分区策略
1.分区原因
1.1 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；
1.2 可以提高并发，因为可以以partition为单位读写；
2.分区原则
将producer发送的数据封装成一个producerRecord对象；
2.1 指明partition的情况下，直接将指明的值直接作为partition值；
2.2 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；
2.3 即没有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，也就是常用的round-robin算法
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，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.何时发送ack？
确保有follower与leader同步完成，leader再发送ack，这样才能确保leader挂掉之后，能在follower中选举出新的leader；
2.副本同步策略
方案一：半数以上的follower同步完成，即可发送ack；
优点：延迟低；
缺点：选择新的leader时，容忍n台节点的故障，需要2n+1个副本；
方案二：全部的follower同步完成，才可以发送ack；
优点：选举新的leader时，容忍n台节点的故障，需要n+1个副本；
缺点：延迟高；
kafka选择了方案二，全部完成后发送ack：
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；
3.ISR
采用第二种方案之后，摄像一下情景：leader接收到数据，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？
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不同数据，则该follower将被踢出ISR，该事件阈值由replica.time.max.ms参数设定，leader发生故障之后，就会从ISR中选举新的leader；
4.ack应答机制
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，选择一下配置：
acks：
0：producer不等待broker的ack，这一操作提供了最低的延迟，broker一接收到还没哟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：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发送故障，那么会造成数据重复；
5.故障细节处理
Log文件的HW和LEO
LEO：每个副本的最后一个offset
HW：所有副本最小的LEO（ISR队列最小的LEO）
1.follower故障
follower发生故障会被临时踢出ISR，待该follower恢复后，follower会读取本地磁盘记录上传的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中选择一个新的leader，之后，为了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的部分截取掉，然后从新出的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；
6.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AtLeast 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AtMost Once语义；
AtLeast Once可以保证数据不丢失，但是不能保证数据不重复；相对的，AtLeast 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版本之前的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的影响。
0.11版本的kafka，引入一项重大的特征，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端只会持久一条，幂等性结合AtLeast Once语义，就构成了kafka的Exactly Once语义，即
AtLeast 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，卡其幂等性的producer在初始化的时候会被分配一个PID，发往同一个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回话的Exactly Once