kafka汇总

Kafka

1. kafka概念

kafka是一个高吞吐亮的、分布式、基于发布/订阅（也就是一对多）的消息系统，最初由Linkedln公司开发的，使用Scala语言编写的，目前是Apache的开源项目。

消息队列：

1>     原理

客户端消费Queue的数据优良种方式：

1. 发布/订阅模式：也就是一对多，数据产生后，推给所有的订阅者。
2. 点点对点模式：也就是一对一，这个是主动模式，第一种模式更像是被动模式，这个就是消费者主动拉取生产后的数据。

2>     消息队列的优点：

1. 解耦2.冗余3.扩展性4.灵活性和峰值处理能力5.可恢复性6.顺序保证(kafka保证一个partition内的数据是有序的)7.缓冲8.异步通信

kafka的基本术语

topic：消息类别，kafka按照topic来分类消息。可以理解成一个队列，一个topic里有多个partition。

broker：kafka服务器，负责消息的存储与转发。一台kafka服务器就是一个broker，一个集群有多个broker，一个broker可以有多个topic。

partition：topic的一个分区，一个topic可以包含多个partition，topic消息保存在各个partition上。

offset：消息在日志中的位置，可以理解是消息在partition上的偏移量，也是代表消息的唯一序号。

producer：消息生产者。向kafka broker发消息的客户端。

consumer：消息消费者。向kafka broker 取消息的客户端。

Consumer group：消费者分组，每个consumer必须属于一个group。Consumer group是kafka用来实现原子广播和单播的手段。topic的消息会复制（不是真正的复制）到所有的consumer group，但是每个partition只会把消息发给该consumer group中的一个consumer。

eg：广播实现的方法是：只要每个consumer有一个独立的consumer group就行了。单播的实现方法就是：只要所有的consumer在同一个consumer group中就可以了。

Zookeeper：保存着集群broker、topic、partition等meta数据；另外，还负责broker 故 障发现，partition leader选举，负载均衡等功能

kafka数据存储设计：

1.    partition的数据文件（offset、messageSize、data）

partition中的每条Message包含了以下三个属性：offset，MessageSize、data，其中offset表示Message在这个partition中的偏移量，offset不是该patition数据文件中的实际存储位置，而是逻辑上的一个值，它唯一确定了partition中的一条Message，可以认为offset是partition中Message的id；MessageSize表示消息内容data的大小；data为message的及具体内容。

2.    数据文件分段segment（顺序读写、分段命令、二分查找）

partition物理上由多个segment文件组成，每个segment大小相等，顺序读写。每个segment 数据文件以该段中小的offset命名，文件扩展名为.log。这样在查找指定offset的Message的 时候，用二分查找就可以定位到该Message在哪个segment数据文件中。

3.    数据文件索引（分段索引、稀疏存储）

Kafka 为每个分段后的数据文件建立了索引文件，文件名与数据文件的名字是一样的，只是文件扩 展名为.index。index 文件中并没有为数据文件中的每条 Message 建立索引，而是采用了稀疏存 储的方式，每隔一定字节的数据建立一条索引。这样避免了索引文件占用过多的空间，从而可以 将索引文件保留在内存中

生产者设计

负载均衡

由于topic是由多个partition组成的，且 partition 会均衡分布到不同 broker 上，因此，为了有 效利用broker集群的性能，提高消息的吞吐量，producer可以通过随机或者hash等方式，将消息平均发送到多个partition上，以实现负载均衡。

批量发送

是提高消息吞吐量的重要方式，Producer端可以在内存中合并多条消息后，以一次请求的方式发送了这批量的消息给broker，从而大大减少broker的存储消息IO操作次数。但也一定程度上影响了消息的实时性，相当于以延时为代价，换取更好的吞吐量。

压缩（GZIP或Snappy）

Producer端可以通过GZIP或Snappy格式对消息集合进行压缩。Producer端进行压缩之后，在 Consumer 端需进行解压。压缩的好处就是减少传输的数据量，减轻对网络传输的压力，在对大 数据处理上，瓶颈往往体现在网络上而不是CPU（压缩和解压会耗掉部分CPU资源）。

消费者设计

同一 Consumer Group 中的多个 Consumer 实例，不同时消费同一个 partition，等效于队列模 式。partition内消息是有序的，Consumer通过pull方式消费消息。Kafka 不删除已消费的消息

对于partition，顺序读写磁盘数据，以时间复杂度O(1)方式提供消息持久化能力。

拉取系统

1. kafka  broker会持久化数据，broker没有压力，因此，consumer非常适合采取pull的方式消费数据。
2. consumer根据自身的能力自主控制消息拉取的速度
3. consumer根据自身情况自主选择消费，例如批量消费，重复消费。

kafka的特点

l  可扩展性

当需要增加broker节点时，新增的broker会向zookeeper注册，而producer与consumer会根据注册在zookeeper上的watcher感知这些变化，并及时做出调整。

l  高吞吐率

kafka每秒可以生产约25万条消息（50MB），每秒处理55W消息（110MB）

l  持久化数据存储

可进行持久化操作，将消息持久化到磁盘，因此可以批量消费。

l  分布式系统易于扩展

所有的producer、consumer、broker都会有多个，均为分布式的