【干货】Kafka实现淘宝亿万级数据统计（下）

Kafka能帮我们解决什么问题？

什么场景下使用？消息订阅和发布吗，好像redis也支持，功能是否有重叠？

1

消息队列

假设你意气风发，要开发新一代的互联网应用，以期在互联网事业中一展宏图。借助云计算，很容易开发出如下原型系统：

Web应用：部署在云服务器上，为个人电脑或者移动用户提供的访问体验。

SQL数据库：为Web应用提供数据持久化以及数据查询。

【干货】Kafka实现淘宝亿万级数据统计（下）

这套架构简洁而高效，很快能够部署到百度云等云计算平台，以便快速推向市场。互联网不就是讲究小步快跑嘛！

可惜好景不长。随着用户的迅速增长，所有的访问都直接通过SQL数据库使得它不堪重负，不得不加上缓存服务以降低SQL数据库的荷载；为了理解用户行为，开始收集日志并保存到Hadoop上离线处理，同时把日志放在全文检索系统中以便快速定位问题；由于需要给投资方看业务状况，也需要把数据汇总到数据仓库中以便提供交互式报表。

此时的系统的架构已经盘根错节了，考虑将来还会加入实时模块以及外部数据交互，真是痛并快乐着……

【干货】Kafka实现淘宝亿万级数据统计（下）

这时候，应该跑慢一些，让灵魂跟上来。

本质上，这是一个数据集成问题。没有任何一个系统能够解决所有的事情，所以业务数据根据不同用途存而放在不同的系统，比如归档、分析、搜索、缓存等。数据冗余本身没有任何问题，但是不同系统之间像意大利面条一样复杂的数据同步却是挑战。

这时候就轮到Kafka出场了。

Kafka可以让合适的数据以合适的形式出现在合适的地方。Kafka的做法是提供消息队列，让生产者单往队列的末尾添加数据，让多个消费者从队列里面依次读取数据然后自行处理。之前连接的复杂度是O(N^2)，而现在降低到O(N)，扩展起来方便多了：

【干货】Kafka实现淘宝亿万级数据统计（下）

在Kafka的帮助下，你的互联网应用终于能够支撑飞速增长的业务，成为下一个BAT指日可待。

以上故事说明了Kafka主要用途是数据集成，或者说是流数据集成，以Pub/Sub形式的消息总线形式提供。但是，Kafka不仅仅是一套传统的消息总线，本质上Kafka是分布式的流数据平台，因为以下特性而著名：

· 提供Pub/Sub方式的海量消息处理。

· 以高容错的方式存储海量数据流。

**· **保证数据流的顺序。

2

日志采集

1.技术选型

服务端日志采集主要通过在Controller的接口中进行埋点，然后通过AOP技术、Kafka消息系统以及logback对用户行为进行采集。

之所以使用AOP技术是因为AOP的以下重要特定：

**· **代码的侵入性小。对于业务代码的侵入性小，只需要在Controller的接口上添加注解，然后在其他模块对用户行为进行采集。

**· **重用性。对于相同作用的代码可以进行重用。

**· **扩展性。能够很好的对系统进行扩展。

由于使用异步方式对用户行为信息进行收集，因此需要使用消息中间件。目前消息中间件非常多，比较流行的有ActiveMQ、ZeroMQ、RabbitMQ、Kafka等。每个消息中间件都有各种的优势劣势，之所以使用Kafka消息中间件，是因为以下几点因素：

· 高性能。每秒钟可以处理数以千计生产者生成的消息。

**· **高扩展性。可以通过简单的增加服务器横向扩展Kafka集群的容量。

**· **分布式。消息来自数以千计的服务，使用分布式来解决单机处理海量数据的瓶颈。

**· **持久性。Kafka中的消息可以持久化到硬盘上，这样可以防止数据的丢失。

因为用户的行为数据最终是以日志的形式持久化的，因此使用logback对日志持久化到日志服务器中。

2.总体架构

【干货】Kafka实现淘宝亿万级数据统计（下）

服务端日志采集系统主要由两个工程组成：陆金所-bi-core和lu-bi-service。由于中国平安陆金所使用dubbo框架，因此有服务提供方和服务消费方。lu-bi-core被web、wap和mainsite服务消费方依赖。此外，lu-bi-service也依赖于lu-bi-core，主要是依赖于其中的一些实体类及工具类。

lu-bi-core工程为Kafka消息的生产者，主要封装实现切面的具体逻辑，其主要职责如下：

**· **解析用户请求的Request信息：从Request中提取用户的基本信息，如设备型号、用户的供应商、ip、设备的分辨率、设备平台、设备的操作系统、设备id、app渠道等。

**· **接口对应的参数：通过切面可以提取接口的参数值，从而知道用户的业务信息。

**· **应用层返回的结果信息：因为切面使用AfterReturning方式，因此可以获取用层的返回结果，从返回结果中可以提取有用的信息。

**· **用户的基本信息：用户的id信息。

· 信息格式化：将信息转化成JSON字符串。

**· **发送消息：将最终需要发送的消息放入本地阻塞队列中，通过另一个线程异步从阻塞队列中获取消息并发送到Kafka Broker中。

lu-bi-service工程为Kafka消息的消费者，其主要职责如下：

· 实时从Kafka中拉取最新的数据。

**· **将JSON字符串转化成，方便进一步对用信息进行加工。

**· **对用户的ip进行解析，获取ip对应的地区以及经纬度信息。

· 将加工好的最终信息持久化到log文件中。

3.部署图

【干货】Kafka实现淘宝亿万级数据统计（下）

上图为陆金所与日志系统系统相关的部署图，App、Wap和Mainsite服务器集群分别对应不同终端的应用。Kafka集群使用杭研的集群，目前有10个Broker。日志服务器有两台，通过Kafka的均衡策略对日志进行消费。

4.日志采集的流程

日志采集流程图如下所示：

【干货】Kafka实现淘宝亿万级数据统计（下）

上图为消息生产者和消息消费者共同组成的流程图。

消息生产者的具体步骤如下：

**· **通过切面拦截用户的请求。

**· **从切面中提取请求头的基本信息，如设备信息，cookie信息，ip信息等。

**· **提取请求的接口参数信息。

**· **从接口返回值中提取相关信息，如id，pvid等。

**· **将提取的信息封装成JSON字符串，放到阻塞队列中，假如阻塞队列溢出会有三次重试机制。

**· **异步线程从本地阻塞队列中获取数据，并将信息组装发送到Kafka的Broker中，此时消息生产者结束。

消息消费者的具体步骤如下：

· 实时从Kafka Broker中批量拉取消息。

将拉取的消息转化成对象。

**· **解析ip对应的国家、省份、城市、经纬度信息。

对不同业务场景的信息进一步解析。

**· **将日志信息转化成JSON字符串，持久化到log文件中。

5. 相关配置

**· **application-XXX.properties：该配置放Kafka的相关属性，包括topic、groupId、server等信息。

**· **lu-log-msg.xml：该配置放在app-web，mainsite-web，wap-web的src/main/resources目录下，主要是初始化kafka生产者的信息。

**· **lu-bi-service.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于加载kafka消费者的配置信息，并且启动kafka消费者服务。

**· **logback.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于声明日志文件存放的目录，需要持久化的日志的package路径，以及日志持久化的格式。

**· **ip_conf.txt：该配置放在lu-bi-service工程的src/main/resources目录下，用于解析ip对应的地域、经纬度等信息。

六

关于面试问题

Redis和Kafka区别？

老师就跟大家举个例子：

老板有个好消息要告诉大家，公司要发放年终奖，有两个办法:

1.到会议室每个座位上挨个儿告诉每个人。什么？张三去上厕所了？那张三就只能错过好消息了！

2.老板把消息写到会议上的黑板报上，谁想知道就来看一下，什么？张三请假了？没关系，我一周之后才擦掉，总会看见的！什么张三请假两周？那就算了，我反正只保留一周，不然其他好消息没地方写了！

redis用第一种办法，kafka用第二种办法，知道什么区别了吧~

Redis PUB/SUB使用场景：

1. 消息持久性需求不高

2. 吞吐量要求不高

3. 可以忍受数据丢失

4. 数据量不大

Kafka使用场景：

上面以外的其他场景：

1. 高可靠性

2. 高吞吐量

3. 持久性高

Kafka、RabbitMQ、RocketMQ

等消息中间件的对比

有关测试结论：

Kafka的吞吐量高达17.3w/s，不愧是高吞吐量消息中间件的行业老大。这主要取决于它的队列模式保证了写磁盘的过程是线性IO。此时broker磁盘IO已达瓶颈。

RocketMQ也表现不俗，吞吐量在11.6w/s，磁盘IO %util已接近100%。RocketMQ的消息写入内存后即返回ack，由单独的线程专门做刷盘的操作，所有的消息均是顺序写文件。

RabbitMQ的吞吐量5.95w/s，CPU资源消耗较高。它支持AMQP协议，实现非常重量级，为了保证消息的可靠性在吞吐量上做了取舍。我们还做了RabbitMQ在消息持久化场景下的性能测试，吞吐量在2.6w/s左右。

所以在服务端处理同步发送的性能上，Kafka>RocketMQ>RabbitMQ

欢迎加入Java进阶架构交流：加入142019080。

直接点击链接加群。https://jq.qq.com/?_wv=1027&k=5lXBNZ7 获取最新学习资料