kafka副本
副本的基本信息
- kafka副本的作用,提高数据可靠性。
- kafka默认副本1个,生产环境一般配置2个,保证数据可靠性;太多副本会增加磁盘存储空间,增加网络上数据传输,降低效率。
- kafka副本分为leader和follower,kafka生产者只会把数据发往leader,然后fallower找leader进行同步数据。
- kafka分区中的所有副本统称为AR(Assigned Repllicas)
ISR,表示和leader保持同步的follower集合,如果follower长时间未向leader发送通信请求或同步数据,则该follower将被踢出ISR。该时间阈值由 replica.lag.time.ms参数设定,默认为30s。leader发生故障之后,就会从ISR中选举新的leader。
OSR,表示follower与leader副本同步时,延迟过多的副本。
leader选举流程
kafka集群中有一个broker的controller会被选举为controller leader,负责管理集群broker的上下线,所有topic的分区副本分配和leader选举等工作。
- 创建一个新的topic,3个分区,3个副本
bin/kafka-topics.sh --bootstrap-server hadoop101:9092 --create --topic second --partitions 3 --replication-factor 3
- 查看leader分布情况
bin/kafka-topics.sh --bootstrap-server hadoop101:9092 --describe--topic second
- 停止掉hadoopxxx的kafka进程,并查看leader分区情况
bin/kafka-server-stop.sh
bin/kafka-topics.sh --bootstrap-server hadoop101:9092 --describe--topic second
follower故障处理细节
LEO:每个副本的最后一个offset,LEO其实就是最新的offset+1(Log End Offset)
HW:所有副本中最小的LEO(High Watermark)
follower故障:
- follow发生故障后会被临时踢出ISR
- 这个期间leader和follower继续接收数据
- 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
- 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。
- 这样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。
分区副本分配
如果kafka服务器只有三个节点,那么设置kafka的分区数大于服务器台数,在kafka底层如何分配存储副本呢?
- 创建16个分区,3个副本
./kafka-topics.sh --bootstrap-server hadoop101:9092 --create --topic second --partitions 16 --replication-factor 3
- 查看分区和副本情况。
./kafka-topics.sh --bootstrap-server hadoop101:9092 --describe --topic second
可以看到分区副本均匀分布
手动调整分区副本储存
在生产环境中,每台服务器的配置和性能不一致,但是kafka只会根据自己的代码规则创建对应的分区副本,就会导致个别服务器的存储压力较大。所有需要手动调整分区副本的存储。手动调整分区副本储存的步骤如下:
- 创建一个新的topic,名称为three
./kafka-topics.sh --bootstrap-server hadoop101:9092 --create --topic three --partitions 4 --replication-factor 2
- 查看分区副本存储情况
./kafka-topics.sh --bootstrap-server hadoop101:9092 --describe --topic three
- 创建副本存储计划(所有副本都指定存储在broker0和broker1中)
vim increase-replication-factor.json
# 输入以下内容
{
"version" : 1,
"partitions" : [ { "topic" : "three" , "partition" : 0, "replicas" : [0,1]},
{ "topic" : "three" , "partition" :2, "replicas" : [1,0]},{ "topic" : "three" , "partition" : 3, "replicas" : [1,0]}]
}
- 执行副本存储计划
bin/kafka-reassign-partitions.sh --bootstrap-server hadoop101:9092 --reassignment-json-file increase-replication-factor.json --execute
- 验证副本存储计划
bin/kafka-ressign-partitions.sh --bootstarp-server hadoop101:9092 --reassignment-json-file increase-replication-factor.json --verify
- 查看分区副本存储情况
bin/kafka-ressign-partitions.sh --bootstarp-server hadoop101:9092 --describe --topic three
leader partition自动平衡
- 正常情况下,Kafka本身会自动把Leader Partition均匀分散在各个机器上,来保证每台机器的读写吞吐量都是均匀的。但是如果某些broker宕机,会导致Leader Partition过于集中在其他少部分几台broker上,这会导致少数几台broker的读写请求压力过高,其他宕机的broker重启之后都是follower partition,读写请求很低,造成集群负载不均衡。
auto.leader.rebalance.enable,默认为true。自动leader partition平衡。 - leader.imbalance.per.broker.percentage,默认是10%。每个broker允许的不平衡leader的比率。如果每个broker超过了这个值,控制器会触发leader的平衡
- leader.imbalance.check.interval.seconds,默认值为300秒。检查leader负载是否平衡的间隔时间
增加副本因子
在生产环境当中,由于某个主题的重要等级需要提升,我们考虑增加副本。副本数的增加需要先指定计划,然后根据计划执行
- 创建topic
bin/kafka-topics.sh --bootstrap-server hadoop101:9092 --create --topic second --partitions 3 --replication-factor 1 --topic four
- 手动增加副本存储
# 创建副本存储计划(所有副本都指定存储在broker0、broker1和broker2中)
vim increase-replication-factor.json
输入以下内容
{ "version" :1, "partitions" : [ { "topic" : "four" , "partition":0,"replicas" : [0,1,2]},{ "topic" : "four" , "partition" : 1, "replicas" : [0,1,2]},{"topic" : "four" , "partition" :2, "replicas" :[0,1,2]}]}
执行副本存储计划
bin/kafka-reassign-partitions.sh --bootstrap-server hadoop101:9092 --reassignment-json-file increase-replication-factor.json --execute
kafka文件存储机制
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,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。每个segment包括: “.index”文件、”.log”文件和.timeindex等文件。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,例如: first-0。
.log日志文件,.index偏移量索引文件,.timeindex时间戳索引文件,其他文件
index和log文件以当前segment的第一条消息的offset命名
1. 启动生产者,并发送消息
bin/kafka-console-produce.sh --bootstrap-server hadoop101:9092 --topic first
hello world
2. 查看hadoop101的/opt/module/kafka/datas/first-1路径上的文件
3. 直接查看log日志是乱码
4. 通过工具查看index和log信息
kafka-run-class.sh kafka.tools.DumpLogSegment --first ./xxx.index
Log文件和Index文件详解
- index为稀疏索引,大约每往log文件写入4kb数据,会往index文件写入一条索引。参数log.index.interval.bytes默认为4kb
- index文件中保存的offset为相对offset,这样能确保offset的值所占空间不会过大,因此能将offset的值控制在固定大小
文件清理策略
kafka中默认的日志保存时间为7天,可以通过调整如下参数修改保存时间
- log.retention.hours,最低优先级小时,默认七天
- log.retention.minutes,分钟
- log.retention.ms,最高优先级毫秒
- log.retention.check.intervel.ms,负责设置检查周期,默认为5分钟
那么日志一旦超过了设置的时间,怎么处理呢?
kafka中提供的日志清理策略有delete和compact两种
- delete日志删除:将过期数据删除
- log.cleanup.policy = delete 所有数据启用删除策略
- 基于时间:默认打开。以segment中所有记录中的最大时间戳作为该文件时间戳
- 基于大小:默认关闭。超过设置的所有日志总大小,删除最早的segment。log.retention.bytes,默认等于-1,表示无穷大。
- compact日志压缩
compact日志压缩:对于相同的key的不同value值,只保留最后一个版本。
- log.cleanup.policy = compact 所有的数据启用压缩策略
压缩后的offset可能是不连续的,比如上图中没有6,当从这些offset消费消息时,将会拿到比这个offset打的offset对应的消息,实机上会拿到offset为7的消息,并从这个位置开始消费。这种策略只适用于特殊场景,比如消息的key是用户ID,value是用户的资料,通过这种压缩策略,整个消息集里就保存了所有用户最新的资料。
高效读写数据
- kafka本身是分布式集群,可以采用分区技术,并行度高
- 读数据采用稀疏索引,可以快速定位要消费的数据
- 顺序写磁盘。kafka的producer生产数据,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,顺序写能到600M/s,而随机写只有100K/s。这与磁盘的机械结构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间。
- 页缓存和零拷贝技术。零拷贝:kafka的数据加工处理操作交由kafka生产者和kafka的消费者处理,kafka应用层不关心存储的数据,所以就不用走应用层,传输效率高。PageCache页缓存,kafka重度依赖底层操作系统提供的PageCache功能,当上层有写操作时,操作系统只是将数据写入PageCache,当读操作发生时,先从PageCache中查找,如果找不到,再从磁盘中读取。实际上PageCache是把尽可能多的空闲内存都当做了磁盘缓存来使用。