kafka低进阶

1、kafka工作流程

KafkaCluster.png

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存储机制.png

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文件国道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和.log文件）。这些文件位于一个目录下，该目录命名规则为：topic名称+分区序号。例如--topic first由两个分区，则对应目录为first-0，first-1。

index和log文件以当前segment的第一条消息的offset命名。下图为indx文件和log文件的结构示意图。

index文件和log文件详.png

“.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。

2、kafka生产者

2.1 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；
• 可以提高并发，因为可以以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。

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

• 指明partition的情况下，直接将知名的值作为partition值；
• 没有指明parttion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；
• 既没有partition值又没有key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，就会进行下一轮发送，否则重新发送数据。

生产者收到ack.png

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ack	延迟低	选举新的leader时，容忍n台节点的故障，故需要2n+1个副本
全部完成同步，才发ack	选举新的leader时，容忍n台节点的故障，故需要n+1个副本	延迟高

kafka选择了第二种方案，原因如下：

• 同样为了容忍n台节点故障，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冗余；
• 虽然第二种方案网络延迟比较高，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，所有的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。问这个问题怎么解决？
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同步数据，则该follower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，选择以下配置。
acks参数配置：

acks	语义	说明
0	At Most Once	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）	At Least Once	producer等待broker的ack，partition的leader和follower全部落盘成功之后才返回ack。但是如果在follower同步完成后，broker发送ack之前，leader发生故障，那么会发生数据重复。

要求既不重复也不丢失，需要使用到Exactly Once语义，它是由At Least Once延申而来：
At Least Once + 幂等性 = Exactly Once
启用幂等性：Producer的参数中enable.idompotence设置为true（默认ack=-1）。
Producer在初始化的时候会分配一个PID，同时发往同一个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只会提交一条。
但是PID重启会发生变化，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会话的Exactly Once。

4）故障处理细节

LOG文件中的LEO和HW.png

LEO：指的是每个副本最大的offset；
HW：高水位。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发生故障会被临时踢出ISR，待该follower恢复后，follower会读取本地磁盘记录上次的HW，并将log文件高于HW部分截取掉，从HW开始向leader进行同步。等待follower的LEO大于等于该Partition的HW，即follower追上leader之后，重新加入ISR。
（2）leader故障
leader发生故障时，会从ISR中选出一个新的leader，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，这里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。

3、Kafka消费者

3.1 消费方式

consumer采用pull（拉取）模式从broker中读取数据。
push（推送）模式很难去适应不同速率的消费者，因为这样消费者发送速率是由broker决定的。它的目标时尽可能快速度传递消息，但是这样很容易造成consumer来不及处理消息。典型的表现为拒绝服务和网络拥堵。pull模式则可根据consumer的消费者能力以适当的速率消费消息。
pull模式的不足之处在于，如果kafka中没有数据，消费者可能陷入循环中，一直返回空数据。针对这一点，kafka消费者在消费数据时会传入一个时常参数timeout，如果没有数据可供消费，consumer会等待一段时间再返回，这段时常为timeout。

3.2 分区分配策略

一个consumer group中由多个consumer，一个topic中有多个partition，所以必然会涉及partition的分配问题，即确定哪个partition由哪个consumer消费。消费者增多或者减少都会出发partition重新分配。
kafka由两种消费策略，一是RoundRobin，一种是Range（范围，默认），Sticky

RangeAssignor分配策略

假设n=分区数/消费者数量，m=分区数%消费者数量，那么前m个消费者每个分配n+1个分区，后面的（消费者数量-m）个消费者每个分配n个分区。

假设消费组内有2个消费者C0和C1，都订阅了主题t0和t1，并且每个主题都有4个分区，那么所订阅的所有分区可以标识为：t0p0、t0p1、t0p2、t0p3、t1p0、t1p1、t1p2、t1p3。最终的分配结果为：

消费者C0：t0p0、t0p1、t1p0、t1p1
消费者C1：t0p2、t0p3、t1p2、t1p3

假设上面例子中2个主题都只有3个分区，那么所订阅的所有分区可以标识为：t0p0、t0p1、t0p2、t1p0、t1p1、t1p2。最终的分配结果为：

消费者C0：t0p0、t0p1、t1p0、t1p1
消费者C1：t0p2、t1p2

RoundRobinAssignor分配策略

RoundRobinAssignor策略的原理是将消费组内所有消费者以及消费者所订阅的所有topic的partition按照字典序排序，然后通过轮询方式逐个将分区以此分配给每个消费者。RoundRobinAssignor策略对应的partition.assignment.strategy参数值为：

org.apache.kafka.clients.consumer.RoundRobinAssignor

如果同一个消费组内所有的消费者的订阅信息都是相同的，那么RoundRobinAssignor策略的分区分配会是均匀的。假设消费组中有2个消费者C0和C1，都订阅了主题t0和t1，并且每个主题都有3个分区，那么所订阅的所有分区可以标识为：t0p0、t0p1、t0p2、t1p0、t1p1、t1p2。最终的分配结果为：

消费者C0：t0p0、t0p2、t1p1
消费者C1：t0p1、t1p0、t1p2

如果同一个消费组内的消费者所订阅的信息是不相同的，那么在执行分区分配的时候就不是完全的轮询分配，有可能会导致分区分配的不均匀。如果某个消费者没有订阅消费组内的某个topic，那么在分配分区的时候此消费者将分配不到这个topic的任何分区。

假设消费组内有3个消费者C0、C1和C2，它们共订阅了3个主题：t0、t1、t2，这3个主题分别有1、2、3个分区，即整个消费组订阅了t0p0、t1p0、t1p1、t2p0、t2p1、t2p2这6个分区。具体而言，消费者C0订阅的是主题t0，消费者C1订阅的是主题t0和t1，消费者C2订阅的是主题t0、t1和t2，那么最终的分配结果为：

消费者C0：t0p0
消费者C1：t1p0
消费者C2：t1p1、t2p0、t2p1、t2p2

可以看到RoundRobinAssignor策略也不是十分完美，这样分配其实并不是最优解，因为完全可以将分区t1p1分配给消费者C1。

StickyAssignor分配策略

StickyAssignor主要有两个目的：

• 分区的分配要尽可能的均匀；
• 分区的分配尽可能的与上次分配的保持相同。
  当两者发生冲突时，第一个目标优先于第二个目标。鉴于这两个目标，StickyAssignor策略的具体实现要比RangeAssignor和RoundRobinAssignor这两种分配策略要复杂很多。我们举例来看一下StickyAssignor策略的实际效果。

如果同一个消费组内所有的消费者的订阅信息都是相同的。

假设消费组内有3个消费者：C0、C1和C2，它们都订阅了4个主题：t0、t1、t2、t3，并且每个主题有2个分区，也就是说整个消费组订阅了t0p0、t0p1、t1p0、t1p1、t2p0、t2p1、t3p0、t3p1这8个分区。最终的分配结果如下：

消费者C0：t0p0、t1p1、t3p0
消费者C1：t0p1、t2p0、t3p1
消费者C2：t1p0、t2p1

这样初看上去似乎与采用RoundRobinAssignor策略所分配的结果相同，但事实是否真的如此呢？再假设此时消费者C1脱离了消费组，那么消费组就会执行再平衡操作，进而消费分区会重新分配。如果采用RoundRobinAssignor策略，那么此时的分配结果如下：

消费者C0：t0p0、t1p0、t2p0、t3p0
消费者C2：t0p1、t1p1、t2p1、t3p1

如分配结果所示，RoundRobinAssignor策略会按照消费者C0和C2进行重新轮询分配。而如果此时使用的是StickyAssignor策略，那么分配结果为：

消费者C0：t0p0、t1p1、t3p0、t2p0
消费者C2：t1p0、t2p1、t0p1、t3p1

可以看到分配结果中保留了上一次分配中对于消费者C0和C2的所有分配结果，并将原来消费者C1的“负担”分配给了剩余的两个消费者C0和C2，最终C0和C2的分配还保持了均衡。

如果发生分区重分配，那么对于同一个分区而言有可能之前的消费者和新指派的消费者不是同一个，对于之前消费者进行到一半的处理还要在新指派的消费者中再次复现一遍，这很浪费系统资源。

如果同一个消费组内的消费者所订阅的信息是不相同的。

同样消费组内有3个消费者：C0、C1和C2，集群中有3个主题：t0、t1和t2，这3个主题分别有1、2、3个分区，也就是说集群中有t0p0、t1p0、t1p1、t2p0、t2p1、t2p2这6个分区。消费者C0订阅了主题t0，消费者C1订阅了主题t0和t1，消费者C2订阅了主题t0、t1和t2。
如果此时采用RoundRobinAssignor策略，那么最终的分配结果如下所示

消费者C0：t0p0
消费者C1：t1p0
消费者C2：t1p1、t2p0、t2p1、t2p2

如果此时采用的是StickyAssignor策略，那么最终的分配结果为：

消费者C0：t0p0
消费者C1：t1p0、t1p1
消费者C2：t2p0、t2p1、t2p2

可以看到这是一个最优解（消费者C0没有订阅主题t1和t2，所以不能分配主题t1和t2中的任何分区给它，对于消费者C1也可同理推断）。

假如此时消费者C0脱离了消费组，那么RoundRobinAssignor策略的分配结果为：

消费者C1：t0p0、t1p1
消费者C2：t1p0、t2p0、t2p1、t2p2

可以看到RoundRobinAssignor策略保留了消费者C1和C2中原有的3个分区的分配：t2p0、t2p1和t2p2（针对结果集1）。而如果采用的是StickyAssignor策略，那么分配结果为：

消费者C1：t1p0、t1p1、t0p0
消费者C2：t2p0、t2p1、t2p2

从结果上看StickyAssignor策略比另外两者分配策略而言显得更加的优异。

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。
kafka0.9版本以前，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。
1）修改配置文件consumer.insternal.topics=false
2）读取offset

4、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。官网由数据表明，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，是因为省去了大量磁头寻址的时间。

4.2 零复制技术

零拷贝.png

5、Zookeeper在kafka中的作用

kafka集群中由一个broker会被选举为Controller（抢资源，谁抢到归谁），负责管理集群broker的上下线，所由topic的分区副本分配和leader选举等工作。
Controller的管理工作也是依赖于Zookeeper。
partition的leader选举过程：

Leader选举流程.png zookeeper&kafka.png

6、kafka事务

kafka从0.11版本开始引入事务支持。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重启之后可以通过正在进行的Transaction ID获得原来的PID。
为了管理Transaction ，kafka引入一个新组件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，进行的事务态可以得到恢复，从而继续进行。

6.2 Consumer事务

上述事务机制主要是从Producer方便考虑的，对于Consumer而言，事务的保证就会相对较弱，尤其无法保证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。