Kafka讲解

Kafka讲解

一：Kafka介绍

Kafka是分布式消息队列，主要设计用于高吞吐量的数据处理和消息传输，适用于日志处理、实时数据管道等场景。Kafka作为实时数仓架构的核心组件，用于收集、缓存和分发实时数据流，支持复杂的实时数据处理，实时需求分析，实时报表等应用。

二：Kafka基本架构图

基本讲解：

• zookeeper：统一管理kafka集群

  （1）保存kafka相关的元数据

  （2）负责Kafka集群的整体协调和管理

  （3）在Kafka集群中，当某个节点（如Broker或分区领导者Leader）出现故障时，ZooKeeper能够协助进行故障检测和恢复

• Producer：生产者

  向kafka发送消息，通过【轮询写入】方式，使得消息数据均匀分布，即：传数据给kafka。

• Consumer：消费者

  从kafka中获取消息（数据）进行消费，一般有三种策略可选（订阅模式，正则模式，指定模式）。

• Kafka集群：

  1. Broker：一台Kafka服务器一般是一个Broker【主要由该机器的核数来决定】，一个集群由多个Broker组成，一个Broker可以容纳多个Topic。

  2. Topic（主题）：是数据的逻辑分类单位，用于管理和组织消息流，Topic类似于mysql数据库中的库。Topic分为多个partition存放于不同的kafka服务器上。

  3. partition（分区）：每个Partition（分区）是一个有序的队列(分区有序，不能保证全局有序)

     • Leader：每个partition（分区）都有一个leader（领导者），负责处理该分区的所有读取和写入数据操作（生产者和消费者都面对leader对象进行操作）。

     • Replica：特殊的Follower。

     • Follower：每个partition（分区）含有多个follower（跟随者），主要用于与leader（领导者）同步数据，保持数据的一致性。当leader失效时，会从中选一个follower成为新的leader。

三：Kafka特点

1、多副本机制

1.1.容错性（In-Sync Replicas，同步副本集）

讲解：

• 在每个partition（分区）内部中，都含有一个leader（领导者）和多个follower（跟随者）。

• 其中可将其分为ISR队列（此处为三个）和Followers两部分。

• 正常状态（消息数据写入队列）：

  • 1、消息数据写到ISR队列中的每一个节点上（Leader和replica），当写入所有的ISR队列后，才可以进行下一个消息的写入。

  • 2、Followers中节点可以同步Leader数据，且并无时间限制（时间可长可短）。

• Leader失效场景：

  • 当Leader失效时，会在ISR队列中选取一个作为新的Leader继续工作，同时会在Followers中选取一个进入ISR队列中。

1.2.读写分离

• Leader 负责写操作
• I S R 中任何一个 replica 都可以读操作

2、多分区（MP，multiple partitions）

每个Topic（主题）可以被划分成多个分区（partition），每个分区在物理上可以存储在不同的Broker节点上。

主要优势：

• 低延时
• 负载均衡：Kafka集群可以在多个Broker节点上均匀地分布分区，使得每个Broker负责处理的分区数量相对均衡【Topic（主题）分区数量最优设计：节点数*物理核数】
• 方便在集群中集成和扩展：Kafka提供了丰富的客户端API，支持多种编程语言，如Java、Python、Go、Scala等。同时，每个partition通过调整以适应它所在的机器（水平扩展），而一个Topic又可以有多个partition组成，因此整个集群可以适应适合的数据，从而达到扩缩容效果。

3、零拷贝

数据可以直接从磁盘传输到网络接口，避免了传统I/O操作中的多次内存拷贝和上下文切换,提高数据传输效率。
Kafka 用到了零拷贝（Zero-Copy）技术来提升性能。所谓的零拷贝是指数据直接从磁盘文件复制到网卡设备，而无需经过应用程序，减少了内核和用户模式之间的上下文切换。
下面这个过程是不采用零拷贝技术时，从磁盘中读取文件然后通过网卡发送出去的流程，可以看到：经历了 4 次拷贝，4 次上下文切换。
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/adf3acde297b4a14a7fc8a0eaf9b1d09.png

如果采用传统的 IO 流程，先读取网络 IO，再写入磁盘 IO，实际需要将数据 Copy 四次。
第一次：读取磁盘文件到操作系统内核缓冲区；
第二次：将内核缓冲区的数据，copy 到应用程序的 buffer；
第三步：将应用程序 buffer 中的数据，copy 到 socket 网络发送缓冲区；
第四次：将 socket buffer 的数据，copy 到网卡，由网卡进行网络传输。

零拷贝就是尽量去减少上面数据的拷贝次数，从而减少拷贝的 CPU 开销，减少用户态内核态的上下文切换次数，从而优化数据传输的性能。

常见的零拷贝思路主要有三种：
直接 I/O：数据直接跨过内核，在用户地址空间与 I/O 设备之间传递，内核只是进行必要的虚拟存储配置等辅助工作；
避免内核和用户空间之间的数据拷贝：当应用程序不需要对数据进行访问时，则可以避免将数据从内核空间拷贝到用户空间；
写时复制：数据不需要提前拷贝，而是当需要修改的时候再进行部分拷贝。
Kafka 使用到了 mmap 和 sendfile 的方式来实现零拷贝。分别对应 Java 的 MappedByteBuffer 和 FileChannel.transferTo。

4、产销解耦

基本讲解：

• Kafka作为一种分布式消息中间件。生产者只需要将数据发送到Kafka的特定主题（Topic）中，无需知道数据的具体消费者是谁；消费者只需要从Kafka订阅特定的主题，并拉取数据进行处理，无需知道数据的来源是从何而来【生产者 —> Kafka <— 消费者】

• 生产者数量：分区数 个生产者**【轮询写入】，均匀分布**。

• 消费者数量：分区数 个消费者一对一读取，并行消费。

  => 分布式最佳效果：spark处理的算子分区数(spark并行度) = kafka的分区数(有多少个队列)【分区上限主要由"核数"决定】。

四：Kafka命令讲解（shell 控制台处理）

1、查看主题

# --bootstrap-server kafka的地址:端口号
kafka-topics.sh --list --bootstrap-server single:9092

2、创建主题

# --topic 主题名称
# --partitions 分区数
# --replication-factor 每个分区的副本数
# --bootstrap-server kafka的地址:端口号
kafka-topics.sh --create --topic test01 --partitions 1 --replication-factor 1 --bootstrap-server single:9092

3、查看主题详情

# --topic 主题名称
# --bootstrap-server kafka的地址:端口号
kafka-topics.sh --describe --topic test01 --bootstrap-server single:9092

4、创建控制台【生产者】

# --topic 主题名称
# --broker-list single:9092 => 指定主题
kafka-console-producer.sh --broker-list single:9092 --topic test01 < /root/ebs_act_log/transaction_log/part-00001

在Kafka客户端工具中

5、创建控制台【消费者】

# --bootstrap-server kafka的地址:端口号
# --topic 主题
# --property print.key=true	
kafka-console-consumer.sh --bootstrap-server single:9092 --topic test01 --property print.key=true --from-beginning

6、删除主题和数据（不能被正在生产或消费）

kafka-topics.sh --bootstrap-server single:9092 --delete --topic test01