kafka 工作流程及文件存储机制

1、kafka的数据存储　

     文件存储格式： .log 和 .index

　　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。

　　

　　如图：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 文件过大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”文件和“.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， first 这个 topic 有三个分区，则其对应的文件夹为 first-0,first-1,first-2。

 

　　“.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。

　　文件根据大小拆分成多个分片，.index存储offset、数据位置； .log存储数据；通过index的offet和数据位置 找到在log中数据

比如：要查找绝对offset为7的Message：

1. 首先是用2分查找肯定它是在哪一个LogSegment中，自然是在第1个Segment中。
2. 打开这个Segment的index文件，也是用2分查找找到offset小于或等于指定offset的索引条目中最大的那个offset。自然offset为6的那个索引是我们要找的，通过索引文件我们知道offset为6的Message在数据文件中的位置为9807。
3. 打开数据文件，从位置为9807的那个地方开始顺序扫描直到找到offset为7的那条Message。

这套机制是建立在offset是有序的。索引文件被映照到内存中，所以查找的速度还是很快的。

1句话，Kafka的Message存储采取了分区(partition)，分段(LogSegment)和稀疏索引这几个手段来到达了高效性。