再过半小时,你就能理解Kafka的基本原理了

Posted _BitterSweet

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了再过半小时,你就能理解Kafka的基本原理了相关的知识,希望对你有一定的参考价值。

kafka总结

一.定义

Kafka是一种高吞吐量的分布式发布订阅消息系统,可以处理消费者规模的网站中的所有动作流数据,具有高性能,持久化,多副本备份,横向扩展能力等。

二.基础架构及术语


Producer: 生产者,消息的生产者,消息的入口
Kafka cluster:
Broker: brocker是kafka的实例,每个服务器上有一个或多个kafka的实例,每个broker对应一台服务器,每个kafka集群内的broker都有一个编号,如broker0,broker1等
Topic: 消息的主题,可以理解为分类,kafka的数据就保存在topic。在每个broker上可以创建多个topic
Partiton: Topic的分区,每个topic有多个分区,分区的作用做负载,提高kafka的吞吐。同一个topic在不同的分区的数据是不重复的,partition的表现形式就是一个一个的文件夹
Replication: 每一个分区都有多个副本,主分区也就是leader故障的时候就会选择一个备胎(follower)上位升级成一个leader,在kafka中默认副本的最大数量是10个,副本的数量不能大于broker的数量,follower和leader绝对是在不同的机器,同一机器对同一个分区也只能存放一个副本
Message: 每一条发送的消息主体
Consumer: 消费者,即消息的消费方,是消息的出口
Consumer Group: 我们可以将多个消费者组成一个消费者组,在kafka的设计中同一个分区的数据只能被消费者组中的某一个消费者消费。同一个消费者组的消费者可以消费同一个topic的不同分区的数据,这也是为了提高kafka的吞吐量
Zookeeper: kafka集群依赖zookeper来保存集群的元信息,保证系统的可用性

三.工作流程分析

3.1发送数据

生产者在写入数据的时候永远先找leader,不会直接将数据写入备胎

消息写入leader之后,follower是主动去找leader进行同步,生产者把数据push到broker,每条消息追加到分区中,顺序写入磁盘,写入磁盘的顺序如下:

所以kafka为什么要做分区有如下几个目的:

  • 方便扩展,一个topic可以有多个partition,所以我们通过扩展机器去轻松的应对逐渐增长的数据量
  • 提高并发,以partition为读写单位,可以多个消费者进行同时消费,提高消息处理效率

那么在Kafka中,某个topic有多个partition,生产者怎么判断将数据发往哪个partition?

  1. partition在写入的时候是可以指定需要写入的partition,如果有指定,则写入对应的partition
  2. 如果没有指定partition,但是设置了数据的key值,则会根据key值的hash一个对应的partition
  3. 如果前两者都没有,则轮询选择

在生产者写数据时如何保证数据不丢失呢?

  1. 通过ACK应答机制,在生产者向队列写入数据时可以设置参数来确定是否接收到数据,这个参数数据可以设置为0
  2. 0代表producer往集群发送数据不需要等到集群的返回,不确保消息发送成功。安全性最低但是效率最高
  3. 1代表producer往集群发送数据只要leader应答就可以发送下一条,只确保leader发送成功
  4. all代表producer往集群发送数据需要所有的follower都完成从leader的同步才会发送下一条,确保leader发送成功和所有的副本都完成备份。安全性最高,但是效率最低

如果生产者向不存在的topic分区中写入数据,Kafka会自动创建topic,分区和副本的数量根据默认配置都是1

3.2保存数据

producer将数据写入后,集群就要对数据进行保存了,Kafka是将数据保存在磁盘中,Kafka会单独开辟一块磁盘空间,顺序写入数据(效率比随机写入高)

3.2.1 partition结构

每个topic都可以分为一个或多个partition,如果topic理解起来抽象,那么partition比较具体,本质在服务器上就是一个一个的文件夹,每一个partition文件夹下面会有多个segment文件,每组segment文件又包含.index文件、.log文件、.timeindex文件,log文件存储message,index和timeindex为索引文件,用于检索消息

如上图,这个partition有三组segment文件,每个log文件的大小是一样的,但是存储的message数量是不一定相等的(每条的message大小不一致)。文件的命名是以该segment最小offset来命名的,如000.index存储offset为0~368795的消息,kafka就是利用分段+索引的方式来解决查找效率的问题。

3.2.2 message结构

log文件时存储message的地方,那么producer在向kafka写入的也是一条条的message,那么存储在log的message是什么样子的,消息主要包含消息体、消息大小、offset、压缩类型等,主要关注如下三点:

  1. offset:是一个占8byte的有序id号,可以确定每条消息在partition内的位置
  2. 消息大小:消息大小占用4byte,描述消息大小
  3. 消息体:消息体存放的是实际的消息数据,占用的空间根据具体的消息而不一样

3.2.3 存储策略

无论消息是否被消费,kafka都会保存所有的消息,那么对于旧数据有什么淘汰策略呢?

  1. 时间策略:默认配置168小时(7天)
  2. 大小策略:默认是1073741824

需要注意的是,kafka读取特定消息的时间复杂度是O(1),所以这里删除过期的文件并不会提高kafka的性能

3.2.4 消费数据

消息存储在log文件后,消费者可以开始消费了,多个消费者组成一个消费者组,每个消费者组都有一个组id,同一个消费者组的消费者可以消费同一topic下不同分区的数据,但是不会消费同一分区的数据!

上图中消费者组内的消费者小于partition,3个消费者,4个分区,这样就会出现消费者消费多个partition数据的情况,可能消费不过来,简单说就是供大于求,如消费者数大于分区数,是否会出现供不应求的情况,这种情况是不会出现的,多出来的消费者是不消费任何partition的数据的,所以在实际应用中,建议消费者的数量和分区数量一致。


在保存数据那里说过,partition划分为多组segment,每个segment又包含几个文件,存放的每条message包含offset、消息大小、消息体等。那么在查找过程中,每次提到segment和offset,比如现在想要查找一个offset为368801的message,该怎么找呢?

  1. 先找到offset的368801message所在的segment文件(二分法)
  2. 打开找到的segment中的.index文件(368796.index,起始偏移量为368796+1,我们要查找的offset为368801的message在该index内的偏移量为368796+5=368801,所以这里要查找的相对offset为5)。由于该文件采用的是稀疏索引的方式存储着相对offset及对应message物理偏移量的关系,所以直接找相对offset为5的索引找不到,这里同样利用二分法查找相对offset小于或者等于指定的相对offset的索引条目中最大的那个相对offset,所以找到的是相对offset为4的这个索引。
  3. 根据找到的相对offset为4的索引确定message存储的物理偏移位置为256。打开数据文件,从位置为256的那个地方开始顺序扫描直到找到offset为368801的那条Message
  4. 这套机制是建立在offset为有序的基础上,利用segment+有序offset+稀疏索引+二分查找+顺序查找等多种手段来高效的查找数据!至此,消费者就能拿到需要处理的数据进行处理了。那每个消费者又是怎么记录自己消费的位置呢?在早期的版本中,消费者将消费到的offset维护zookeeper中,consumer每间隔一段时间上报一次,这里容易导致重复消费,且性能不好!在新的版本中消费者消费到的offset已经直接维护在kafk集群的__consumer_offsets这个topic中

以上是关于再过半小时,你就能理解Kafka的基本原理了的主要内容,如果未能解决你的问题,请参考以下文章

再过半小时,你就能明白kafka的工作原理了

消息队列——kafka(待续)

Kaka与Zookeeper的爱恨情仇(——zookeeper过半选举机制)

简单理解Socket

隔壁老王看了都会的文章:STM32串口实验——单片机与上位机交互信息

kafka 基本原理和概念