apache kafka参考

　　apache kafka参考
　　
　　消息队列分类：
　　
　　 点对点：
　　
　　消息生产者生产消息发送到queue中，然后消息消费者从queue中取出并且消费消息。这里要注意：
　　
　　消息被消费以后，queue中不再有存储，所以消息消费者不可能消费到已经被消费的消息。
　　
　　Queue支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。
　　
　　发布/订阅
　　
　　消息生产者（发布）将消息发布到topic中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到topic的消息会被所有订阅者消费。
　　
　　kafka消息队列调研
　　
　　背景介绍
　　
　　kafka是最初由Linkedin公司开发，使用Scala语言编写，Kafka是一个分布式、分区的、多副本的、多订阅者的日志系统(分布式MQ系统)，可以用于web/nginx日志，搜索日志，监控日志，访问日志等等。
　　
　　kafka目前支持多种客户端语言：java，python，c++，php等等。
　　
　　总体结构：
　　
　　kafka名词解释和工作方式：
　　
　　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
　　
　　Topic ：咋们可以理解为一个队列。
　　
　　Consumer Group （CG）：这是kafka用来实现一个topic消息的广播（发给所有的consumer）和单播（发给任意一个consumer）的手段。一个topic可以有多个CG。topic的消息会复制（不是真的复制，是概念上的）到所有的CG，但每个CG只会把消息发给该CG中的一个consumer。如果需要实现广播，只要每个consumer有一个独立的CG就可以了。要实现单播只要所有的consumer在同一个CG。用CG还可以将consumer进行自由的分组而不需要多次发送消息到不同的topic。
　　
　　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。
　　
　　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。partition中的每条消息都会被分配一个有序的id（offset）。kafka只保证按一个partition中的顺序将消息发给consumer，不保证一个topic的整体（多个partition间）的顺序。
　　
　　 Offset：kafka的存储文件都是按照offset.kafka来命名，用offset做名字的好处是方便查找。例如你想找位于2049的位置，只要找到2048.kafka的文件即可。当然the first offset就是00000000000.kafka
　　
　　 kafka特性：
　　
　　通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
　　
　　高吞吐量：即使是非常普通的硬件kafka也可以支持每秒数十万的消息。
　　
　　支持同步和异步复制两种HA
　　
　　Consumer客户端pull，随机读,利用sendfile系统调用，zero-copy ,批量拉数据
　　
　　消费状态保存在客户端
　　
　　消息存储顺序写
　　
　　数据迁移、扩容对用户透明
　　
　　支持Hadoop并行数据加载。
　　
　　支持online和offline的场景。
　　
　　持久化：通过将数据持久化到硬盘以及replication防止数据丢失。
　　
　　scale out：无需停机即可扩展机器。
　　
　　定期删除机制，支持设定partitions的segment file保留时间。
　　
　　可靠性（一致性)
　　
　　kafka(MQ)要实现从producer到consumer之间的可靠的消息传送和分发。传统的MQ系统通常都是通过broker和consumer间的确认（ack）机制实现的，并在broker保存消息分发的状态。
　　
　　即使这样一致性也是很难保证的（参考原文）。kafka的做法是由consumer自己保存状态，也不要任何确认。这样虽然consumer负担更重，但其实更灵活了。
　　
　　因为不管consumer上任何原因导致需要重新处理消息，都可以再次从broker获得。
　　
　　kafak系统扩展性
　　
　　kafka使用zookeeper来实现动态的集群扩展，不需要更改客户端（producer和consumer）的配置。broker会在zookeeper注册并保持相关的元数据（topic，partition信息等）更新。
　　
　　而客户端会在zookeeper上注册相关的watcher。一旦zookeeper发生变化，客户端能及时感知并作出相应调整。这样就保证了添加或去除broker时，各broker间仍能自动实现负载均衡。
　　
　　kafka设计目标
　　
　　高吞吐量是其核心设计之一。
　　
　　数据磁盘持久化：消息不在内存中cache，直接写入到磁盘，充分利用磁盘的顺序读写性能。
　　
　　zero-copy：减少IO操作步骤。
　　
　　支持数据批量发送和拉取。
　　
　　支持数据压缩。
　　
　　Topic划分为多个partition，提高并行处理能力。
　　
　　Producer负载均衡和HA机制
　　
　　producer根据用户指定的算法，将消息发送到指定的partition。
　　
　　存在多个partiiton，每个partition有自己的replica，每个replica分布在不同的Broker节点上。
　　
　　多个partition需要选取出lead partition，lead partition负责读写，并由zookeeper负责fail over。
　　
　　通过zookeeper管理broker与consumer的动态加入与离开。
　　
　　Consumer的pull机制
　　
　　由于kafka broker会持久化数据，broker没有cahce压力，因此，consumer比较适合采取pull的方式消费数据，具体特别如下：
　　
　　简化kafka设计，降低了难度。
　　
　　Consumer根据消费能力自主控制消息拉取速度。
　　
　　consumer根据自身情况自主选择消费模式，例如批量，重复消费，从制定partition或位置(offset)开始消费等.
　　
　　Consumer与topic关系以及机制
　　
　　本质上kafka只支持Topic.每个consumer属于一个consumer group;反过来说,每个group中可以有多个consumer.对于Topic中的一条特定的消息,
　　
　　只会被订阅此Topic的每个group中的一个consumer消费,此消息不会发送给一个group的多个consumer;那么一个group中所有的consumer将会交错的消费整个Topic.
　　
　　如果所有的consumer都具有相同的group,这种情况和JMS queue模式很像;消息将会在consumers之间负载均衡.
　　
　　如果所有的consumer都具有不同的group,那这就是"发布-订阅";消息将会广播给所有的消费者.
　　
　　在kafka中,一个partition中的消息只会被group中的一个consumer消费(同一时刻);每个group中consumer消息消费互相独立;我们可以认为一个group是一个"订阅"者,
　　
　　一个Topic中的每个partions,只会被一个"订阅者"中的一个consumer消费,不过一个consumer可以同时消费多个partitions中的消息.
　　
　　kafka只能保证一个partition中的消息被某个consumer消费时是顺序的.事实上,从Topic角度来说,当有多个partitions时,消息仍不是全局有序的.
　　
　　通常情况下,一个group中会包含多个consumer,这样不仅可以提高topic中消息的并发消费能力,而且还能提高"故障容错"性,如果group中的某个consumer失效,
　　
　　那么其消费的partitions将会有其他consumer自动接管.kafka的设计原理决定,对于一个topic,同一个group中不能有多于partitions个数的consumer同时消费,
　　
　　否则将意味着某些consumer将无法得到消息.
　　
　　Producer均衡算法
　　
　　kafka集群中的任何一个broker,都可以向producer提供metadata信息,这些metadata中包含"集群中存活的servers列表"/"partitions leader列表"
　　
　　等信息(请参看zookeeper中的节点信息).当producer获取到metadata信心之后, producer将会和Topic下所有partition leader保持socket连接;
　　
　　消息由producer直接通过socket发送到broker,中间不会经过任何"路由层".事实上,消息被路由到哪个partition上,有producer客户端决定.
　　
　　比如可以采用"random""key-hash""轮询"等,如果一个topic中有多个partitions,那么在producer端实现"消息均衡分发"是必要的.
　　
　　在producer端的配置文件中,开发者可以指定partition路由的方式.
　　
　　Consumer均衡算法
　　
　　当一个group中,有consumer加入或者离开时,会触发partitions均衡.均衡的最终目的,是提升topic的并发消费能力.
　　
　　1) 假如topic1,具有如下partitions: P0,P1,P2,P3
　　
　　2) 加入group中,有如下consumer:www.huachengj1980.com C0,C1
　　
　　3) 首先根据partition索引号对partitions排序: P0,P1,P2,P3
　　
　　4) 根据consumer.id排序: C0,C1
　　
　　5) 计算倍数: M = [P0,P1,P2,P3].size www.yongxinzaixian.cn/ [C0,C1].size,本例值M=2(向上取整)
　　
　　6) 然后依次分配partitions: C0 = [P0,P1],C1=www.gangchengyuLe178.com [P2,P3],即Ci = [P(i * M),P((i + 1) * M -1)]
　　
　　kafka broker集群内broker之间replica机制
　　
　　kafka中,replication策略是基于partition,而不是topic;kafka将每个partition数据复制到多个server上,任何一个partition有一个leader和多个follower(可以没有);
　　
　　备份的个数可以通过broker配置文件来设定.leader处理所有的read-write请求,follower需要和leader保持同步.Follower就像一个"consumer",
　　
　　消费消息并保存在本地日志中;leader负责跟踪所有的follower状态,如果follower"落后"太多或者失效,leader将会把它从replicas同步列表中删除.
　　
　　当所有的follower都将一条消息保存成功,此消息才被认为是"committed",那么此时consumer才能消费它,这种同步策略,就要求follower和leader之间必须具有良好的网络环境.
　　
　　即使只有一个replicas实例存活,仍然可以保证消息的正常发送和接收,只要zookeeper集群存活即可.(备注:不同于其他分布式存储,比如hbase需要"多数派"存活才行)
　　
　　sudo apt-get install git
　　
　　git clone https://github.com/kanaka/noVNC
　　
　　cd noVNC
　　
　　./utils/launch.sh --vnc 172.17.0.2:5901
　　
　　//172.17.0.2：为目标机docker容器的IP地址。
　　
　　//5901：为目标机启动vnc4server时启动的1号服务
　　
　　vi vnc_token //新建一个文件，写入要访问的目标机的相关内容，格式为： 目标机名称: IP:端口号
　　
　　utils/websockify/websockify.py www.ysyl157.com--web=./ -www.furggw.com-target-config vnc_www.dfgjpt.com tokens 6080 //运行上一步新建的内容
　　
　　kafka判定一个follower存活与否的条件有2个:
　　
　　1) follower需要和zookeeper保持良好的链接    
　　
　　2) 它必须能够及时的跟进leader,不能落后太多.
　　
　　如果同时满足上述2个条件,那么leader就认为此follower是"活跃的".如果一个follower失效(server失效)或者落后太多,
　　
　　leader将会把它从同步列表中移除[备注:如果此replicas落后太多,它将会继续从leader中fetch数据,直到足够up-to-date,
　　
　　然后再次加入到同步列表中;kafka不会更换replicas宿主!因为"同步列表"中replicas需要足够快,这样才能保证producer发布消息时接受到ACK的延迟较小。
　　
　　当leader失效时,需在followers中选取出新的leader,可能此时follower落后于leader,因此需要选择一个"up-to-date"的follower.kafka中leader选举并没有采用"投票多数派"的算法,
　　
　　因为这种算法对于"网络稳定性"/"投票参与者数量"等条件有较高的要求,而且kafka集群的设计,还需要容忍N-1个replicas失效.对于kafka而言,
　　
　　每个partition中所有的replicas信息都可以在zookeeper中获得,那么选举leader将是一件非常简单的事情.选择follower时需要兼顾一个问题,
　　
　　就是新leader server上所已经承载的partition leader的个数,如果一个server上有过多的partition leader,意味着此server将承受着更多的IO压力.
　　
　　在选举新leader,需要考虑到"负载均衡",partition leader较少的broker将会更有可能成为新的leader.
　　
　　在整几个集群中,只要有一个replicas存活,那么此partition都可以继续接受读写操作.
　　
　　总结: 
　　
　　    1) Producer端直接连接broker.www.meiwanyule.cn list列表,从列表中返回TopicMetadataResponse,该Metadata包含Topic下每个partition leader建立socket连接并发送消息.
　　
　　    2) Broker端使用zookeeper用来注册broker信息,以及监控partition leader存活性.
　　
　　    3) Consumer端使用zookeeper用来注册consumer信息,其中包括consumer消费的partition列表等,同时也用来发现broker列表,并和partition leader建立socket连接,并获取消息.
　　
　　性能测试
　　
　　目前我已经在虚拟机上做了性能测试。
　　
　　测试环境：cpu: 双核   内存 ：2GB   硬盘：60GB 
　　
　　测试指标
　　
　　性能相关说明
　　
　　结论
　　
　　消息堆积压力测试
　　
　　单个kafka broker节点测试，启动一个kafka broker和Producer，Producer不断向broker发送数据，
　　
　　直到broker堆积数据为18GB为止(停止Producer运行)。启动Consumer，不间断从broker获取数据，
　　
　　直到全部数据读取完成为止，最后查看Producer==Consumer数据，没有出现卡死或broker不响应现象
　　
　　数据大量堆积不会出现broker卡死
　　
　　或不响应现象
　　
　　生产者速率 1.200byte/msg,4w/s左右。2.1KB/msg,1w/s左右 性能上是完全满足要求，其性能主要由磁盘决定
　　
　　消费者速率 1.200byte/msg,4w/s左右。2.1KB/msg,1w/s左右 性能上是完全满足要求，其性能主要由磁盘决定
　　
　　Python爬虫全栈教学，零基础教你成编程大神
　　
　　零基础学爬虫，你要掌握学习那些技能？