【Kafka笔记】3.Kafka架构详解

1.Kafka工作流程

Kafka中的消息是以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partiyion对应于一个log文件，该log文件存储的是生产者生产的消息。Producer生产的数据会被不断的追加到该log文件末尾，切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哪个offset，以便在出错恢复中，从上次的位置继续消费。

为防止log文件过大导致数据定位效率低下，每个log文件不会一直追加数据到文件末尾。kafka采用了分片和索引机制，将每个partition分为多个segment（分片）。每个segment对应两个文件：XXX.index和XXX.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：demo这个topic有三个分区，则对应的文件夹为first-0,first-1,first-2

00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
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"文件存储着大量的数据，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。

如何查找到offset=3？

通过offset通过二分查找法确定在哪个索引文件，找到3得到该数据的起始偏移量（索引文件中存储的是每个消息的起始偏移量和消息大小）就能得到这个消息的起始偏移量和结束偏移量。

2.Kafka生产者

分区策略

1. 分区的原因

   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又可以通过有多个Partition组成，因此整个集群就可以适应任意大小的数据了。

   提高并发，消费者可以以Partition为单位读写

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。

   public ProducerRecord(String topic, Integer partition, Long timestamp, K key, V value, Iterable<Header> headers)
   public ProducerRecord(String topic, Integer partition, Long timestamp, K key, V value)
   public ProducerRecord(String topic, Integer partition, K key, V value, Iterable<Header> headers)
   public ProducerRecord(String topic, Integer partition, K key, V value)
   public ProducerRecord(String topic, K key, V value)
   

   (1) 指明partiton的情况下，直接将指明的值作为partition的值

   (2) 没有指明partition的值但有key的情况下，将key的hash值与topic的partition数进行取余得到partition值(key的哈希分区)

   (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个整数上自增），将这个值与topic可用的partition总数取余得到partition总数取余得到partition值，也就是round-robin算法，例如三个分区第一次得到的分区顺序为2，0，1 呢么以后每次都是2，0，1

数据的可靠性保证

为了保证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ack	延迟低	选举新的leader时，容忍n台节点的故障，就需要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，就需要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-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。

3. 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；

   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。

4. 故障处理细节

   在ISR同步中有两个词语需要知道：

   LEO:每个副本的最后一个offset
   HW:所有副本中最小的LEO
   

（1） follower 故障

​ follower发生故障后会被临时剔出ISR,待该follower恢复后，follower会将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follpwer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中选举出一个新的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。在一定情况下还是会发生数据丢失或者重复

Exactly Once 语义

Kafka提供了生产者和消费者之间的担保语义：

1. AtLeast Once(至少一次)—— 消息绝不会丢失，但有可能重复，将ACK级别设置为all
2. AtMost Once（最多一次）—— 消息可能会丢失，但绝不会重发，将ACK级别设置为0
3. Exactly once（精准一次）—— 每个消息传递一次且只有一次，开启幂等性

在0.11版本之前，kafka只能保证数据不丢失，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，对性能造成了很大的影响。

但是在0.11版本之后，加入了幂等性，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数据，幂等性结合AtLeast Once语义就构成了Exactly Once语义，即：

AtLEast Once +幂等性 = Exactly Once

开启幂等性，只需要enabled.idompotence=true即可，Kafka的幂等性实现其实就是把下游的数据去重放在了broker上，开启幂等性的Producer在初始化的时候会被分配一个PID，发生同一Partition的消息会附带Sequence Number（序列号），而Broker端会对<PID,Partition,SeqNumber> 做缓存，这里的SeqNumber不是Offset，当具有相同主键的消息提交时，Broker只会持久化一条。从0.11开始生产者支持使用类似事务的语义将消息发送到多个topic分区的能力：即所有消息都被成功写入或者没有。

注意： Producer重启PID就会变化，同时不同的partition也具有不同的主键，所以幂等性无法保证跨分区跨会话的Exactly Once

3. Kafka消费者

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的消费速度赶不上broker的发送速度，从而会导致consumer拒绝服务以及网络拥塞。而pull模式则可以根据consumer自身的消费能力以适当的消费速率消费消息。

pull模式不足之处：kafka无消息时，消费者陷入循环，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，这段时长就是timeout。

分区分配策略

一个consumer group 中有多个consumer，一个topic可以有多个partition，所以必然会有分区分配问题。一个topic可以被多个消费者组消费，一个消费者组可以消费多个topic，但是每个分区只能被同一个消费者组中的一个消费者消费。

Kafka有两种分配策略，一是roundrobin(轮询)，一是range（范围）。

1. Roundrobin（轮询策略，按照组划分）

   假如有三个消费者组，一个topic，七个分区：
   

   最后结果为：

这就是轮询，但是这只是一个topic主题，如果有多个topic主题订阅并使用轮询。就会出现问题。当一个consumer group 消费多个不同的主题的时候，consumer group 会将这些topic以及分区 看成一个整体，然后通过哈希值做排序，然后在进行轮询。

所以，如果有两个主题，四个分区，一个消费者组，两个消费者，就会出现问题了

所以，使用轮询的前提是消费者组在订阅同一个主题的分区！！！！

轮询可以尽量保证分配的分区均衡，最大差别为1

2. Range（范围策略，按照主题划分）

   该策略是kafka默认的分区策略，按照单个主题分配分区，按照范围分配分区。

   例如，一个topic，7个分区，3个消费者，一个消费者组

分配完成后：

当有多个topic的时候，就会出现这种情况：

当消费者组内的消费者个数发生变化的时候，就会触发消费者的重新分配分区！！！

offset的维护

Kafka在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

实例：
创建一个主题，两个副本，两个分区
bin/kafka-topics.sh --create --zookeeper master:2181 --topic bigdata --partitions 2 --replication-factor 2
向bigdata生产消息，同时打开一个消费者窗口
bin/kafka-console-consumer.sh --zookeeper master:2181 --topic bigdata --from-beginning这里必须用zookeeper 才会把offset保存在zookeeper中。

然后我们去zookeeper查看
[zk: localhost:2181(CONNECTED) 0] ls / [cluster, controller_epoch, controller, brokers, zookeeper, kafka-manager, admin, isr_change_notification, consumers, latest_producer_id_block, config] 这里面除了zookeeper选项之外其他都是kafka的
controller:指的是和zookeeper交互的broker。谁先和zookeeper建立连接，谁就是conrtoller

[zk: localhost:2181(CONNECTED) 3] get /controller
{"version":1,"brokerid":0,"timestamp":"1573653004493"}
cZxid = 0x288
ctime = Wed Nov 13 21:50:04 CST 2019
mZxid = 0x288
mtime = Wed Nov 13 21:50:04 CST 2019
pZxid = 0x288
cversion = 0
dataVersion = 0
aclVersion = 0
ephemeralOwner = 0x16e6506ad240000
dataLength = 54
numChildren = 0
[zk: localhost:2181(CONNECTED) 4]

可以看到brokerId是0
brokers:这里存的都是broker的信息

[zk: localhost:2181(CONNECTED) 4] ls /brokers
[ids, topics, seqid]
[zk: localhost:2181(CONNECTED) 5] ls /brokers/ids
[0, 1, 2]
[zk: localhost:2181(CONNECTED) 6] 

config:kafka的一些配置
consumers:所有的消费者（使用–zookeeper才会显示,–bootstrap-server不显示）

[zk: localhost:2181(CONNECTED) 13] get /consumers/console-consumer-75598/offsets/bigdata/0
1
cZxid = 0x322
ctime = Wed Nov 13 22:35:31 CST 2019
mZxid = 0x326
mtime = Wed Nov 13 22:36:31 CST 2019
pZxid = 0x322
cversion = 0
dataVersion = 1
aclVersion = 0
ephemeralOwner = 0x0
dataLength = 1
numChildren = 0
[zk: localhost:2181(CONNECTED) 14] 

呢个1就是存储的offset ，这是bigdata的分区0，他还有分区1，如果你继续生产，继续消费，就会让这两个分区的offset轮询记录

所以保存在Zookeeper采用的是消费者组_Topic_分区.
这是保存在zookeeper中的形式，呢么看看offset保存在kafka的例子。

消费记录保存在Kafka本地：

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。

如果想获取kafka内置主题消息需要配置文件 consumer.properties ：
exclude.internal.topics=false

读取__consumer_offsets主题的内容
这里使用zookeeper保存offset，是为了防止该消费者消进程即作为消费者有作为生产者，即自己生产自己消费。

运行命令：
./bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper master:2181 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning

运行截图：

如果kafka有消费者进程连接kafka。呢么这里的日志就会每隔（1秒,可设置）打印一次，因为消费者的offset会每隔一秒提交一次

[console-consumer-88458,bigdata,0]::[OffsetMetadata[2,NO_METADATA],CommitTime 1576308184247,ExpirationTime 1576394584247] [console-consumer-88458,bigdata,1]::[OffsetMetadata[1,NO_METADATA],CommitTime 1576308184247,ExpirationTime 1576394584247]
这里注意一下，这种数据其实也是K-V形式，K表示的是消费者组-主题-分区，V表示的是offset的消费记录。
这就会出现当在同一消费者组中增加消费者，当该消费者分到了一个分区，该消费者会得到该分区的offset会根据以前的消费记录接着消费，而不会重新消费。

4.Kafka 高效读写数据

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。
2）零复制技术
零拷贝即从page Cache 直接发送到NIC 省掉了机器底层的数据拷贝。

5. 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。 Controller是谁先和zookeeper建立连接，谁就是conrtoller
Leader选举 是很重要的一个知识点，这个视频只是大概说了一下，不是很深入，会另写一篇博客。

6. 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。

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Transaction
   ID 获得原来的 PID。
   为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就
   是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction
   Coordinator 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。
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 Segment File 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。

生产者的事务和幂等性主要解决的是精准一致性的问题，加入了事务可以跨分区和跨会话。