本文共计2022字,预计阅读时长十分钟
Kafka总结
一、本质
一种分布式的、基于发布/订阅的消息系统
二、Kafka的特点
– 消息持久化:通过O(1)的磁盘数据结构提供数据的持久化
– 高吞吐量:每秒百万级的消息读写
– 分布式:扩展能力强
– 多客户端支持:java、php、python、c++ ……
– 实时性:生产者生产的message立即被消费者可见
三、Kafka架构
3.1 Broker(中介)
• 每一台机器叫一个Broker(中介),Kafka内部是分布式的、一个Kafka集群通常包括多个Broker
• 负载均衡:将Topic分成多个分区,每个Broker存储一个或多个Partition
• 连接broker的多个Producer和Consumer同时生产和消费消息
3.2 Topic(类别)
• Topic使用分区的日志,每个分区都是有顺序且不变的消息序列,且对应一个文件夹和一个并行单元。
• commit的log可以不断追加。消息在每个分区中都分配了一个叫offset的id序列来唯一识别分区中的消息。
• 无论发布的消息是否被消费,Kafka都会持久化一定时间(可配置)。
• 每个消费者会都持久化这个offset在日志中。 offset的位置可由消费者控制,它可以按任意顺序来消费消息。比如复位到老的offset来重新处理。
3.3 Message(消息)
message(消息)是通信的基本单位,每个producer可以向一个topic(主题)发布一些消息。如果consumer订阅了这个主题,那么新发布的消息就会广播给这些consumer,为了数据流的高效性,message需要经过格式化处理转为二进制,格式如下:
– message length : 4 bytes (value: 1+4+n)
– "magic" value : 1 byte
– crc : 4 bytes
– payload : n bytes
3.4 Producer(消息生产者)
生产者可以发布数据到它指定的topic中,并可以指定在topic里哪些消息分配到哪些分区(比如简单的轮流分发各个分区或通过指定分区语义分配key到对应分区)
异步发送:生产者直接把消息发送给对应分区的broker,而不需要任何路由层。
同步发送:批处理发送,当message积累到一定数量或等待一定时间后进行发送。
3.5 Consumer(消息消费者)
• 重点介绍一种更抽象的消费方式:消费组(consumer group)
• 该方式包含了传统的queue和发布订阅方式
– 首先消费者标记自己一个消费组名。消息将投递到每个消费组中的某一个消费者实例上。
– 如果所有的消费者实例都有相同的消费组,这样就像传统的queue方式。
– 如果所有的消费者实例都有不同的消费组,这样就像传统的发布订阅方式。
– 消费组就好比是个逻辑的订阅者,每个订阅者由许多消费者实例构成(用于扩展或容错)。
• 相对于传统的消息系统,Kafka拥有更强壮的顺序保证。
• 由于topic采用了分区,可在多Consumer进程操作时保证顺序性和负载均衡。
四、Kafka Core
4.1持久化
• Kafka存储布局简单:Topic的每个Partition对应一个逻辑日志(一个日志为相同大小的一组分段文件)
• 每次生产者发布消息到一个分区,代理就将消息追加到最后一个段文件中。当发布的消息数量达到设定值或者经过一定的时间后,段文件真正flush磁盘中。写入完成后,消息公开给消费者。
• 消息通过日志中的逻辑偏移量(offset)来公开。
4.2传输效率高
• 生产者一次提交时发出一批消息,消费者也是一次请求获取一批数据,从而减少网络请求数量。
• Kafka层采用无缓存设计,而是依赖于底层的文件系统页缓存。这有助于避免双重缓存,即消息只缓存了一份在页缓存中,故即使kafka重启,页缓存还是可用的。
• zero-copy:kafka为了减少字节拷贝,采用了大多数系统都会提供的sendfile系统调用。
4.3 Broker无状态
• Kafka代理是无状态的:意味着消费者必须维护已消费的状态信息(通过offset定位)。
– 当消息在代理中超过一定时间后,将会被自动删除。
– 消费者可以故意倒回到老的offset再次消费数据。
4.4 交付保证
• Kafka默认采用at least once的消息投递策略。即在消费者端的处理顺序是获得
消息->处理消息->保存位置。
• 三种保证策略:
– At most once 消息可能会丢,但绝不会重复传输
– At least one 消息绝不会丢,但可能会重复传输
– Exactly once 每条消息肯定会被传输一次且仅传输一次
4.5 副本管理
• kafka将日志复制到指定多个服务器上。
• 复本的单元是partition。在正常情况下,每个partition有一个leader和0到多个follower。
• leader处理对应分区上所有的读写请求。分区可以多于broker数,leader也是分布式的。
• follower的日志和leader的日志是相同的, follower被动的复制leader。如果leader挂了,其中一个follower会自动变成新的leader。
• kafka采用ISR(In-Sync Replicas同步副本)来管理各副本
– kafka动态的维护了一组in-sync(ISR)的复本,表示已追上了leader,只有处于该状态的成员组才是能被选择为leader。这些ISR组会在发生变化时被持久化到zookeeper中。
– 如果follower挂掉或卡住或落得很远,便会进入到Out-of-Sync Replicas列表中,leader则会移除Out-of-Sync Replicas列表中的副本。至于落了多远才叫远由replica.lag.max.messages配置,而表示复本“卡住”由replica.lag.time.max.ms配置。
4.6 分布式协调
• 由于kafka中一个topic中的不同分区只能被消费组中的一个消费者消费,就避免了多个消费者消费相同的分区时会导致额外的开销(如要协调哪个消费者消费哪个消息,还有锁及状态的开销)。
• kafka中消费进程只需要在代理和同组消费者有变化时时进行一次协调(这种协调不是经常性的,故可以忽略开销)。
4.7 Zookeeper的作用
1) 探测broker和consumer的添加或移除
Broker Node Registry
– broker启动时在/brokers/ids下创建一个znode,把broker id写进去。
– 因为broker把自己注册到zookeeper中实用的是临时节点,所以这个注册是动态的,如果broker宕机或者没有响应该节点就会被删除。
Broker Topic Registry
– 每个broker把自己存储和维护的partion信息注册到该路径下。
Consumers and Consumer Groups
– consumers也把它们自己注册到zookeeper上,用以保持消费负载平衡和offset记录。
– group id相同的多个consumer构成一个消费组,共同消费一个topic,同一个组的consumer会尽量均匀的消费,其中的一个consumer只会消费一个partition的数据。
Consumer Id Registry
– 每个consumer在/consumers/[group_id]/ids下创建一个临时的唯一的consumer_id,用来
描述当前该group下有哪些consumer是alive的,如果消费进程挂掉对应的consumer_id就会从该节点删除。
2) 维护消费关系和追踪消费者在分区消费的消息的offset。
Consumer Offset Tracking
– consumer把每个partition的消费offset记录保存在该节点下。
Partition Owner registry
– 该节点维护着partion与consumer之间的对应关系。
重要通知:
公众号现在已经把目前所有的干货都整理出来了,
在外面点击菜单即可看到全部内容。
关注这个公众号,每天会有三道大数据面试题准时推送给你哦~