• Kafka第二节


    一、kafka的文件存储机制

    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
     
    index 和 log 文件以当前 segment 的第一条消息的 offset 命名。
     
    .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。
     
    每个log中每条数据的大小都是1024字节。所以文件大小不会很大,且可以快速查找所需数据。
     
    根据offset查找数据时,先通过二分查找法查找到index文件,然后通过index文件找的数据的索引,最后在log文件中找到数据。
     
     
    二、kafka生产者
    2.1 分区策略
     
    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
     
    具体策略:
     
      

      (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数据可靠性的保证

       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。
     
     副本数据同步策略:
        

      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。 
      
      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-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。 
     
      Kafka ack机制的三种级别:
      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;
      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;
      -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。
     
       Kafka数据一致性的保证:
      kakfa通过 LEO(Log end offset) 和 HW(High Watermark)来保证数据的一致性
      
      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 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。

      Kafka实现Exactly Once:

      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 At Least Once,可以保证数据不丢失,但是不能保证数据不重复。

      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,可以保证数据不重复,但是不能保证数据不丢失。

      可以通过幂等性实现Exactly Once。

      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。

     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。

    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

    在 Kafka 内部存在两种默认的分区分配策略:Range 和 RoundRobin。当以下事件发生时,Kafka 将会进行一次分区分配:

    • 同一个 Consumer Group 内新增消费者
    • 消费者离开当前所属的Consumer Group,包括shuts down 或 crashes
    • 订阅的主题新增分区

    将分区的所有权从一个消费者移到另一个消费者称为重新平衡(rebalance)。

    主要策略为:Range 和 RoundRobin

      Range:

        Range策略是对每个主题而言的,首先对同一个主题里面的分区按照序号进行排序,并对消费者按照字母顺序进行排序。

        然后将partitions的个数除于消费者线程的总数来决定每个消费者线程消费几个分区。如果除不尽,那么前面几个消费者线程将会多消费一个分区。

      RoundRobin:

        这种策略为轮询的方式,使用RoundRobin策略有两个前提条件必须满足:

          1、同一个Consumer Group里面的所有消费者的num.streams必须相等;

          2、每个消费者订阅的主题必须相同。

      具体策略可以参考文章  https://www.cnblogs.com/wangjing666/p/10283920.html

  • 相关阅读:
    .Net中获取打印机的相关信息
    如何在windows server 2008上配置NLB群集
    jvm分析内存泄露
    JVM调优
    线程池工作队列饱和策略
    线程池的处理流程:
    Java的Executor框架和线程池实现原理(转)
    线程池实现原理详解:
    futer.get()(如果任务没执行完将等待)
    sql注入
  • 原文地址:https://www.cnblogs.com/the-zym/p/15379020.html
Copyright © 2020-2023  润新知