如何系统的了解Kafka

1.概述

在大数据的浪潮下，时时刻刻都会产生大量的数据。比如社交媒体、博客、电子商务等等，这些数据会以不同的类型存储在不同的平台里面。为了执行ETL（提取、转换、加载）操作，需要一个消息中间件系统，该系统应该是异步和低耦合的，即来自各种存储系统（如HDFS、Cassandra、RDBMS等）的数据可以同时转存在一个地方，而所有这些数据源都是彼此独立的。解决这个问题的方法之一是Kafka，它是一个开源的分布式消息处理平台。

2.内容

2.1 专业术语

• Message：它基本上是一个键值对，在值部分包含有用的数据和记录；
• Topic：对于多租户，可以创建多个主题，这只是发布和订阅消息的名称；
• Partition：对于多线程任务，可以在一个Topic中，创建多个分区，提升生产者和消费者的性能；
• Offset：消息以类似于提交日志的顺序形式存储，并且从0开始为每个消息提供顺序ID（每个分区偏移量从0开始）；
• Broker：Kafka集群由多个服务节点组成，这些服务节点只是集群中托管Zookeeper维护的无状态服务器的节点，英文这里没有主从概念，所以所有的Broker都是同级别的（每个Partition上会有Leader和Follower）；
• Consumer：用于消费Topic的应用程序；
• ConsumerGroup：消费不同Topic所使用的相同GroupID；
• Producer：用于生产Topic的应用程序。

2.2 Kafka为何需要Zookeeper

Zookeeper是一个分布式集群管理系统，它是一个为分布式应用提供一致性服务的软件，提供的功能包含：配置维护、域名服务、分布式服务等。它目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的提供提供给用户。而在Kafka中，它提供了以下功能：

• 控制器选举：对于特定主题，分区中的所有读写操作都是通过复制副本的数据来完成的，每当Leader宕机，Zookeeper就会选举出新的Leader来提供服务；
• 配置Topic：与某个Topic相关的元数据，即某个特定Topic是否位于Broker中，有多少个Partition等存储在Zookeeper中，并在生产消息时持续同步；
• ACL：Topic的权限控制均在Zookeeper中进行维护。

2.3 Kafka有哪些特性？

Kafka的一些关键特性，使得它更加受到喜爱，针对传统消息系统的不同：

• 高吞吐量：吞吐量表示每秒可以处理的消息数（消息速率）。由于我们可以将Topic分布到不同的Broker上，因此我们可以实现每条数以千次的读写操作；
• 分布式：分布式系统是一个被分割成多台运行的机器的系统，所有这些机器在一个集群中协同工作，在最终用户看来是一个单一的节点。Kafka是分布式的，因为它存储、读取和写入多个节点上的数据，这些节点被称为Broker，它与Zookeeper一起共同创建了一个称为Kafka集群的生态系统；
• 持久性：消息队列完全保存在磁盘上，而不是保存在内存中，同一数据的多个副本（ISR）可以跨不同的节点存储。因此，不存在由于故障转移场景而导致数据丢失的可能性，并使其具有持久性；
• 可伸缩性：任何系统都可以水平或垂直伸缩，纵向可伸缩性意味着向相同的节点添加更多的资源，如CPU、内存，并且会产生很高的操作成本。水平可伸缩性可以通过简单的在集群中添加几个节点来实现，这增加了容量需求。Kafka水平扩展意味着当我们的容量用完时，我们可以在集群中添加一个新的节点。

2.4 Producer如何写数据？

生产者首先获取Topic中的元数据，以便知道需要使用消息更新哪个Broker。元数据也存储在Broker中，并与Zookeeper保持连续同步。因此，若有多个生产者都希望连接到Zookeeper来访问元数据，会导致性能降低。当生产者获取了Topic和元数据信息，它就会在Leader所在的Broker节点的日志中写入消息，而之后Follower（ISR）会将其复制进行同步。

 在写入操作可以是同步的，即仅当Follower还在其日志中同步消息时，或者异步，即只有Leader更新信息消息，状态发生给生产者。磁盘上的消息可以保留特定的持续时间，在此期限后，将自动清除旧消息，并且不再可供使用。默认情况下，设置为7天。可以通过三种策略将消息写到Topic。

1. send(key,value,topic,partition)：专门提供需要进行写操作的分区。不建议使用该方式，因为它可能会导致分区大小不均衡；
2. send(key,value,topic)：在这里，默认的HashPartitioner用于确定要写入消息的分区，方式查找key的Hash并进行取模，该Topic的分区，也可以编写我们自己定义的分区程序；
3. send(null,value,topic)：在这种情况下，消息以循环方式存储在所有分区中。

Java生产者示例代码如下：

public class JProducer extends Thread {

    public static void main(String[] args) {
        Properties props = new Properties();
        props.put("bootstrap.servers", "127.0.0.1:9092");
        props.put("acks", "1");
        props.put("retries", 0);
        props.put("batch.size", 16384);
        props.put("linger.ms", 1);
        props.put("buffer.memory", 33554432);
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        Producer<String, String> producer = new KafkaProducer<>(props);
        long counter = 1L;
        while (true) {
            String json = "{"id":" + (counter++) + ","date":"" + new Date().toString() + ""}";
            String k = "key" + counter;
            producer.send(new ProducerRecord<String, String>("test01", k, json), (recordMetadata, e) -> {
                if (e == null) {
                    System.out.println(recordMetadata.topic() + "-" + recordMetadata.partition() + "-" + recordMetadata.offset());
                } else {
                    e.printStackTrace();
                }
            });
            try {
                sleep(1000);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
        // producer.close();
    }

}

2.5 消费者如何订阅消息？

由于Kafka的速度非常快并且可以获取实时消息，因此单个消费者肯定会在Topic中读取很大一部分消息时出现延迟。为了克服这类问题，可以创建一个消费者组，该消费者组由多个具有相同GroupID的消费者组成。每个使用者都连接有一个唯一的分区，该分区所在所有使用者之间平均分配。将分区分配给特定使用者是消费者组协调器的责任，协调器由Broker被提名担任该角色。为了管理活跃的消费者，消费者组中的所有成员会将它们的心跳发送到组协调器。

关于消费分区与消费线程的对应关系，理论上消费线程数应该小于等于分区数。之前是有这样一种观点，一个消费线程对应一个分区，当消费线程等于分区数是最大化线程的利用率。直接使用KafkaConsumer Client实例，这样使用确实没有什么问题。但是，如果我们有富裕的CPU，其实还可以使用大于分区数的线程，来提升消费能力，这就需要我们对KafkaConsumer Client实例进行改造，实现消费策略预计算，利用额外的CPU开启更多的线程，来实现消费任务分片。

在0.10.x以后的版本中，Kafka底层架构发生了变化，将消费者的信息由Zookeeper存储迁移到Topic（__consumer_offsets）中进行存储。消费的偏移量Key（groupid, topic, partition）以及Value(Offset, ...)

 Java消费者示例代码如下：

public class JConsumer extends Thread {

    private String groupId;

    public static void main(String[] args) throws InterruptedException {
        for (int i = 0; i < 1; i++) {
            JConsumerSsl jc = new JConsumerSsl("jgroup" + i);
            jc.start();
        }
    }

    public JConsumerSsl(String groupId) {
        this.groupId = groupId;
    }

    @Override
    public void run() {
        consumer(this.groupId);
    }

    public static void consumer(String groupId) {
        Properties props = new Properties();
        props.put("bootstrap.servers", "127.0.0.1:9092");
        props.put("group.id", groupId);
        props.put("enable.auto.commit", "true");
        props.put("auto.commit.interval.ms", "1000");
        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");

        KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
        consumer.subscribe(Arrays.asList("test01"));
        boolean flag = true;
        while (flag) {
            ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));
            for (ConsumerRecord<String, String> record : records)
                System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
            try {
                // sleep(60 * 1000L);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
        consumer.close();
    }

}

2.6 Kafka为何如此之快？

由于Kafka遵循了一定的策略，这也是它设计的一部分，以使得它性能更好、更快。

• 没有随机磁盘访问：它使用称为不可变队列的顺序数据结构，其中读写操作始终为恒定时间O(1)。它在末尾附加消息，并从头开始或者从特定偏移量读取；
• 顺序IO：现代操作系统将其大不部分可用的内存分配给磁盘缓存，并且更快的用于存储和检索顺序数据；
• 零拷贝：由于根本没有修改数据，因此将磁盘中的数据不必要的加载到应用程序内存中，因此，它没有将其加载到应用程序中，而是通过Socket字节，缓冲区以及网络从context缓存区发送了相同的数据；
• 消息批处理：为了避免多次网络交互，将多个消息分组在一起；
• 消息压缩：在通过网络传输消息之前，使用gzip、snappy等压缩算法对消息进行压缩，然后在Consumer中使用API将其解压。

2.7 数据如何存储在Broker上？

在打开Kafka服务器之前，Broker中的所有消息都存储在配置文件中的配置的日志目录中，在该目录内，可以找到包含特定Topic分区的文件夹，其格式topic_name-partition_number，例如topic1-0。另外，__consumer_offsets这个Topic也存储在同一日志目录中。

在特定Topic的分区目录中，可以找到Kafka的Segment文件xxx.log，索引文件xxx.index和时间索引xxx.timeindex。当达到旧的Segment大小或者时间限制时，会在创建新的Segment文件时将属于该分区的所有数据写入活跃的Segment中。索引将每个偏移量映射到其消息在日志中的位置，由于偏移量时顺序的，因此将二进制搜索应用于在特定偏移量的日志文件中查找数据索引。

2.8 日志压缩

• 任何保持在日志头部以内的使用者都将看到所写的每条消息，这些消息将具有顺序偏移量。可以使用Topic的min.compaction.lag.ms属性来保证消息在被压缩之前必须经过的最短时间。也就是说，它为每个消息在（未压缩）头部停留的时间提供了一个下限。可以使用Topic的max.compaction.lag.ms属性来保证从编写消息到消息符合压缩条件之间的最大延时
• 消息始终保持顺序，压缩永远不会重新排序消息，只是删除一些而已
• 消息的偏移量永远不会改变，它是日志中位置的永久标识符
• 从日志开始的任何使用者将至少看到所有记录的最终状态，按记录的顺序写入。另外，如果使用者在比Topic的log.cleaner.delete.retention.ms短的时间内到达日志的头部，则会看到已删除记录的所有delete标记。保留时间默认是24小时。

详情分析可阅读《Kafka日志压缩剖析》。

3.总结

以上就是笔者给大家简要的汇总了Kafka的各个知识点，包含常见的术语、Consumer & Producer的使用方式、存储流程等

另外，笔者开源的一款Kafka监控关系系统Kafka-Eagle，喜欢的同学可以Star一下，进行关注。

Kafka Eagle源代码地址：https://github.com/smartloli/kafka-eagle

4.结束语

这篇博客就和大家分享到这里，如果大家在研究学习的过程当中有什么问题，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！

另外，博主出书了《Kafka并不难学》和《Hadoop大数据挖掘从入门到进阶实战》，喜欢的朋友或同学， 可以在公告栏那里点击购买链接购买博主的书进行学习，在此感谢大家的支持。关注下面公众号，根据提示，可免费获取书籍的教学视频。