分布式消息队列kafka概述

一.kafka的基础架构

1.kafka概述

    Apache Kafka是一个开放源代码的分布式事件流平台，成千上万的公司使用它来实现高性能数据管道，流分析，数据集成和关键任务应用程序。

    kafka是一个分布式的基于发布/订阅模式的消息队列(Message Queue)，主要应用于日志分析，大数据实时处理领域。

    kafka官方地址:
        http://kafka.apache.org/

    有很多公司在使用kafka:
        http://kafka.apache.org/powered-by

    kafka的下载地址:(下载时一定要注意观察该版本的摘要信息哟~)
        http://kafka.apache.org/downloads

    kafka的官方使用文档:
        http://kafka.apache.org/documentation/

2.kafka基础架构概述

    kafka的架构图如下所示。

    有关kakfa相关的术语如下所示:
        Producer:
            消息生产者，就是向kafka broker发消息的客户端。
        Consumer:
            消息消费者，向kafka broker取消息的客户端。
        Consumer Group(简称"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组内消费者消费，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。
        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。
        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。
        Parition:
            为了实现扩展性，一个非常大的topic可以分不到多个broker(即服务器)上，一个topic可以分为多个pairtition，每个partition是一个有序的队列。
        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。
        leader:
            每个分区多个副本为"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。
        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。

    温馨提示:
        (1)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。
        (2)topic是逻辑上的概念，而partition是物理上的概念，每个paritition对应于一个log文件，该log文件中存储的就是producer生产的数据;
        (3)producer生产的数据会被不断追加到该log文件末尾，且每条数据都有自己的offset；
        (4)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;

3.kafka文件存储机制

    kafka文件存储机制如下左图所示。

    温馨提示:
        (1)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；
        (2)每个segment对应两个文件，即"*.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"，如下所示:
            [root@kafka101.oldboyedu.com ~]# ll /oldboyedu/data/kafka/  # 查看kafka数据的存储路径。
            总用量 12
            drwxr-xr-x 10 root root 4096 5月   8 14:57 logs1
            drwxr-xr-x 10 root root 4096 5月   8 14:57 logs2
            drwxr-xr-x 10 root root 4096 5月   8 14:57 logs3
            [root@kafka101.oldboyedu.com ~]# ll /oldboyedu/data/kafka/logs1/  # 查看某一个数据路径下的部分数据
            总用量 20
            -rw-r--r-- 1 root root   4 5月   7 12:04 cleaner-offset-checkpoint
            drwxr-xr-x 2 root root 141 5月   7 15:20 __consumer_offsets-13
            drwxr-xr-x 2 root root 141 5月   7 15:20 __consumer_offsets-19
            drwxr-xr-x 2 root root 141 5月   7 15:20 __consumer_offsets-22
            drwxr-xr-x 2 root root 141 5月   7 15:20 __consumer_offsets-25
            drwxr-xr-x 2 root root 141 5月   7 15:20 __consumer_offsets-46
            drwxr-xr-x 2 root root 141 5月   7 15:03 demo2021-1
            -rw-r--r-- 1 root root   4 5月   8 14:57 log-start-offset-checkpoint
            -rw-r--r-- 1 root root  90 5月   7 10:51 meta.properties
            drwxr-xr-x 2 root root 141 5月   7 12:17 myNginx-0
            drwxr-xr-x 2 root root 141 5月   7 14:52 myNginx-6
            -rw-r--r-- 1 root root 161 5月   8 14:57 recovery-point-offset-checkpoint
            -rw-r--r-- 1 root root 161 5月   8 14:57 replication-offset-checkpoint
            [root@kafka101.oldboyedu.com ~]# 
            [root@kafka101.oldboyedu.com ~]# ll /oldboyedu/data/kafka/logs1/myNginx-0/  # 查看名为"myNginx"的topic编号为0的分区数据信息如下所示。
            总用量 20488
            -rw-r--r-- 1 root root 10485760 5月   7 12:17 00000000000000000000.index  # 存储下面的"*.log"文件的索引信息
            -rw-r--r-- 1 root root       77 5月   7 17:18 00000000000000000000.log  # 存储的已经被序列化的数据
            -rw-r--r-- 1 root root 10485756 5月   7 12:17 00000000000000000000.timeindex
            -rw-r--r-- 1 root root        8 5月   7 12:17 leader-epoch-checkpoint
            [root@kafka101.oldboyedu.com ~]# 
        (3)"*.index"文件和"*.log"文件以当前segment的第一条消息的offset命名，下右图为"*.index"文件和"*.log"文件的结构示意图。

二.kafka生产者

1.分区的原因

    (1)可以提高数据的负载均衡能力，如果一个topic只有一个partition，那么所有的消息都只能在一个broker，但一个topic有多个partition时，就可以有效的解决数据的负载均衡啦;

    (2)可以提高并发，因为可以用以partition为单位进行读写了。

2.如何选定分区数量的分区策略

    为topic选定分区数量并不是一件可有可无的事情，在进行数量选择时，需要考虑如下几个因素:
        (1)topic需要达到多大的吞吐量？例如，是希望每秒钟写入100KB的数据还是1GB数据呢?
        (2)从单个分区读取数据的最大吞吐量是多少？每个分区一般都会有一个消费者，如果你知道消费者将数据写入数据库的速度不会超过50MB，那么你也该知道，从一个分区读取数据的吞吐量不需要超过每秒50MB。
        (3)可以通过类似的方法估算生产者向单个分区写入数据的吞吐量，不过生产者的速度一般比消费者快得多，所以最好为生产者多估算一些吞吐量。
        (4)每个broker包含的分区个数，可用的磁盘空间和网络带宽。
        (5)如果消息是按照不同的键来写入分区的，那么为已有的主题新增分区就会很困难;
        (6)单个broker对分区个数是有限制的，因为分区越多，占用的内存越多，完成leader选举需要的时间也越长;

    很显然，综合考虑以上几个因素，你需要很多分区，但不能太多。如果你估算出topic的吞吐量和消费者吞吐量，可以用topic吞吐量除以消费者算出分区的个数。

    也就是说，如果每秒钟要从topic上写入和读取1GB的数据，并且每个消费者每秒钟可以处理50MB的数据，那么至少需要20个分区，这样就可以让20个消费者同时读取这些分区，从而达到每秒钟1GB的吞吐量。

    选择分区数的粗略公式基于吞吐量。您可以衡量在单个分区上可以实现的整体产量，将其用于生产（称为p）和消费（称为c）。假设您的目标吞吐量为t。然后，您至少需要有max（t / p，t / c）个分区。

    推荐阅读:
        https://www.confluent.io/blog/how-choose-number-topics-partitions-kafka-cluster/

3.生产者提交分区的原则

    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partition值;
        (2)如下所示，没有指明partition值但有key的情况下，将key的hash值与topic的partition数进行取余得到要提交的partition编号;
            Math.abs(key.hashCode()) % numPartitions
        (3)既没有partition值有没有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;

4.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。
        何时发送ack?
            确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。

        多少个follower同步完成之后发送ack?请思考以下两种方案：
            (1)半数以上的follower同步完成，即可发送ack;
                优点:
                    延迟低。
                缺点:
                    选举新的leader时，容忍N台节点的故障，需要2N+1个副本。
                举例： 
                    假设N为1，容忍1台节点故障，则需要3个副本，因为此时只有半数以上的副本数是完全同步的，理想情况下是2个副本是数据同步的，这样就算挂掉一个leader副本，还有一个副本立马能顶上去。
            (2)全部的follower同步完成，才可以发送ack;
                优点:
                    选举新的leader时，容忍N台节点的故障，需要N+1个副本。
                缺点:
                    延迟高。
                举例： 
                    假设N为1，容忍1台节点故障，则需要2个副本，因为此时全部的副本是完全同步的，理想情况下2个副本是数据同步的，这样就算挂掉一个副本，还有一个副本立马能顶上去。

    kafka选择了第二种方案，原因如下：
        (1)同样容忍N台节点故障，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。与此同时，提出了优化策略，即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？
        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就会给生产者发送ACK。
        如果follower长时间未向leader同步数据，则该follower将被剔出ISR，该时间阈值由"replica.lag.time.max.ms"参数设定(在kafka 0.9版本之前，还有"replica.lag.max.messages"参数可以控制)，leader发生故障之后，就会从ISR中选举新的leader。

    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follower全部接受成功。
        所以kafka为用户提供了三种可靠型级别，用户根据对可靠性和延迟的要求进行权衡，可供选择以下acks参数配置:
            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ISR中的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，那么会就造成数据重复。
                该模式下值得注意的是：当ISR只有leader一个节点时，其他的follower均不在ISR中，而是被剔出到OSR，此时当leader提交ack后立刻宕机，数据也可能会丢失的，因为ISR中没有其他的follower哟~

    如下图所示，描述了HW（High Watermark，高水位）和LEO（Log End Offset）的关系。

    温馨提示:
        为什么在kafka 0.9版本之后，"replica.lag.max.messages"参数被移除了呢？
        举个例子，假设我们设置最大延迟的消息数是100，而生产者在批量写入数据时，很可能所有的follower节点的延迟消息均大于100条消息，而过段时间后，各个节点又逐渐追回消息，这会导致频繁的出现follower节点重新加入或被剔出ISR的现象。
        一旦修改比较频繁，这些ISR数据都会同步到zookeeper集群中，无疑是增加了成本。
        而保留的基于时间间隔来判断可以减少频繁被剔出或加入到ISR的现象哟~

    推荐阅读:
        http://kafka.apache.org/documentation/#upgrade_9_breaking

5.Exactly Once(就一次)语义（了解即可）

    At Least Once(至少一次):
        将服务器的ACK级别设置为"-1"，即"At Least Once(至少一次)"语义。
        结合前面的知识点，我们可以说严谨一点，前提是ISR中包含多个副本，如果只有一个leader，当leader挂掉后依旧会丢失数据。

    At Most Once(最多一次):
        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(最多一次)"语义。
        这种模式理想情况下可以保证数据不重复，但无法保证数据不丢失。

    Exactly Once(就一次):
        对于一些非常重要的数据信息，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(就一次)。
        在kafka 0.11之前的版本对此是无能为力的，只能在理想情况下保证数据不丢失，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，每个都需要单独做全局去重，这就对性能造成了很大影响。
        kafka 0.11版本引入一项重大特性：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数据，幂等性结合At Least Once语义，就构成了kafka的Exactly Once语义。
        即："At Least Once(至少一次) + 幂等性(server端去重功能) = Exactly Once "。

    温馨提示:
        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，发往同一个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只会持久化一条数据。
        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(就一次)。

三.kafka消费者

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。

2.分区分配策略（了解即可）

    一个consumer group中有多个consumer，一个topic有多个partition，所以必然会涉及到partition的分配问题，即确定哪个partition由哪个consumer来消费。

    kafka有两种分配策略，一个是RoundRobin，一个是Range。
        RoundRobin策略:
            工作原理:
                将消费者组订阅的一个或多个主题的所有分区进行排序，而后依次将partition分发给该组的各个消费者。
            优点:
                轮询使不同topic的所有分区看作一个整体，分区数相对来说比较均衡的分配到同一个消费者组的各个消费者上。
            缺点:
                当同一个消费者组的不同消费者订阅了不同的topic时，这种方式方式就不太合适了，因为很有可能导致消费者消费到未订阅的topic。

        Range策略(也是官方的默认策略):
            工作原理:
                将分区数和同一个消费者组的消费者数量进行取商，然后多出来的余数会随机分配到该组的某个消费者。当订阅的topic数量的分区较少时，可能还看不出明显的数据不均衡现象。
            优点:
                范围是订阅同一topic的所有消费者组。
            缺点:
                当同一个消费者组的某个消费者单独订阅了一个主题，按照range策略的话会将topic的所有分区都分配给该消费者，而该消费者所在的消费者组内的其它成员(由于没有订阅该主题)无法消费数据。
                举个例子: 999个分区被100个消费者进行消费,就会出现严重的不均衡的现象!

    温馨提示:
        当消费者组中的消费者个数发生变化(比如消费者增加或减少)，都会触发消费者分区策略进行对分区的重新分配（reblance）。
        注意哈，即使同一个消费者组中新增消费者数量后，此时消费者数量已经大于订阅topic的分区数，也会触发分区的重新均衡，因为我们改变了该消费者组中的消费者数量。当然，多出来的消费者会处于空闲状态。

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。

    温馨提示:
        kafka 0.9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内置的一个topic中，该topic为"__consumer_offsets"。

4.消费者组案例

    略，有相应的章节讲解。

四.kafka高效读写数据的底层原理

1.顺序写磁盘

    kafka的producer生产数据，将数据顺序写入磁盘,从而优化的磁盘的写入效率.

    官方有数据表明，同样的写能到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，是因为节省去了大量磁头寻址时间。

2.零拷贝技术

    如下图所示，DMA的英文拼写是"Direct Memory Access"，汉语的意思就是直接内存访问，是一种不经过CPU而直接从内存存取数据的数据交换模式。 

    温馨提示:
        (1)JDK NIO零拷贝实现分为两种方案，即mmap和sendFile。
            1>.mmap比较适合小文件读写，对文件大小有限制，一般在1.5GB~2.0GB之间;
            2>.sendFile比较适合大文件传输，可以利用DMA方式，减少CPU拷贝;
        (2)下图中的万兆网卡我指的是服务器的硬件网卡，但也有人喜欢使用专业术语Network Interface Controller(简称"NIC")来进行说明。

3.异步刷盘

    kafka并不会将数据直接写入到磁盘，而是写入OS的cache，而后由OS实现数据的写入。

    这样做的好处就是减少kafka源代码更多关于兼容各种厂商类型的磁盘驱动，而是交给更擅长和硬件打交道的操作系统来完成和磁盘的交互。

    不得不说异步刷盘的确提高了效率，但也意味着带来了数据丢失的风险，假设数据已经写入到OS的cache page，但数据并未落盘之前服务器断电，很可能会导致数据的丢失。

4.分布式集群

    我们知道topic可以被划分多个partition，而partition可以分布在kafka集群的各个broker实例上。

    分布式充分利用了各个broker节点的性能，包括但不限于CPU，内存，磁盘，网卡等。

五.zookeeper在kafka中的作用

1.partition的leader选举

    partition的leader选举最简单最直观的方案是：
        leader在zk上创建一个永久znode，所有Follower对此节点注册监听，当leader宕机时，此时ISR里的所有Follower会选举出新的leader,并更新该znode的数据(这一点可以参考zk的znode的"Data Version"属性)。

    实际上的实现思路也是这样，只是优化了下，多了个代理控制管理类（controller）。

    引入的原因是，当kafka集群业务很多，partition达到成千上万时，当broker宕机时，造成集群内大量的调整，会造成大量Watch事件被触发，Zookeeper负载会过重。zk是不适合大量写操作的。

2.kafka的controller是做什么的

    kafka集群中有一个broker会被选举为Controller（这会在zk集群上创建一个临时的znode哟~），这个controller是负责管理和协调kafka集群的，其功能包括但不限于以下几点:
        UpdateMetadataRequest：
            更新元数据请求。
            topic分区状态经常会发生变更(比如leader重新选举了或副本集合变化了等)。由于当前clients只能与分区的leader broker进行交互，那么一旦发生变更，controller会将最新的元数据广播给所有存活的broker。
            具体方式就是给所有broker发送UpdateMetadataRequest请求

        CreateTopics: 
            创建topic请求。
            当前不管是通过API方式、脚本方式或是CreateTopics请求方式来创建topic，做法几乎都是在Zookeeper的/brokers/topics下创建znode来触发创建逻辑，而controller会监听该path下的变更来执行真正的"创建topic"逻辑

        DeleteTopics：
            删除topic请求。
            和CreateTopics类似，也是通过创建Zookeeper下的/admin/delete_topics/<topic>节点来触发删除topic，controller执行真正的逻辑。
            不信的话,你可以将一个已存在的topic名称创在"/admin/delete_topics/"试试看呗!

        分区重分配：
            即kafka-reassign-partitions.sh脚本做的事情。同样是与Zookeeper结合使用，脚本写入/admin/reassign_partitions节点来触发，controller负责按照方案分配分区。

        Preferred leader分配：
            preferred leader选举当前有两种触发方式：
                (1)自动触发(auto.leader.rebalance.enable = true);
                (2)kafka-preferred-replica-election脚本触发。两者"玩法"相同，向Zookeeper的/admin/preferred_replica_election写数据，controller提取数据执行preferred leader分配;

        分区扩展：
            即增加topic分区数。
            标准做法也是通过kafka-reassign-partitions.sh脚本完成，不过用户可直接往Zookeeper中写数据来实现，比如直接把新增分区的副本集合写入到/brokers/topics/<topic>下，然后controller会为你自动地选出leader并增加分区。

        集群扩展：
            新增broker时Zookeeper中/brokers/ids下会新增znode，controller自动完成服务发现的工作

        broker崩溃：
            同样地，controller通过Zookeeper可实时侦测broker状态。一旦有broker挂掉了，controller可立即感知并为受影响分区选举新的leader。

        ControlledShutdown：
            broker除了崩溃，还能"优雅"地退出。broker一旦自行终止，controller会接收到一个ControlledShudownRequest请求，然后controller会妥善处理该请求并执行各种收尾工作

        Controller leader选举：
            controller必然要提供自己的leader选举以防这个全局唯一的组件崩溃宕机导致服务中断。这个功能也是通过Zookeeper的帮助实现的。

    推荐阅读:
        https://www.cnblogs.com/huxi2b/p/6980045.html

六.kafka事务（了解即可）

1.kafka事务概述

    kafka从0.11版本开始引入了事务支持。

    事务可以保证kafka在Exactly Once语义的基础上，生产和消费可以跨分区的会话，要么全部成功，要么全部失败。

2.producer事务

    为了实现跨分区跨会话的事务，需要引入一个全局唯一的Transaction ID，并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transaction ID获得原来的PID。

    为了管理Transaction，Kafka引入了新的组件Transaction Coordinator。Producer就是通过和Transaction Coordinator交互获得Transaction ID对应的任务状态。

    Transaction Coordinator还负责所有写入kafka的内部Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以的得到恢复，从而继续进行。

3.Consumer事务

    上述事务机制主要从Producer方面考虑，对于Consumer而言，事务的保证就会相对较弱，尤其是无法保证Commit的信息被精确消费。

    这是由于Consumer可以通过offset访问任意信息，而且不同的Segment File生命周期不同，同一事物的消费可能会出现重启后被删除的情况。