Kafka学习视频心得（一）安装、存储原理、分区、消息安全

1、消息队列的两种模式

1）、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

2）、发布/订阅模式（kafka）

一对多，消费者消费数据之后不会清除消息，但是会记录位置，下次从位置往后开始消费，消息的周期由队列控制

2、kafka定义

Kafka是一个分布式的基于发布/订阅模式的消息队列（Message Queue），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安装

需要先安装zookeeper

1）、上传解压并重命名

tar -zxvf kafka_2.11-1.0.0.tgz -C /usr/local/soft/
mv kafka_2.11-1.0.0/ kafka_2.11

2）、配置环境变量

vim /etc/profile

3）、修改配置文件

vim /usr/local/soft/kafka_2.11/config/server.properties

# 每一个节点broker.id 要不一样
broker.id=0
# zk集群地址
zookeeper.connect=master:2181,node1:2181,node2:2181
# 消息存放的位置
log.dirs=/usr/local/soft/kafka_2.11/data

4）、发送至test1、test2

cd /usr/local/soft/
scp -r kafka_2.11 test1:`pwd`
scp -r kafka_2.11 test2:`pwd`

5）、修改test1、test2中的配置文件中的broker.id

• test1

vim /usr/local/soft/kafka_2.11/config/server.properties

broker.id=1

• test2

vim /usr/local/soft/kafka_2.11/config/server.properties

broker.id=2

6）、在test1、test2中配置环境变量

改完后记得source /etc/profile

7）、启动zookeeper（3台）

zkServer.sh start

8）、启动kafka(3台)

kafka-server-start.sh -daemon /usr/local/soft/kafka_2.11/config/server.properties

9）、查看状态

可以通过jps命令查看kafka进程，也可以在zk的客户端：ls /brokers/ids 可以看到 0，1，2

5、kafka的存储原理

1）、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。

2）、index和log文件解释

“.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。

上图是从index文件找到需要查找offset=3的所在log的偏移量（文件的偏移量），找到位置后再去log文件找到该信息。

3）、timeindex补充：

timeindex记录的是每条消息写入的时间戳，涉及到事务。

6、kafka生产者分区策略

1）、分区的原因

方便在集群中扩展、可以提高并发

2）、分区的原则

我们需要将producer发送的数据封装成一个ProducerRecord对象。

（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 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），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。7、

7、kafka消息的安全性

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。

补充：选择全部，按照3个的话，容错是有两个，而选择半数那容错只有一个

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，才能发送ack。这个问题怎么解决呢？

解决方式：

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。

3）、ack应答机制

Kafka为用户提供了三种可靠性级别

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***。

4）、故障处理细节

①、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。

②、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。