第3章、Kafka工作流程分析

一、Kafka工作流程及文件存储机制

• Kafka 工作流程

　　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。

　　kafka消息不能保证全局消息有序性，能保证分区内有序。

• Kafka文件存储机制

　　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。每个segment对应两个文件——“.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。例如，first这个topic有三个分区，则其对应的文件夹为first-0,first-1,first-2。

00000000000000000000.index
00000000000000000000.log(最大默认1G,超过1G，则新建一个，)
00000000000000170410.index
00000000000000170410.log(名字为当前log中最小的偏移量)
00000000000000239430.index
00000000000000239430.log

　　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。

 　　“.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中message的物理偏移地址。

　　.index”文件中存储的每一条数据的大小相同，通过二分查找，查找速度快。

二、Kafka生产者

2.1、分区策略

1、分区的原因

1. 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；
2. 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。

2.2、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 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：

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、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-syncreplicaset(ISR：同步副本)，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。

3、ack 

　　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：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；
• acks：1：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；下面是acks = 1 数据丢失案例；

• 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。下面时acks = -1 数据重复案例、

4、 故障处理细节

•  Log文件中的HW和LEO

• 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 。

(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，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 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。

　　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AtLeastOnce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AtMostOnce语义。

　　AtLeastOnce可以保证数据不丢失，但是不能保证数据不重复；相对的，AtLeastOnce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ExactlyOnce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AtLeastOnce语义，就构成了Kafka的ExactlyOnce语义。即：

AtLeastOnce + 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SequenceNumber。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ExactlyOnce。

三、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

　　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。

　　Kafka 有两种分配策略，一是 RoundRobin，一是 Range。

• 分区分配策略之RoundRobin(默认)

•  分区分配策略之Range

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。

　　　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。

•  修改配置文件 consumer.properties

exclude.internal.topics=false

• 读取 offset

# 0.11.0.0 之前版本:
bin/kafka-console-consumer.sh  --topic  __consumer_offsets  
--zookeeper  broker2:2181  
--formatter "kafka.coordinator.GroupMetadataManager$OffsetsMessageFormatter"
--consumer.config config/consumer.properties --from-beginning

# 0.11.0.0 之后版本(含):
bin/kafka-console-consumer.sh  --topic  __consumer_offsets  
--zookeeper  broker2:2181  
--formatter "kafka.coordinator.group.GroupMetadataManager$OffsetsMessageFormatter"  
--consumer.config  config/consumer.properties  --from-beginning

3.4、消费者组案例

　　需求：测试同一个消费者组中的消费者，同一时刻只能有一个消费者消费。

• 在broker0、broker1上修改/usr/loacl/kafka/config/consumer.properties 配置文件中的 group.id 属性为任意组名。

vim consumer.properties
group.id=jdy

• 在broker0、broker1分别启动消费者
• 在broker2上启动生产者
• 查看 broker0、broker1的接收者。同一时刻只有一个消费者接收到消息。

四、Kafka 高效读写数据

4.1、顺序写磁盘

　　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。

4.2、零复制技术

五、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。

　　以下为 partition 的 leader 选举过程：

 

六、Kafka事务

　　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和会话，要么全部成功，要么全部失败。

6.1、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TransactionID 获得原来的 PID。

　　为了管理Transaction，Kafka引入了一个新的组件TransactionCoordinator。Producer就是通过和TransactionCoordinator交互获得TransactionID对应的任务状态。TransactionCoordinator还负责将事务所有写入Kafka的一个内部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得到恢复，从而继续进行。

6.2、Consumer事务

　　上述事务机制主要是从Producer方面考虑，对于Consumer而言，事务的保证就会相对较弱，尤其时无法保证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SegmentFile生命周期不同，同一事务的消息可能会出现重启后被删除的情况。