Kafka04——生产者

一、分区策略
 1、分区的原因
  ①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 又可以由多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
  ②可以提高并发，因为可以以 Partition 为单位进行读写；
 2、分区的原则
  我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象，ProducerRecord 类中提供了如下 6 种构造：

public ProducerRecord(@NotNull String topic,Integer partition,Long timestamp,String key,String value,@Nullable Iterable<Header> headers);
public ProducerRecord(@NotNull String topic,Integer partition,Long timestamp,String key,String value);
public ProducerRecord(@NotNull String topic,Integer partition,String key,String value,@Nullable Iterable<Header> headers);
public ProducerRecord(@NotNull String topic,Integer partition,String key,String value);
public ProducerRecord(@NotNull String topic,String key,String value);
public ProducerRecord(@NotNull String topic,String value);

  ①指明 partition 的情况下，直接将指明的值作为 partiton 的值；
  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。

二、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，都需要向 producer 发送 ack（acknowledgement 确认收到）。producer 收到 ack，才会进行下一轮的发送，否则重新发送数据。

 1、副本数据同步策略

方案	优点	缺点
半数以上完成同步，就发送 ack	延迟低	选举新的 leader 时，若肯容忍 n 台节点出现故障，则需要 2n+1 个副本
全部完成同步，才发送ack	选举新的 leader 时，若肯容忍 n 台节点出现故障，则需要 n+1 个副本	延迟高

  TIP：这里说的全部，并非实际的全部，而是ISR(副本同步集合)中全部的follower，不在ISR中的不算在内。
  Kafka 选择了第二种方案，原因如下：
  ①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。
  ②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。

 2、ISR
  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，副本同步集合)，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，follower 就会给 leader 发送 ack。如果 follower 长时间未从 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、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权衡选择 acks 参数配置：
  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；如下图所示：

  -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；如下图所示：

 4、故障处理细节
  log文件中的 HW 和 LEO：

  LEO：指的是每个副本最大的 offset；
  HW：指的是消费者能见到的最大的 offset(即消费者能消费的最大的offset)，ISR 队列中最小的 LEO；
  ①follower 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。
  ②leader 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。

三、Exactly Once 语义
 将服务器的 ACK 级别设置为 -1(即all，所有副本同步)，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。
 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(仅一次) 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.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。我们可以借助第三方的缓存中间件实现完全的Exactly Once，比如计算出所有Producer生产的所有消息的MD5，将此MD5缓存在Redis中作为去重的依据，但如此一来会增加开发的难度，应视情况酌情考量。