Kafka学习知识要点

Win10下kafka简单安装及使用
https://blog.csdn.net/github_38482082/article/details/82112641

—— MQ

定义：是一个分布式的基于发布 / 订阅模式的消息队列，主要应用于大数据实时处理领域
优点：解耦；削峰；缓冲（生产大于消费）；灵活性（分布式）

两种模式：

• 点对点模式（消费者主动拉取数据，消费者消费数据后清除消息）
• 发布/订阅模式（一对多，消费者消费数据之后不会被清除）
  队列自动推送；消费者主动拉取（kafka，需要不断去轮询队列）

—— Kafka

架构图

基本概念
存储于磁盘中，默认存储7天

• Producer ： 消息生产者，就是向 Kafka ；
• Consumer ： 消息消费者，向 Kafka broker 取消息的客户端；
• Consumer Group （CG）： 消费者组，由多个 consumer 组成。 消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。 所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
• Broker ：经纪人 一台 Kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker可以容纳多个 topic。
• Topic ： 主题，可以理解为一个队列， 生产者和消费者面向的都是一个 topic；
• Partition： 分区，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；
• Replica： 副本（Replication），为保证集群中的某个节点发生故障时， 该节点上的 partition 数据不丢失，且 Kafka仍然能够继续工作， Kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。
• Leader： 每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是 leader。
• Follower： 每个分区多个副本中的“从”，实时从 leader 中同步数据，保持和 leader 数据的同步。 leader 发生故障时，某个 Follower 会成为新的 leader。

—— 安装配置

server.properties

• broker.id=0（broker的全局唯一编号，不能重复）
• delete.topic.enable=true（删除 topic 功能使能）
• log.dirs=/opt/module/kafka/logs （kafka 运行日志存放的路径）
• zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181（配置连接 Zookeeper 集群地址）

xsync kafka/（分发在集群节点上）

—— 命令行操作Topic增删改查

• 开启kafka内置ZK（不要关闭当前窗口）：.\bin\windows\zookeeper-server-start.bat .\config\zookeeper.properties

• 读取配置文件启动kafka：.\bin\windows\kafka-server-start.bat .\config\server.properties

• 创建 topic——replication-factor 定义副本数——partitions 定义分区数： .\bin\windows\kafka-topics.bat --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test-topic

• 进入对应的topic生产者：.\bin\windows\kafka-console-producer.bat --broker-list localhost:9092 --topic test-topic

• 消费消息 --from-beginning： 会把主题中以往所有的数据都读取出来： .\bin\windows\kafka-console-consumer.bat --bootstrap-server localhost:9092 --topic test-topic --from-beginning

• 查看当前服务器中的所有 topic: bin\windows\kafka-topics.bat --list --zookeeper localhost:2181

• 删除 topic：bin\windows\kafka-topics.bat --zookeeper localhost:2181 --delete --topic test-topic

• 查看某个 Topic 的详情：bin\windows\kafka-topics.bat --zookeeper localhost:2181 --describe --topic first

—— 数据日志分离

在server.properties中log.dirs=/opt/module/kafka/logs进行修改配置（存在日志和数据，更改为logs和data）

—— 工作流程

• Kafka中消息是以topic进行分类，producer生产消息，consumer消费消息，都是面向topic的
• topic是逻辑上的概念（不存在的），partition是物理上的概念（能找到的文件夹），每个partition都有一个log文件，该文件存储的就是producer生产的数据
• producer生产的数据会不断追加到log文件末端，且每条数据都有自己的offset（偏移量）。consumer组中的每个consumer，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上一个位置继续消费

—— 文件存储

• 因为producer生产的消息不断追加到 log 文件末尾， 为防止 log 文件过大导致数据定位效率低下， Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment（分片）
• 每个 segment对应两个文件——“.index”文件和“.log”文件。 这些文件位于一个文件夹下， 该文件夹的命名规则为： topic 名称+分区序号
• “.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中 message 的物理偏移地址
• .index文件中查找.log文件中message的offset（偏移量）方法：
  二分查找法

—— 生产者

—— 分区策略

分区原因

• 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适合的数据
• 可以提高并发，因为可以以 Partition 为单位读写（联想到ConcurrentHashMap在高并发环境下读写效率比HashTable的高效）

分区原则

• 指明 partition 的情况下，直接将指明的值直接作为 partiton 值
• 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
• 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 （轮询）算法

—— ISR

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 选择了第二种方案，原因如下：

• 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。

ISR
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，就会给 leader 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。

—— ACK机制

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
• -1（all） ： producer 等待 broker 的 ack， partition 的 leader 和 ISR 的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

—— 数据一致性

• LEO：（Log End Offset）每个副本的最后一个offset
• HW：（High Watermark）高水位，指的是消费者能见到的最大的 offset， ISR 队列中最小的 LEO
• 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 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。

—— ExactlyOnce

• At Least Once：将服务器的 ACK 级别设置为-1（all），可以保证 Producer 到 Server 之间不会丢失数据
• At Most Once：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
• 幂等性：指生产者不论向服务器发送多少次重复数据，服务器上只会持久化一条（At Least Once + 幂等性 = Exactly Once）
• 要启用幂等性，只需要将 Producer 的参数中 enable.idempotence 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

—— 事务

producer事务

• 为了实现跨分区跨会话的事务，引入一个全局唯一的一个TransactionID，并将Producer获得的PID和TransactionID绑定，这样当Producer重启后就可以通过正在进行的TransactionID获得原来的PID

consumer事务

• Kafka事务机制主要是从producer方面考虑，对于consumer相对较弱，无法保证commit的信息被精确消费。因为consumer可以通过offset访问任何消息，并且不同的segment file生命周期不同，同一事务的消息可能会出现重启后被删除的情况

—— ZK在Kafka中的作用

kafka集群中有一个broker会被选举为Controller，负责管理集群broker的上下线，所有topic的分区副本分配和leader选举工作

—— 相关资料

• Kafka相关常见面试题：https://blog.csdn.net/C_Xiang_Falcon/article/details/100917145
• 详细笔记：
  https://my.oschina.net/jallenkwong/blog/4449224#h2_52