Kafka生产者

分区写入Kafka策略

为什么要分区？

• 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 又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据了；

• 可以提高并发，因为可以以Partition为单位读写了。

怎么分区？

将producer发送的数据封装成一个ProducerRecord对象。

• 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。 =>TODO A

• 指明partition的情况下，直接将指明的值直接作为partiton值；=>TODO B

• 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;=>TODO C

    val topic = "hellokafka"

    // 2 kafka的生产者
    val producer: KafkaProducer[String, String] = new KafkaProducer[String, String](props)

    for (i <- 1 to 10) {
      // 3 封装数据的对象

      //TODO A:没有指定key和分区，默认的策略为轮询，数据均匀写入多个分区中
      // (将多条数据批量写入到一个分区，达到一定大小再切换，而非写一条就切换分区)
      val record = new ProducerRecord[String, String](topic, "value- " + i)

      //TODO B:将数据发送到指定的分区编号   (topic, partition, k, v)
      // 区别于MR的偏移量为字节的偏移量，KFK的偏移量offset是行的偏移量
      val record = new ProducerRecord[String, String](topic, 1 , null,"myvalue:"+i)
      val record = new ProducerRecord[String, String](topic, 1 , "doit","myvalue:"+i)

      val partitionNum = i % 3  // 指定数据均匀写入3个分区中
      val record = new ProducerRecord[String, String](topic, partitionNum, null,"myvalue:"+i)

      //TODO C:不指定分区编号，指定key， 分区编号 = key.hasacode % topic的分区数量
      val record = new ProducerRecord[String, String](topic , "doit","myvalue:"+i)

      //根据key的hashcode值模除以topic分区的数量，返回一个分区编号，这里的key没有用处。用来生成随机哈希值
      val record = new ProducerRecord[String, String](topic, UUID.randomUUID().toString, "myvalue:" + i)

      // 4 发送消息
      producer.send(record)
    }

注意：

• A情况：将多条数据批量写入到一个分区，达到一定大小再切换，而非写一条就切换分区

• 区别于MR的偏移量为字节的偏移量，KFK的偏移量offset是行的偏移量

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） ，如果producer收到ack，就会进行下一轮的发送，否则重新发送数据。

副本数据同步策略

Kafka在全部follower同步完成，才发送ack

• 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。

• 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。

In-Sync Replica set（ISR）

leader收到数据，所有follower都开始同步数据，有一个follower故障，不能与leader进行同步，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)，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，leader就会给follower发送ack。如果follower长时间未向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。

分区中的所有副本统称为AR（Assigned Repllicas）。所有与leader副本保持一定程度同步的副本（包括Leader）组成ISR（In-Sync Replicas），ISR集合是AR集合中的一个子集。消息会先发送到leader副本，然后follower副本才能从leader副本中拉取消息进行同步，同步期间内follower副本相对于leader副本而言会有一定程度的滞后。前面所说的“一定程度”是指可以忍受的滞后范围，这个范围可以通过参数进行配置。与leader副本同步滞后过多的副本（不包括leader）副本，组成OSR(Out-Sync Relipcas),由此可见：AR=ISR+OSR。在正常情况下，所有的follower副本都应该与leader副本保持一定程度的同步，即AR=ISR,OSR集合为空。

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进行权衡，选择以下的配置。

acks：

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；At Most Once

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；

-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。At  Least Once

val props = new Properties()
//配置ACKS：数据同步应答
props.setProperty("acks", "1")

故障处理细节（以下图片来自网络，侵删）

request.required.acks=1

request.required.acks=-1

 request.required.acks=-1

HW&LEO

LEO（LogEndOffset）：表示每个partition的log最后一条Message的位置。

HW（HighWatermark）：表示partition各个replicas数据间同步且一致的offset位置，即表示allreplicas已经commit位置，每个Broker缓存中维护此信息，并不断更新。是指consumer能够看到的此partition位置。Consumer只能看到commit的数据，也就是HW之前的数据。

follower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。

Leader副本负责维护和跟踪ISR集合中所有的follower副本的滞后状态，当follower副本落后太多或者失效时，leader副本会吧它从ISR集合中剔除。如果OSR集合中follower副本“追上”了Leader副本，之后再ISR集合中的副本才有资格被选举为leader，而在OSR集合中的副本则没有机会（这个原则可以通过修改对应的参数配置来改变）

leader故障

leader发生故障之后，会从ISR中选出一个新的leader，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。

Exactly Once语义

将服务器的ACK级别设置为-1，可以保证Producer到Server之间不丢失数据，即At  Least Once语义。相对的，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可保证数据不丢失，但不能保证数据不重复；相对的，At Least Once 可保证数据不重复，但不能保证数据不丢失。

对于重要的信息，如交易数据，下游数据消费者要求数据既不重复也不丢失，即Exactly Once语义。

0.11版本以前的Kafka，对此无能为力，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，每个都需单独全局去重，对性能造成了影响。

0.11版本的Kafka，引入了一项重大特性：幂等性。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

启用幂等性只需将Producer的参数中enable.idompotence设置为true。幂等性实现就是将原来下游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。