【Kafka二】架构深入

已于 2022-09-21 15:34:19 修改
阅读量690 收藏 1
点赞数 1
分类专栏： 面试题-队列 文章标签： kafka 架构 java
于 2022-08-18 14:46:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yzx3105/article/details/126382740
版权

kafka架构深入

1. Kafka 工作流程及文件存储机制

在这里插入图片描述
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。

  • 创建topicA，3个分区，2个副本（leader+follower总数为2）。发了15个消息。
  • 副本一定和leader不一定不在一个broker。

1.2 文件存储

kafka日志文件的存储目录可以通过配置文件config/server.properties中的配置项log.dirs确定。
在这里插入图片描述
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，一个片段的默认大小为1GB，在config/server.properties配置文件中修改segment大小。

#每个segment文件最大1g，如果超出，则会新建一个segment文件
log.segment,bytes=1073741824

kafka把主题都存储在log.dirs目录下，每个topic分成一个或多个patition，每个patition物理上对应一个文件夹，该文件夹的命名规则为：topic 名称+分区序号。分区内(文件夹)内的日志文件分为多个Segment，且每个Log Segment包含三个主要文件。

log.dirs目录下主题test，有3个分区

test-0
test-1
test-2

分区目录下具体文件如下所示

00000000000000000000.index
00000000000000000000.log

00000000000000000128.index
00000000000000000128.log

xxx.log：消息内容主文件，记录消息内容信息
xxx.index：偏移量索引文件，记录偏移量到消息位置的映射

每个Log Segment都有一个基准偏移量baseOffset, 用来表示当前Log Segment中第一条消息的偏移量，日志文件和两个索引文件都是根据baseOffset命名的，文件名称固定20位整数，不够用0填充。例如，以第二个分段00000000000000000128.log为例，00000000000000000128.log表示当前Log Segment中第一条消息偏移量为128，同时可以推断出第一个分段中的偏移量为0 - 127

在这里插入图片描述
其他资料解析图
在这里插入图片描述

2. Kafka 生产者

2.1 分区策略

2.1.1 分区原因（分区对于消费者来说，可以提高并发度，提高效率）

分区对于 Kafka 集群的好处是：实现负载均衡。分区对于消费者来说，可以提高并发度，提高效率。
若没有分区，一个topic对应的消息集在分布式集群服务组中，就会分布不均匀，即可能导致某台服务器A记录当前topic的消息集很多，若此topic的消息压力很大的情况下，服务器A就可能导致压力很大，吞吐也容易导致瓶颈。
有了分区后，假设一个topic可能分为10个分区，kafka内部会根据一定的算法把10分区尽可能均匀分布到不同的服务器上，比如：A服务器负责topic的分区1，B服务器负责topic的分区2，在此情况下，Producer发消息时若没指定发送到哪个分区的时候，kafka就会根据一定算法上个消息可能分区1，下个消息可能在分区2。当然高级API也能自己实现其分发算法

2.1.2 分区策略

我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
在这里插入图片描述

  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。

2.2 数据可靠性保证（副本数据同步策略，ISR，acks）

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。
在这里插入图片描述

2.2.1 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。

2.2.2 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？（假设一共11个副本，leader接受了消息以后，同步其他10个副本，这时候其中1个副本挂了，只有9个副本同步完成，这时候ack就无法发送）

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 follower 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。

配置参数rerplica.lag.time.max.ms=10000 
也就是默认10s，isr中的follow没有向isr发送心跳包就会被移除

这里需要注意是follower主动拉取leader 的数据，follewer 只是数据的副本提供数据的可恢复性，本身和kafka 的读写性能无关（kafka的读写都是和leader 相关）

2.2.2.1 ack 应答机制

对于某些不太重要的数据，对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 中的 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 参数配置：

配置
acks=0producer 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；
acks=1producer 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；在这里插入图片描述
acks=-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。在这里插入图片描述
2.2.2.2 故障处理细节（HW和LEO）

在这里插入图片描述
LEO：指的是每个副本最大的 offset；
HW：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。（如果高于HW的数据没有ack，二次发送的情况下，leader数据中的数据就会重复，同步到其他副本的时候数据均重复）
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。

2.3 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，但是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，对于一些非常重要的信息，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。
0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，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。

3. Kafka 消费者

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，典型的表现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 会等待一段时间之后再返回，这段时长即为 timeout。

3.2 分区分配策略

3.2.1. Range(默认 – 面向Topic分配)

Range 策略是按照 topic 依次进行分配的，比如我们以 Topic-B 进行讲解，其首先会获取 Topic-B 的所有分区：Topic-B-Partition0、Topic-B-Partition1 和 Topic-B-Partition2，以及所有订阅了该 topic 的 consumer：Consumer-0 、Consumer-1和 Consumer-2，并且会将这些分区和 consumer 按照字典序进行排序；
然后按照平均分配的方式计算每个 consumer 会得到多少个分区，如果没有除尽，则会将多出来的分区依次计算到前面几个 consumer。比如这里是4个分区和3个 consumer，那么每个 consumer 至少会得到 1 个分区，而 4 除以 3 后还余 1，那么就会将多余的部分依次算到前面几个 consumer，也就是这里的 0，1 会分配给第一个 consumer，总结来说，那么 C0 将会从第 0 个分区开始，分配 2 个分区，而 C1 / C2将会从第 2 个分区开始，分配 1 个分区；
同理，按照上面的步骤依次进行后面的 topic 的分配。

假设我们有三个Topic10个Partition，假设顺序为Topic-A,Topic-B,Topic-C，那么分配过程为：
在这里插入图片描述
第一轮: Consumer-0: Topic-A-Partition0
Consumer-1:Topic-A-Partition1
Consumer-2:Topic-A-Partition2

第二轮: Consumer-0: Topic-A-Partition0,Topic-B-Partition0,Topic-B-Partition1
Consumer-1:Topic-A-Partition1,Topic-B-Partition2
Consumer-2:Topic-A-Partition2,Topic-B-Partition3

第三轮: Consumer-0: Topic-A-Partition0,Topic-B-Partition0,Topic-B-Partition1,Topic-C-Partition-0
Consumer-1:Topic-A-Partition1,Topic-B-Partition2,Topic-C-Partition-1
Consumer-2:Topic-A-Partition2,Topic-B-Partition3,Topic-C-Partition-2

可以看到，如果按照 Range 分区方式进行分配，其本质上是依次遍历每个 topic，然后将这些 topic 的分区按照其所订阅的 consumer 数量进行平均的范围分配。这种方式从计算原理上就会导致排序在前面的 consumer 分配到更多的分区，从而导致各个 consumer 的压力不均衡。

3.2.2. RoundRobin(面向partition分配)

轮询策略是将partition当做最小分配单位，将所有topic的partition都看作一个整体。然后为消费者轮询分配partition。当然得到此结果的前提是Consumer Group种的消费者订阅信息是一致的，如果订阅信息不一致，得到的结果也不均匀。
1.订阅消息一致
在这里插入图片描述

2.订阅消息不一致
在这里插入图片描述
如图，Consumer0订阅Topic-A、B，Consumer1订阅Topic-B、C
顺序注意图中的Seq，先分配TopicA

第一轮 : Consumer-0: Topic-A-Partition0
于是 Consumer-1: Topic-B-Partition0（由于Consumer-1没有订阅Topic-A，所以只能找到Topic-B给Consumer-1分配）

第二轮: Consumer-0: Topic-A-Partition0,Topic-A-Partition1
Consumer-1: Topic-B-Partition0,Topic-B-Partition1

第三轮: Consumer-0: Topic-A-Partition0,Topic-A-Partition1,Topic-A-Partition2
Consumer-1: Topic-B-Partition0,Topic-B-Partition1,Topic-B-Partition2

第四、五、六轮：
Consumer-0: Topic-A-Partition0,Topic-A-Partition1，Topic-A-Partition2
Consumer-1: Topic-B-Partition0,Topic-B-Partition1，Topic-B-Partition2,Topic-C-Partition-0,Topic-C-Partition-1,Topic-C-Partition-2

可以看到Consumer-1多消费了3个分区。所以在Consumer Group有订阅消息不一致的情况下，我们最好不要选用RoundRobin。

3.3 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。

3.3.1 offset存储位置

消费者组 + topic + partition

为什么是消费者组？而不是消费者
假如消费者组A里面有一个消费者1，消费了3个分区（0，1，2）的消息，如果这时候消费者组加入一个消费者2，这时候之前的3个分区就要重新分配，假如 消费者2 分到了分区1，这时候消费者2是继续消费者1的消费后的消息继续消费，所以这时候存储的时候带着消费者组更合理。再假如消费者1挂掉了，消费者2依然可以代替消费者1进继续进行消费。

3.3.2 zk获取offset(Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper 中)

在这里插入图片描述
在这里插入图片描述

3.3.3 topic获取offset(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。)

在这里插入图片描述

4. Kafka 事务

生产者同时像3个分区写入10条数据，前两个分区写入成功，生产者挂了，这时候第三个分区写入失败。
todo

文件存储链接
https://blog.csdn.net/lubin2016/article/details/125008091
分区作用
http://www.shouhuola.com/q-23845.html
消费者分配策略
https://blog.csdn.net/qq_43163317/article/details/121450555
https://my.oschina.net/jallenkwong/blog/4449224#h2_1

桃月十二_
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
快速学习-Kafka架构深入
01-07
第 3 章 Kafka 架构深入 3.1 Kafka 工作流程及文件存储机制 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 ...
Kafka高性能架构之道
01-27
《Kafka高性能架构之道》深入解析 Kafka作为一款高效的消息中间件，其核心特性在于其高并发、低延迟的设计。在Kafka的架构中，Partition是实现高性能的关键元素。Partition是一个逻辑上的概念，它将Topic划分为多个...
Kafka架构深入
GC
03-08 4202
Kafka架构深入 Kafka工作流程及文件存储机制 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。 ka
Kafka架构概述
云原生Java Web领域技术博客
04-02 1736
Kafka是由Apache软件基金会管理的一个开源的分布式数据流处理平台。Kafka具有支持消息的发布/订阅模式、高吞吐量与低延迟、持久化、支持水平扩展、高可用性等特点。可以将Kafka应用于大数据实时处理、高性能数据管道、流分析、数据集成和关键任务应用等场景。
Kafka设计架构与原理
swg321321的博客
08-14 751
Kafka的基本概念与整体架构，以及基于ZooKeeper实现元数据管理和负载均衡。生成者、消费者、主题、副本、AR、ISR、OSR、HW、LEO等
kafka架构深入
ohligay的博客
07-12 1500
本篇主要继上一篇对kafka基础定义的了解之后，针对kafka内部结构的组成以及相关的生产、消费和数据一致性等知识进行总结。
深入理解Kafka：架构、设计原则及最佳实践
BXA
05-29 2593
Kafka是一款由Apache开发的分布式流处理平台，它最初是由LinkedIn公司在2010年开发的。从最初的消息队列到如今的分布式流处理平台Kafka经历了一个逐步演化的过程。 Kafka最开始的设计目的是解决LinkedIn内部存在的海量数据传输问题，在其不断的发展中Kafka逐渐发展成为一种可持久化、分布式、身临其境的发布/订阅消息系统。
kafka架构体系
tian830937的专栏
02-21 962
Kafka是一个由Scala和Java编写的企业级的消息发布和订阅系统，最早是由Linkedin公司开发，最终开源到Apache软件基金会的项目。Kafka是一个分布式的，支持分区的，多副本的和多订阅者的高吞吐量的消息系统，被广泛应用在应用解耦、异步处理、限流削峰和消息驱动等场景。本文将针对Kafka的架构和相关组件进行简单的介绍。在介绍Kafka的架构之前，我们先了解一下Kafk的核心概念。
kafka原理&架构深入
Cool_Pepsi的博客
06-18 2868
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。
AbandonFile, Kafka架构深入
菜菜的大数据开发の路
11-01 2464
二, Kafka架构深入 2.1 Kafka 工作流程(待完善) [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bAk1dhqF-1635778465190)(2021-10-25-14-00-42.png)] 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文件目录(目录里面是分片了的.log文件和), 该log
Kafka架构深入（进阶介绍 三）
weixin_64261178的博客
07-05 841
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，，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。
java kafka架构与实战高级特性&源码分析
06-19
在Kafka的架构中，它运行在一组服务器集群上，可以跨多个数据中心。消息以主题（Topic）的形式进行组织，每个主题可以被划分为多个分区（Partition），每个分区又有多个副本（Replica）以实现数据冗余和容错。Kafka...
Beatles9527#StudyNotes#_4Kafka架构深入1
07-25
2.1 分区策略 2.1.1 分区原因 2.1.2 分区的原则 2.2 数据可靠性保证 2.2.1 如何保证数据可靠性 2.3.2 何时发送ACK 2.2.3
kafka kafka kafka kafka
05-05
提供的资料.zip可能包含Kafka的基本概念、架构、配置等方面的文档，笔记.zip可能包含了学习和使用Kafka的经验总结，而代码.zip可能包含了一些示例代码或者实际项目中使用Kafka的代码片段。这些资源可以帮助你深入...
kafka架构+原理+源码
JavaCoder_juejue的博客
07-21 1137
1.kafka架构图 2.kafka producer
Python 消费Kafka手动提交 批量存入Elasticsearch
ytp552200ytp的博客
07-25 312
Python 消费Kafka手动提交 批量存入Elasticsearch
使用hutool工具判断字符串是否全部是字母(包括大小写)，java判断字符串是否全部是字母(包括大小写)
最新发布
qq_43700885的博客
07-29 277
1.导入hutool的maven依赖。2.复制一下代码执行。
golang 接口
m0_70982551的博客
07-24 1086
接口定义了一组方法，这些方法没有具体的实现。接口类型的变量可以存储任何实现了这些方法的类型的值。// 更多方法...在Go语言中，接口值是指存储了实现某个接口的具体类型值的变量。接口值由两部分组成：1.动态类型：这是接口值当前存储的实际类型。2.动态值：这是实际存储的值，该值必须实现了接口中定义的所有方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值