Kafka概念及组件介绍_kagka fentch

Kafka--分布式消息队列系统

1、分布式消息队列系统，先入先出，同时提供数据分布式缓存功能

2、消息持久化：数据读取速度可以达到O(1)——预读，后写（按顺序，ABCDE，正读A,预读B；尾部追加写）对磁盘的顺序访问比内存访问还快）

一、kafka快原因：

1.cache缓存+

2.顺序写入（写数据，磁盘顺序)+

3.零拷贝（1.让操作系统cache中的数据发送到网卡2.网卡传出给下游的消费者）

4.批量发送 +数据压缩

Kafka总结：分布式、分区的、多副本的、多订阅者，基于zookeeper协调的分布式日志系统

二、保证消息的可靠性，至少需要配置一下参数：详细看下边13.

topic级别：replication-factor>=3；  多副本

producer级别：acks=-1；同时发送模式设置producer.type=sync；

              ack=-1：producer需要等待ISR中的所有follower都确认接收到数据后才算一次发送完成，可靠性最高

broker级别：关闭不完全的leader选举，即unclean.leader.election.enable=false;

三、kafka作用：消息缓冲 ,flume百万条 ,而sparkstreaming只能处理几万条，中间需要kafka缓冲

1. kafka特性：

- 高吞吐量、低延迟：kafka每秒可以处理几十万条消息，它的延迟最低只有几毫秒

- 可扩展性：kafka集群支持热扩展

- 持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失

- 容错性：允许集群中节点失败（若副本数量为n,则允许n-1个节点失败）

- 高并发：支持数千个客户端同时读写

Kafka应用场景

主要应用场景是：日志收集、消息系统、用户活动跟踪、运营指标、流式处理等

• 消息系统
• 日志系统
• 流处理

2.组件说明

• Kafka内部是分布式的、一个Kafka集群通常包括多个Broker

• zookeeper负载均衡：将Topic分成多个分区，每个Broker存储一个或多个Partition

• 多个Producer和Consumer同时生产和消费消息

1.Broker：每个kafka实例(server)，可以理解为一台机器（节点）

2.Producer：消息生产者，发布消息（写消息）到 kafka 集群的终端或服务。

• 生产者可以发布数据到它指定的topic中，并可以指定在topic里哪些消息分配到哪些分区（比如简单的轮流分发各个分区或通过指定分区语义分配key到对应分区）

• 生产者直接把消息发送给对应分区的broker，而不需要任何路由层。
• 批处理发送，当message积累到一定数量或等待一定时间后进行发送。

3.Consumer：从kafka 集群中消费消息（读数据）的终端或服务。

• 一种更抽象的消费方式：消费组（consumer groupid）streaming

• 该方式包含了传统的queue和发布订阅方式

– 首先消费者标记自己一个消费组名。消息将投递到每个消费组中的某一个消费者实例上。

– 如果所有的消费者实例都有相同的消费组，这样就像传统的queue方式。

– 如果所有的消费者实例都有不同的消费组，这样就像传统的发布订阅方式。

– 消费组就好比是个逻辑的订阅者，每个订阅者由许多消费者实例构成(用于扩展或容错)。

• 相对于传统的消息系统，kafka拥有更强壮的顺序保证。
• 由于topic采用了分区，可在多Consumer进程操作时保证顺序性和负载均衡。
• 同一个group的consumer可以并行消费同一个topic的消息，但是同group的consumer，不会重复消费

 

4.Topic(虚拟概念)队列：每条发布到 kafka 集群的消息属于的类别， kafka 是面向 topic 的

Topic 与offset

• 一个Topic是一个用于发布消息的分类或feed名，kafka集群使用分区的日志，每个分区都是有顺序且不变的消息序列。

• commit的log可以不断追加。消息在每个分区中都分配了一个叫offset的id序列来唯一识别分区中的消息。

 

1. 无论有没有消费，消息会被清理（如果没有消费，消息会一直持久化，通过以下两配置清理）

       （1）配置持久化周期：7天 （2）配置最大的数据量

2.在每个消费者都持久化这个offset在日志中。通常消费者读消息时offset值会线性的增长，但实际上其位置是由消费者

      控制，它可以按任意顺序来消费消息。比如复位到老的offset来重新处理。

3.每个分区代表一个并行单元。

5.分区Partition：每个 topic 包含一个或多个 partition。kafka 分配的单位是 partition

• 存储，实现负载均衡（不同partiton可分布在不同机器），保证消息顺序性

• 顺序性保证：局部顺序性（顺序性得到一定保证：订阅消息是从头向后读的，写消息是尾部追加的）

• Partition以文件夹形式存在

大多数消息系统，同一个topic下的消息，存储在一个队列。分区的概念就是把这个队列划分为若干个小队列，每一个小队列就是一个分区，如下图：

从上图已经可以看出来。无分区时，一个topic只有一个消费者在消费这个消息队列。采用分区后，如果有两个分区，最多两个消费者同时消费，消费的速度肯定会更快。如果觉得不够快，可以加到四个分区，让四个消费者并行消费。

分区的设计大大的提升了kafka的吞吐量！！！

此图包含如下几个知识点：

1、一个partition只能被同组的一个consumer消费（图中只会有一个箭头指向一个partition）

2、同一个组里的一个consumer可以消费多个partition（图中第一个consumer消费Partition 0和3）

3、消费效率最高的情况是partition和consumer数量相同。这样确保每个consumer专职负责一个partition。

4、consumer数量不能大于partition数量。由于第一点的限制，当consumer多于partition时，就会有consumer闲置。

5、consumer group可以认为是一个订阅者的集群，其中的每个consumer负责自己所消费的分区

---

Topic和Partition关系：

每个partition都是有序的不可变的。

Kafka可以保证partition的消费顺序，但不能保证topic消费顺序。

（1）topic是逻辑概念，Partition是物理概念，一个或多个Partition组成了一个Topic。

（2）topic中的多个partition以文件夹的式保存到broker（每个文件夹保存内容不一样），每个分区序号从0递增，且消息有序

注：一般多少表就有多少topoc,但有一些同类表可能会预聚合存放在一个topic里

   Partition有2个部分组成：（1）index log（定位索引信息） （2）message log（存储真实数据）

查找：二分法+顺序遍历（解决给定一个顺序数字队列，如何快速找到其中某个值的位置?）

---

6. Segment：partition物理上由多个segment组成。

7. offset : 每个partition都由一系列有序的、不可变的消息组成，这些消息被连续的追加到partition中。partition中的每个消息都有一个连续递增的序列号叫做offset，偏移量offset在每个分区中是唯一的。

偏移量offset（在topic中存在offset），定位数据读取的位置（不仅要确定读offset的位置，更要是哪个partition中读）

offset 位置：消费者在对应分区上已经消费的消息数(位置) offset保存的地方跟kafka版本有一定的关系。

    kafka0.8 版本之前offset保存在zookeeper上。

    kafka0.8 版本之后offset保存在kafka集群上。

•     LEO：每个副本的最后一条消息的offset

•     HW：一个分区中所有副本最小的offset

Offset命名：kafka的存储文件都是按照offset.kafka来命名，用offset做名字的好处是方便查找。例如你想找位于2049的位置，只要找到2048.kafka的文件即可。当然thefirst offset就是00000000000.kafka。

Kafka的消息是无状态，降低Kafka实现的难度，消费者必须自己维护已消费的状态信息

 

8.replica副本：partition 的副本，保障 partition 的高可用（多副本实现）。

Kafka分区多副本是Kafka可靠性的核心保证，把消息写入到多个副本可以使Kafka在崩溃时保证消息的持久性及可靠性。

topic下会划分多个partition，每个partition都有自己的replica，其中只有一个是leader replica，其余的是follower replica。

Topic、partition、replica的关系如下图：

• 副本可以在设置主题的时候可以通过replication-factor参数来设置，也可以在broker级别中设置defalut.replication-factor来指定，一般我们都设置为3；

• 三个副本中有一个副本是leader，两个副本是follower，leader负责消息的读写，follower负责定期从leader中复制最新的消息，保证follower和leader的消息一致性，当leader宕机后，会从follower中选举出新的leader负责读写消息，通过分区副本的架构，虽然引入了数据冗余，但是保证了kafka的高可靠。

• follower： replica 中的一个角色，从 leader 中复制（fentch）数据。

• leader： replica 中的一个角色， producer 和 consumer 只跟 leader 交互。

• controller：kafka 集群中的其中一个服务器，用来进行 leader election 以及各种 failover。

9.zookeeper：

kafka 通过 zookeeper 来存储集群的 meta 信息和偏移量(offset)。

Kafka需要和zookeeper联合部署，Zookeeper保证了Kafka系统可用性，Topic中的一些信息也要保存Zookeeper中。

(1) Kafka 通过 zookeeper 来存储集群的 meta 信息。

(2) 一旦controller所在broker宕机了，此时临时节点消失，集群里其他broker会一直监听这个临时节点，发现临时节点消失了，就争抢再次创建临时节点，保证有一台新的broker会成为controller角色。

broker依然依赖于ZK，zookeeper 在kafka中还用来选举controller和检测broker是否存活等等。

zk维护offset一致：

10.Consumer group：

同一个group的consumer可以并行消费同一个topic的消息，但是同group的consumer，不会重复消费。

如果同一个topic需要被多次消费，可以通过设立多个consumer group来实现。每个group分别消费，互不影响。

• high-level consumer API 中，每个 consumer 都属于一个 consumer group。

• 每条消息和partition只能被 consumer group 中一个 Consumer 消费，但可被多个 consumer group 消费

查看命令：

11.Message消息--kafka数据单位：（Flume -event、hdfs-block、Kafka--message ）

kafka的最基本的数据单元——message，最大的消费message不能超过1M,可通过配置控制

• 每个producer可以向一个topic（主题）发布一些消息。如果consumer订阅这个主题，新发布消息会广播给这consumer。

• message format：– message length : 4 bytes -1 空        – "magic" value : 1 byte （kafka服务协议版本号，做兼容）

– crc32 : 4 bytes      – timestamp 8 bytes       – payload : n bytes

kafka持久化:

• Kafka存储布局简单：Topic的每个Partition对应一个逻辑日志（一个日志为相同大小的一组分段文件）

• 每次生产者发布消息到一个分区，代理就将消息追加到最后一个段文件segment中。当发布的消息数量达到设定值或者经过一定的    时间后，一段文件真正flush磁盘中。     写入完成后，消息公开给消费者。

• 与传统的消息系统不同，Kafka系统中存储的消息没有明确的消息Id。

• 消息通过日志中的逻辑偏移量来公开。

12.传输效率高：zero-copy,内核调用,直接将磁盘上的数据拷贝到socket，而不用通过应用程序传输。

zero-copy：kafka为了减少字节拷贝，采用了大多数系统都会提供的sendfile系统调用

Kafka的消息是无状态，降低Kafka实现难度，消费者必须自己维护已消费的状态信息,代理完全不管

这种设计非常微妙，它本身包含了创新

– 从代理删除消息变得很棘手，因为代理并不知道消费者是否已经使用了该消息。Kafka创新性地解决了这个问题，它将一个简单的基于时间的SLA应用于保留策略。当消息在代理中超过一定时间后，将会被自动删除。

– 好处：消费者可以故意倒回到老的偏移量再次消费数据。这违反了队列常见约定，但被证明是许多消费者的基本特征。

13.可靠性交付保证

• Kafka默认采用at least once的消息投递策略。即在消费者端的处理顺序是获得消息->处理消息->保存位置。这可能导致一旦客户端挂掉，新的客户端接管时处理前面客户端已处理过的消息。

• 三种保证策略：

– At most once 消息可能会丢，但绝不会重复传输 （很少用）

– At least one 消息绝不会丢，但可能会重复传输 （常用）

– Exactly once 每条消息肯定会被传输一次且仅传输一次

副本管理

• kafka将日志复制到指定多个服务器上。

• 复本的单元是partition。在正常情况下，每个分区有一个leader和0到多个follower。

• leader处理对应分区上所有的读写请求。分区可以多于broker数，leader也是分布式的。

• follower的日志和leader日志相同的， follower被动复制leader。如果leader挂，其中一个follower会自动变成新的leader.

14、ISR集合（同步副本）in-sync replica：leader partition保持同步的follower partition的数量

Kafka集群内部topic有多个partition，为了达到高可用目的，采用日志副本策略：

---当出现某些机器挂了情况，如果leader挂了，必须在ISR集合里面的follower，才有机会成为leader。因为在这个ISR列表里代表他的数据跟leader是同步的。

ISR集合，只要在该集合中的follower才有机会成为leader。

如何让leader知道follower是否成功接收数据（心跳、ack）

15、如何判断活着：

（1）心跳

（2）如何slave能够紧随leader的更新不至于落的太远，就认为有效，否则认为slave挂掉，需要从ISR中剔除掉slave