消息队列的两种模式
- )点对点模式(一对一,消费者主动拉取数据,消息收到后消息清除)
消息生产者生产消息发送到Queue中,然后消息消费者从Queue中取出并且消费消息。
消息被消费以后,queque中不再有存储,所以消息消费者不可能消费到已经被消费的消息。Queue支持存在多个消费者,但是对一个消息而言,只会有一个消费者可以消费。
- )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(发布)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。和点对点方式不同,发布到topic的消息会被所有订阅者消费。
Kafka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。
3.Kafka基础架构
(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)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。
(4)Broker: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。
(5)Topic:可以理解为一个队列,生产者和消费者面向的都是一个topic;
(6)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;
(7)Replica:副本,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。
(8)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。
(9)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。
4.Kafka命令行操作
1)查看当前服务器中所有的topic
kafka-topics.sh --list --bootstrap-server hadoop102:9092
2)创建topic
kafka-topics.sh --create --bootstrap-server hadoop102:9092
hadoop102:9092 --topic first --partitions 2 --replication-factor 2
选项说明:
--topic 定义topic名
--replication-factor 定义副本数
--partitions 定义分区数
3)删除topic
bin/kafka-topics.sh --zookeeper hadoop102:2181 --delete --topic
first
需要server.properties中设置delete.topic.enable = true 否则只是标记删除
4)发送消息
bin/kafka-console-producer.sh --broker-list hadoop102:9092
--topic first
>hello world
>hello scala
5)消费消息
bin/kafka-console-consumer.sh
--bootstrap-server hadoop102:9092 --from-beginning --topic first
--from-beginning:会把主题中以往所有的数据都读取出来
6)查看某个Topic的详情
kafka-topics.sh --bootstrap-server hadoop102:9092
--describe --topic first
7)修改分区数
bin/kafka-topics.sh --zookeeper hadoop102:2181
--alter --topic first --partitions 6
kafka工作流程
Kafka中消息是以topic进行分类的,生产者生产消息,消费者消费消息,都是面向topic的。
topic是逻辑上的概念,而partition是物理上的概念,每个partition对应于一个log文件,该log文件中存储的就是producer生产的数据。Producer生产的数据会被不断追加到该log文件末端,且每条数据都有自己的offset。消费者组中的每个消费者,都会实时记录自己消费到了哪个offset,以便出错恢复时,从上次的位置继续消费。
kafka文件存储机制
由于生产者生产的消息会不断追加到log文件末尾,为了防止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。每个segment对应两个文件 —".index"文件和".log"文件。这些文件都位于一个文件夹下,该文件夹的命名规则为:topic名称+分区序号。例如,first这个topic有三个分区,则其对应的文件夹为first-0,first-1,first-2。
00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log
index和log文件以当前segment的第一条消息的offset命名。下图为index文件和log文件的结构示意图。
“.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。
kafka生产者
1.分区策略
1)分区的原因
(1)方便再集群中扩展,每个Partition可以通过调整以使用它所在的机器,而一个topic又可以又多个Partition组成,因此整个集群就可以适应任意大小的数据了;
(2)可以提高并发,因为可以以Partition为单位读写了。
2)分区的原则
我们需要将producer发送的数封装成一个ProducerRecord对象
(1)指明 partition 的情况下,直接将指明的值直接作为 partition 值
(2)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;
(3)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),这个值与topic 可用的partition总数取余到 partition值,也就是常说的 round-robin 算法
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。
1)副本数据同步策略
方案 | 优点 | 缺点 |
---|---|---|
半数以上完成同步,就发送ack | 延迟低 | 选举新的leader时,容忍n台节点的故障,需要2n+1个副本 |
全部完成同步,才发送ack | 选举新的leader时,容忍n台节点的故障,需要n+1个副本 | 延迟高 |
Kafka选择了第二种方案,原因如下:
(1)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。
(2)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。
2)ISR
采用第二种方案之后,设想以下情景:leader收到数据,所有follower都开始同步数据,但有一个follower,因为某种故障,迟迟不能与leader进行同步,那leader就要一直等下去,直到它完成同步,才能发从ack。这个问题怎么解决呢?
Leader维护了一个动态的in-sync replica set(ISR),意味和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producer发送ack。如果follower长时间未向leader同步数据,则该follower将被踢出ISR,该事件阈值由 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。
3)ack应答机制
对于某些不太重要的数据,对于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的参数配置:
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以及返回,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follower不同完成后,broker发生ack之前,leader发生故障,那么会造成数据重复。
4)故障处理细节
Log文件中的HW和LEO
(1)follower故障
follower发生故障后会临时踢出ISR,存入OSR(Outof-Sync-Replicas)列表,新加入的follower也会先存入放在OSR中。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部分截去掉,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。
(2)leader故障
leader发生故障之后,会从ISR中随机选出一个新的leader之后,为保证多个副本之间数据一致性,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。HW之前的数据才可对Consumer可见,消费数据一致性。
Exactly Once语义
将服务器的ACK级别设置为 -1,可以保证Producer到Server之间不会丢失数据,即At Least Once语义。相对的,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,即 At Most Once语义。
At Least Once可以保证数据不丢失,到那时不能保证数据不重复,相对的,At Least Once可以保证数据不重复,但是不能保证数据不丢失。但是,对于溢写非常找那个要的信息,比如说交易数据,下游数据消费者要求数据既不重复也不丢失,即Exactly Once语义。在0.11版本以前的Kafka,对此时无能为力的,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,每个都需要要单独做全局去重,这就对细嫩那个造成了很大影响。
0.11版本的Kafka,引入了一项重大特性:幂等性。所谓幂等性就是指Producer不论向Server发送剅次重复数据,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
要启用幂等性,只需要将Producer的参数中enable.idompotence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,发往统一Partition的消息会附带Sequence Number。而Broker端会对<PID,Partition,SeqNumer>做存储,当具有相同主键的消息提交时,Broker只会持久化一条。
Kafka消费者
3.3.1消费方式
consumer采用pull(拉)模式从broker中读取数据。
push(推)模式很难适应消费速率不同的消费者,因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息,但是这样很容易造成consumer来不及处理消息,典型的标新就是拒绝服务以及网络拥塞。而pull模式则可以根据consumer的消费能力以适当的速率消费消息。
pull模式不足之处是,如果kafka没有数据,消费者可能会陷入循环中,一直返回空数据,针对这一点,kafka的消费者在消费数据时会传入一个时长参数timeout,如果当前没有数据可供消费,consumer会等待一段事件之后再返回,这段时长即为timeout。
分区分配策略
一个consumer group 中有多个consumer,所以必然会涉及到partition的分配问题,即确定那个partition由哪个consumer来消费。
Kafka有两种分配策略,一是roundrobin,一是range。
1)roundrobin
2)range
Range是默认策略。Range是对每个Topic而言的(即一个Topic一个Topic分),首先对同一个Topic里面的分区按照序号进行排序,并对消费者按照字母顺序进行排序。然后用Partition分区的个数初一消费者线程的总数来决定每个消费者线程消费几个分区。如果除不尽,那么前面几个消费者线程将会多消费一个分区。
【offset的维护】
由于consumer在消费过程中可能会出现断电宕机等故障,consumer恢复后,需要从故障前的位置的继续消费,所以consumer需要实时记录自己消费到了哪个offset,以便故障恢复后继续消费。
Kafka0.9版本之前,consumer默认将offset保存在Zookeeper中,从0.9版本开始,consumer默认将offset保存在Kafka一个内置的topic中,该topic为_consumer_offsets。去中心化的集群都是依赖于ZK。
【Kafka高效读写数据】
1)顺序写磁盘
Kafka的producer生成数据,要写入到log文件中,写的过程是一直追加到文件末端,为顺序写。官网有数据表明,同样的磁盘,磁盘写能到到600M/s,而随机写只有100K/s。这与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁盘寻址的时间。
2)应用Pagecache
操作系统会产生大量的随机读写,并不会调用内核IO接口直接写到磁盘上,而是先把数据零时放到内存之中,攒到一定数量再写到磁盘之上。PageCache把内存当磁盘,交换分区是把磁盘当内存。
Kafka数据持久化是直接持久化到Pagecache中,这样会产生以下几个好处:
I/O Scheduler 会将连续的小块写组装成大块的物理写从而提高性能
I/O Scheduler 会尝试将一些写操作重新按顺序排好,从而减少磁盘头的移动时间
充分利用所有空闲内存(非JVM内存)。如果使用应用层Cache(即JVM堆内存),会增加GC负担
读操作可直接在PageCache内进行。如果消费和生产速度相当,甚至不需要通过物理磁盘(直接通过PageCache)交换数据
如果进程重启,JVM内的Cache会失效,但Page Cache仍然可用
尽管持久化到PageCache上可能会造成宕机丢失数据的情况,但这可以被Kafka的Replication机制解决。如果uS为了保证这种情况下数据不丢失而强制将PageCache中的数据Flush到磁盘,反而会降低性能。