Kafka学习笔记（三）——架构深入

之前搭建好了Kafka的学习环境，了解了具体的配置文件内容，并且测试了生产者、消费者的控制台使用方式，也学习了基本的API。那么下一步，应该学习一下具体的内部流程~

1、Kafka的工作流程

---

大致的工作流程图如下：

如图所示哈，整个工作环境包括：一个生产者（producer）,一个消费者组（含有三个消费者），一个主题：A，三个节点（broker）,三个分区（partition）和两个副本（副本数=leader数+follower数）。

分析一下大致工作流程：

• Producer是消息的生产者，首先Producer从集群中获取分区的leader,完了以后producer将消息发送给leader，leader将消息写入到本地文件。之后，follower要从leader这里主动同步数据。
• 图中所示，每一个分区中都有消息的编号，称为偏移量(offset)，它的作用是可以让消费者追踪消息在分区里的位置。注意：这个偏移量不是全局的，而是分区独立使用的。因此，Kafka只保证区内消息有序（生产顺序和消费顺序相同）。
• 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(log文件太大的时候会被切分，之后再说)，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，出错复活之后，从上次的位置继续消费。

在网上找了一个图，还挺通俗的：

2、Kafka的文件存储机制

---

Producer 将数据写入 Kafka 后，集群就需要对数据进行保存了。Kafka 将数据保存在磁盘，可能在我们的一般的认知里，写入磁盘是比较耗时的操作，不适合这种高并发的组件。Kafka 初始会单独开辟一块磁盘空间，顺序写入数据（效率比随机写入高）。

2.1 Partition 结构

前面说过了每个 Topic 都可以分为一个或多个 Partition，如果你觉得 Topic 比较抽象，那 Partition 就是比较具体的东西了！

Partition 在服务器上的表现形式就是一个一个的文件夹，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。

每组 Segment 文件又包含 .index 文件、.log 文件、.timeindex 文件（早期版本中没有）三个文件。

log和index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。例如，simon这个topic有2个分区，则其对应的文件夹为simon-0,simon-1：

log 文件就是实际存储 Message 的地方，而 index 和 timeindex 文件为索引文件，用于检索消息。

2.2 Message 结构

上面说到 log 文件就实际是存储 Message 的地方，我们在 Producer 往 Kafka 写入的也是一条一条的 Message。

那存储在 log 中的 Message 是什么样子的呢？消息主要包含消息体、消息大小、Offset、压缩类型……等等！

我们重点需要知道的是下面三个：

• Offset：Offset 是一个占 8byte 的有序 id 号，它可以唯一确定每条消息在 Parition 内的位置；
• 消息大小：消息大小占用 4byte，用于描述消息的大小；
• 消息体：消息体存放的是实际的消息数据（被压缩过），占用的空间根据具体的消息而不一样。

index和log文件以当前segment的第一条消息的offset命名，下图为index文件和log文件的结构示意图：

例如：进入simon-0目录下查看

2.3 存储策略

无论消息是否被消费，Kafka 都会保存所有的消息。那对于旧数据有什么删除策略呢？

• 基于时间，默认配置是 168 小时（7 天）；
• 基于大小，默认配置是 1073741824。

需要注意的是，Kafka 读取特定消息的时间复杂度是 O(1)，所以这里删除过期的文件并不会提高 Kafka 的性能！

3、Kafka的生产者

---

3.1 分区策略

1）为什么要分区呢 ？

• 方便在集群中扩展，每个Partition可以通过调整以适应它所在的机器，而一个topic又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据了；【提高负载能力】
• 可以提高并发，因为可以以Partition为单位读写了。

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。

3.2 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。

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：

• 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。

• 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。

留下一个疑问：既然是全部follower同步完成才发Ack，那么如果有一个follower在同步之前挂了，岂不是永远无法发送ack？哎，这就有了ISR机制~~

2）ISR

采用第二种方案之后，设想一下：leader收到数据，所有的follower都开始同步数据，但是有一个follower，因为某种故障迟迟无法与leader同步，那么leader就要一直等下去，直到它同步完成，才能发生ack，这样的问题如何解决呢？

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。

注意：在旧的版本中有两种踢出策略，一个是follower同步消息过慢，另一种是follower和leader的数据量相差过大(默认是10000)，新的版本仅保留了前者。原因是：producer发送数据的单位是batch，假如一个batch中包含有12000条数据的话，那么ISR中的所有follower都会被踢出，待同步完成之后又会被加回来。如此往复几次的话，就会造成大量的资源开销，所以这个策略被弃用了。

3）ack应答机制

按照思路继续往下走，当follower同步完成数据之后，leader返回给producer信号，通知它已经收到了，你可以继续往下发数据。

但是，并不是所有的follower很快就能同步完成数据，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：
acks：

• 0【不需要确认，直接连发】：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【只等leader写完】：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【等leader和follower都写完】：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，那么会造成数据重复。（但是如果ISR中只有一个leader，就和acks=1的效果一样了）

4）故障处理细节

假设一个场景：有一个leader写了10条数据，ISR中有F1(写了8条数据)，F2(写了9条数据)。如果leader挂了，选择了F1成为新的leader，那么问题就显而易见了，F1和F2的数据不一致了。如果选择F2当leader，但是原来的leader又诈尸了，活过来了，那么数据又出现不一致了。这么一来，消费者不得疯了嘛。。。仁慈而又伟大的Kafka开发人员怎么会想不到这个问题呢，且看：

如下图：leader中现在有19条数据，F1和F2分别有12、15条数据，某一时刻，出故障了~

注意：LEO：指每个副本最大的offset，
HW：指的是消费者能见到的最大的offset，ISR中最小的LEO [保证消费者消费的一致性]

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(过长，就把它切掉~)，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。（老大通知小弟，把个人主义切掉，再把比我少的补上~）

注意：不要搞混，这只能保证副本之间的数据一致性，ack机制才能保证数据不丢失或者不重复。

3.3 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，但是有可能重复数据，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。在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，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。

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。

4、Kafka消费者

---

4.1 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。

4.2 分区分配策略

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，即确定那个partition由哪个consumer来消费。同一组里的不同消费者，不能消费同一分区。
Kafka有两种分配策略，RoundRobin和Range。

• RoundRobin模式：按组划分

• Range模式：按主题划分

什么时候会触发这些策略呢？一句话：当消费者组里的消费者个数发送变化的时候会重新分配。

4.3 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。

假设有这么一个场景：一个消费者组里有消费者A，他消费着Topic t的三个分区t0、t1、t2分区里的数据，并且都消费到了0ffset=10。此时，消费者组里加入了消费者B，那么就会触发分区分配策略。假设分区t2被分给了B。那么，B应该从哪里开始消费呢？是从头还是从offset=10 ? --很明显哈，是从offset=10接着消费。如果是从头消费呢，一旦扩充消费者组，每次都从头消费，造成了多次重复消费相同的数据。注意：消费者组 + 主题 + 分区 = 唯一确定一个offset ！！！

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一个内置的topic中，该Topic为__consumer_offsets.

Kafka的信息将被保存在zookeeper中，详细存储情况如下图：

5、Kafka高效读写数据

5.1 顺序读写

Kafka的producer生产数据，要写入到log文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到到600M/s，而随机写只有100k/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。

5.2 零拷贝技术

零拷贝技术，可以有效的减少上下文切换和拷贝次数。kafka的设计实现，涉及到很多的底层技术，若希望能够把它吃透，需要花大量的时间，大量的精力。现在还是小菜鸡一名，今后任重道远 ~

5.3 Page Cache

为了优化读写性能，Kafka利用了操作系统本身的Page Cache，就是利用操作系统自身的内存而不是JVM空间内存。通过操作系统的Page Cache，Kafka的读写操作基本上是基于内存的，读写速度得到了极大的提升。

6、Zookeeper在Kafka中的作用

Kafka集群中有一个broker会被选举为Controller，负责管理集群broker的上下线，所有topic的分区副本分配和leader选举等工作。Controller的管理工作都是依赖于Zookeeper的。

简述一下partition的leader的选举过程：