大数据开发：Kafka工作原理入门

Kafka在大数据技术生态当中，以作为消息系统而闻名，面对活跃的流式数据，提供高吞吐量的服务，在实时大数据处理场景下，可以说是一大利器，国内外大厂都有应用。今天的大数据开发分享，我们就主要来讲讲Kafka框架的工作原理。

Kafka概述

官方定义，Kakfa是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据的实时处理领域。

通常来说，消息队列的模式分为两种：

①点对点模式：消息生产者发送消息到消息队列中，然后消息消费者从队列中取出并且消费消息，消息被消费后，队列中不在存储。

②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。

Kafka就是典型的发布/订阅模式，更加适用于实时大数据场景下的消息服务。

Kafka基础架构

Kafka的基础架构主要有Broker、生产者、消费者组构成，当前还包括ZooKeeper。

生产者负责发送消息，Broker负责缓冲消息，Broker中可以创建Topic，每个Topic又有Partition和Replication的概念。

消费者组负责处理消息，同一个消费者组的消费者不能消费同一个Partition中的数据。

消费者组主要是提高消费能力，比如之前是一个消费者消费100条数据，现在是2个消费者消费100条数据，可以提高消费能力。

所以消费者组的消费者的个数要小于Partition的个数，不然就会有消费者没有Partition可以消费，造成资源的浪费。

注意：不同消费者组的消费者是可以消费相同的Partition数据。

Kakfa如果要组件集群，则只需要注册到一个ZooKeeper中就可以了，ZooKeeper中还保留消息消费的进度或者说偏移量或者消费位置：

0.9之前的版本偏移量存储在ZooKeeper。

0.9之后的版本偏移量存储在Kafka中。Kafka定义了一个系统Topic，专用用来存储偏移量的数据。这样做主要是考虑到频繁更改偏移量，对ZooKeeper的压力较大，而且Kafka本身自己的处理也较复杂。

Kafka不能保证消息的全局有序，只能保证消息在Partition内有序，因为消费者消费消息是在不同的Partition中随机的。

Kafka工作流程

Kafka中的消息是以Topic进行分类的，生产者生成消息、消费者消费消息都面向Topic。

Topic是一个逻辑上的概念，而Partition是物理上的概念。每个Partition又有副本的概念。

每个Partition对应于一个Log文件，该Log文件中存储的就是生产者生成的数据，生产者生成的数据会不断的追加到该Log的文件末端。

且每条数据都有自己的Offset，消费者都会实时记录自己消费到了那个Offset，以便出错的时候从上次的位置继续消费，这个Offset就保存在Index文件中。

Kafka的Offset是分区内有序的，但是在不同分区中是无顺序的，Kafka不保证数据的全局有序。

关于大数据开发，Kafka工作原理入门，以上就为大家做了简单的介绍了。Kafka在大数据技术生态当中，普及度是非常高的，尤其是拥有丰富数据资源的企业，更加青睐于使用kafka。