Kafka 的大名相信大家早有耳闻，就是《变形记》的作者……咳咳……是一个著名的分布式消息队列，据说是因为作者特别喜欢作家卡夫卡才取名 Kafka 的。开始接触 Kafka 时最头疼的就是它的概念，什么是 group，什么是 partition …… 这里咱们从头开始理一理 Kafka 的基本概念。
Topic
一个 Topic（主题）对应一个消息队列。Kafka 支持多生产者，多消费者，对应下图：
多个生产者将数据发送到 Kafka 中，Kafka 将它们顺序存储，消费者的行为留到下面讨论。我们知道 Kafka 的目标是大数据，如果将消息存在一个“中心”队列中，势必缺少可伸缩性。无论是生产者/消费者数目的增加，还是消息数量的增加，都可能耗尽机器的性能或存储。
因此，Kafka 在概念上将一个 Topic 分成了多个 Partition，写入 topic 的消息会被（平均）分配到其中一个 Partition。Partition 中会为消息保存一个 Partition 内唯一的 ID ，一般称为偏移量(offset)。这样当性能/存储不足时 Kafka 就可以通过增加 Partition 实现横向扩展。
现在我们有了一个队列的消息，那么如何发送给消费者呢？
消费模型
一般有两种消费模型，不同模型下消费者的行为是不同的：
- 队列模式（也叫点对点模式）。多个消费者共同消费一个队列，每条消息只发送给一个消费者。
- 发布/订阅模式。多个消费者订阅主题，每个消息会发布给所有的消费者。
两种方式各有优缺点：
- 队列模式中多个消费者共同消费同一个队列，效率高。
- 发布/订阅模式中，一个消息可以被多次消费，能支持冗余的消费（例如两个消费者共同消费一个消息，防止其中某个消费者挂了）
显然要构建一个大数据下的消息队列，两种模式都是必须的。因此 Kafka 引入了 Consumer Group（消费组）的概念，Consumer Group 是以发布/订阅模式工作的；一个 Consumer Group 中可以有多个 Consumer（消费者），Group 内的消费者以队列模式工作，如下图：
上面提到，Kafka 中的消息是以 Partition 存储的，那么它是如何与 Consumer 对接的呢？
Partition 与消费模型
上面提到，Kafka 中一个 topic 中的消息是被打散分配在多个 Partition(分区) 中存储的， Consumer Group 在消费时需要从不同的 Partition 获取消息，那最终如何重建出 Topic 中消息的顺序呢？
答案是：没有办法。Kafka 只会保证在 Partition 内消息是有序的，而不管全局的情况。
下一个问题是：Partition 中的消息可以被（不同的 Consumer Group）多次消费，那 Partition中被消费的消息是何时删除的？ Partition 又是如何知道一个 Consumer Group 当前消费的位置呢？
- 无论消息是否被消费，除非消息到期 Partition 从不删除消息。例如设置保留时间为 2 天，则消息发布 2 天内任何 Group 都可以消费，2 天后，消息自动被删除。
- Partition 会为每个 Consumer Group 保存一个偏移量，记录 Group 消费到的位置。如下图：
上面我们提到的都是 Partition 与 Consumer Group 之间的关系，那 Group 中的 Consumer 又是如何与 Partition 对应的呢？一般来说这也是最不容易理解的部分。但其实机制很简单：
- 同一个 Consumer Group 内，一个 Partition 只能被一个 Consumer 消费。
- 推论1：如果 Consumer 的数量大于 Partition 数量，则会有 Consumer 是空闲的。
- 推论2：如果 Consumer 的数量小于 Partition 数量，则一个 Consumer 可能消费多个 Partition。
左边的 Consumer Group 中的 C4 是空闲的，而右边 Group 中的 C1 则需要消费两个 Partition 。由于 C1 中消息可能来源于两个 Partition，此时如果需要确保消息的顺序，必须先判断消息的 Partition ID。
在分配 Partition 时，肯定是希望不同的 Consumer 的负载大致相同，具体的分配算法有 Range 的 RoundRobin 两种，文末会给出参考资料，这里不再赘述。
物理存储
上面提到的 Topic, Partition 都是抽象的概念。每个 Partition 最终都需要存储在物理机器上，在 Kafka 中一般把这样的物理机器称为 Broker，可以是一台物理机，也可以是一个集群。
在讲概念的时候我们没有考虑到物理机可能会损坏的问题，这会导致某个 Partition 失效，上面存储的消息丢失，那还说什么高可用？所以一般需要对数据做冗余 (replication)。换言之，需要存储多份 Partition 在不同的 Broker 上，并为它们的数据进行同步。那么从物理的视角：
上图中，某个 Topic 分成了 3 个 Partition，每个 Partition 保存了两个副本，副本平均分配到 3 个 Broker 上。图中即使有一个 Broker 挂了，剩余的两个 Broker 依旧能正常工作。这也是分布式系统的常用设计。
同一个 Partition 有多个副本，并分布在不同的 Broker 上，那么 Producer 应该写入到哪一个副本上呢？Consumer 又应该从哪个副本上读取呢？
- Kafka 的各个 Broker 需要与 Zookeeper 进行通信，每个 Partition 的多个副本之间通过 Zookeeper 的 Leader 选举机制选出主副本。所有该 Partition 上的读写都通过这个主副本进行。
- 其它的冗余副本会从主副本上同步新的消息。就像其它的 Consumer 一样。
小结
本文主要是对 Kafka 的基本概念和结构做了简要介绍，总结如下：
- Topic 是顶级概念，对应于一个消息队列。
- Kafka 是以 Partition 为单位存储消息的，Consumer 在消费时也是按 Partition 进行的。即 Kafka 会保证一个 Consumer 收到的消息中，来自同一个 Partition 的所有消息是有序的。而来自不同 Partition 的消息则不保证有序。
- Partition 会为其中的消息分配 Partition 内唯一的 ID，一般称作偏移量(offset) 。Kafka 会保留所有的消息，直到消息的保留时间（例如设置保留 2 天）结束。这样 Consumer 可以自由决定如何读取消息，例如读取更早的消息，重新消费等。
- Kafka 有 Consumer Group 的概念。每个 Group 独立消费某个 Topic 的消息，互相不干扰。事实上，Kafka 会为每个 Group 保存一个偏移量，记录消费的位置。每个 Group 可以包含多个 Consumer，它们共同消费这个 Topic。
- 对于一个 Consumer Group，一个 Partition 只能由 Group 中的一个 Consumer 消费。具体哪个 Consumer 监听哪个 Partition 是由 Kafka 分配的。算法可以指定为
Range或RoundRobin。 - 物理上，消息是存在 Broker 上的，一般对应为一台物理机或集群。存储时，每个 Partition 都可以有多个副本。它们会被“均匀”地存储在各个 Broker 中。
- 对于一个 Partition，它的多个复本存储一般存储在不同 Broker 中，在同一时刻会由 Zookeeper 选出一个主副本来负责所有的读写操作。
另外，随着 Kafka 的发展，它的定位已经从“分布式消息队列”变成了“分布式流处理平台”，添加了 Connector 及 Stream Processor 的概念。只是这些并不改变它的基本概念和结构。