前言:最近公司做一个ETL 数据同步的工程,其中我们使用了kafka 作为消息缓冲和服务之间传递的中间层。
主要就是将其他数据库的数据变化(增量数据)投递进kafka ,然后使用自己写的工具将kafka 消息进行解读,转换 ,最后写入该写入的位置(如DB)
话不多说,让我们首先来认识一下kafka.
kafka 是一个 分布式的消息中间件,你可以把他类比 其他mq 等。(相关对比图请自行百度)
学习kafka 你需要理解如下概念:
1)Producer :消息生产者,就是向kafka broker发消息的客户端;
2)Consumer :消息消费者,向kafka broker取消息的客户端;
3)Topic :可以理解为一个队列;
4)Partition:为了实现扩展性,一个非常大的topic可以分布到多个broker(即服务器)上,一个topic可以分为多个partition,每个partition是一个有序的队列。partition中的每条消息都会被分配一个有序的id(offset)。kafka只保证按一个partition中的顺序将消息发给consumer,不保证一个topic的整体(多个partition间)的顺序;(换而言之,一旦你topic 分区了,那么topic整体消息一定是乱序的)
5) Consumer Group (CG):这是kafka用来实现一个topic消息的广播(发给所有的consumer)和单播(发给任意一个consumer)的手段。一个topic可以有多个CG。topic的消息会复制(不是真的复制,是概念上的)到所有的CG,但每个partion只会把消息发给该CG中的一个consumer。如果需要实现广播,只要每个consumer有一个独立的CG就可以了(这句话尤为关键,特别是你需要提高消费能力时)。要实现单播只要所有的consumer在同一个CG。用CG还可以将consumer进行自由的分组而不需要多次发送消息到不同的topic;
注:因为上面红色区域的概念很重要,有一些新手很容易误解,所以附带上官方的图。
图上可以看到 server = broker , P0 P1 P2 P3 就是 partition. C1 C2 C3..C6 就是消费者
可以看到
当 CGA 只有两个消费者时,一个消费者固定去分配消费两个P 上的数据,这个一旦消费者产生就固定不变了(不增加剔除消费者前提下),不会因为时间变化而发生C1 去消费P1数据的情况(这样保证了单个消费者内消费某个分区数据是有序的)
当CGA 只有四个消费者时,他们各自去消费一个分区的数据(分区数:组内消费者数=1:1)此时消费效率是最高的,
分区数大于组内消费者数时,消费者需要轮询不同分区(可能会访问不同server,broker)的数据,中间网络耗时会长,
当分区数小于组内消费者数(这是一种错误启动消费者的方式),这样会导致多余的消费者在哪里空占资源,而不发生消费行为。
6)Broker :一台kafka服务器(可以理解为物理机或者VM)就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic;
7)Offset(消息的位点,保证了kafka消息的有序性):kafka的存储文件都是按照offset.kafka来命名,用offset做名字的好处是方便查找。例如你想找位于2049的位置,只要找到2048.kafka的文件即可。当然the first offset就是00000000000.kafka。
好了,以上就是kafka 整体的必备知识。
书接上话&#