支持其他很多语言。

Topics和Logs

让我们先来看下Kafka为流记录提供的核心抽象的组件——topic

topic是记录发布的分类或饲养者。在Kafka中的topics总是多个订阅，意思是说topic可以没有，或者有一个或许多个消费者来订阅写入其中的数据。

对于每个topic来讲，Kafka集群保留了一个分区日志如下图：

每个分区是一个有序的，不可变的向一个结构化的提交日志中持续写入记录的序列。在分区中的记录都被记作一串叫做offset的唯一标识的数字串。

Kafka集群持久化所有的发布的记录——不管他们是不是消费了——食用一个可配置的保留时间。举个例子，如果保留测试是两天，那么在记录发布之后的两天，它可以被重复消费，在这之后它将会被丢弃来节省空间。Kafka的性能相对于数据大小来说是有效的，所以长期存储数据不是问题。

事实上，只有保存在每个消费者上的元数据会在日志中成为offset或者消费者位置。offset（偏移）被消费者控制：一般消费者都会在读取记录的同时设置offset，但是，实际上，既然位置被消费者控制了那么消费者就可以按照顺序消费。比如一个消费者可以重置一个较早时间的offset去响应之前的记录或者跳转到最近的记录并从“现在”开始消费。

这样的特性意味着Kafka消费者是非常廉价的——他们可以不用受到集群或者其他消费者的影响。比如，他们可以使用命令行工具来“tail”任意topic的内容而无需改变已存在的消费者的消费内容。

日志中的分区有多种用途。首先，它们允许日志扩展到一个适合于单个服务器的大小。每个单独的分区必须适合承载它的服务器，但是一个topic可以有许多分区，因此可以处理任意数量的数据。其次，它们作为一个并行的单元——在这点上可以做到更多的事情。

分布式

日志分区是分布在Kafka集群中的每个服务器上，用来处理数据和共享分区的请求。每个分区通过一个可配置的容错机制的服务器的拷贝。

每个分区都有一个扮演这“leader”角色和多个（或无）扮演者“followers”角色的服务器。Leader处理所有的读和写请求，follwers被动地复制leader上的请求。如果leader发生宕机，一个follower会自动成为新的leader。每个leader服务器充当它所在分区的leader或者其他分区的follower，因此集群内的负载均衡很好。

Geo-Replication

Kafka镜像为它的集群提供geo-replication支持。通过景象，消息在多个数据中心或云中复制。你可以用在主动或被动的环境下备份或还原；或者覆盖邻近你的用户的数据，或者支持本地数据需求。

Producers

生产者根据自己的选择发布数据到topics上。生产者有权选择将记录发布到topic中的哪个分区上。这可以以轮询的方式简单的均衡负载或者根据一些语义上的分区函数（基于记录中的一些key）。由于秒级的建分区而被广泛使用。

Consumers

消费者把它们自己标记为消费者组名字，每个发布到topic上的记录都会被传送到消费者组中一个消费者实例。消费者实例可以在不同的进程或不同的机器上。

如果所有的消费者实例都在一个消费者组中，记录就会在消费者实例中实现高效的负载均衡。

如果所有的消费者实例在不同的消费者组中，则每个记录都会被广播到所有的消费者进程中。

一个包含两个Kafka服务器的集群使用了四个分区（P0-P3）和两个消费者组。消费者组A有两个消费者实例，消费者组B有四个。

更一般的是，你的topic拥有不多的consumer groups，每一个都充当“逻辑上的订阅者“。每个group都由很多消费者实例组成以便扩展和容错考虑。党消费者集群代替了单个进程的时候发布-订阅语义是再好不过的了。

在Kafka中实现消费的方法是将日志中的分区划分到消费者实例中，这样每个实例在任何时间点都是分区的“公平份额”的独占使用者。保持组里成员的地位是由Kafka的协议动态处理的。如果新实例加入了组它们会接管其他组成员的一些分区；如果一个实例死掉，他的分区就会分配给存在的实例。

Kafka只在一个分区中提供一个整体上有序的记录，而不会在topic的不同分区上存有这些记录。每个分区排序通过key和分区数据的能力结合对于大多数应用来说已经足够了。然而，如果你需要一个来自topic上唯一一个分区上整体上有序的记录，那么每个消费者组只有一个消费者进程。