小桥流水78

这个屌丝很懒，什么也没留下！

热门标签

[docker-compose中间件集群系列] - 4 kafka的作用、原理以及集群搭建_kafka 的集群作用

作者：小桥流水78 | 2024-07-14 01:05:09

踩

kafka 的集群作用

上一篇介绍了zookeeper的作用以及原理，这一篇我们介绍消息中间件kafka以及为什么要用kafka，什么业务场景下需要kafka，还有不同业务场景应该用哪一种消息中间件。最后还有kafka集群的搭建。注，kafka从2.8版本开始已经在逐步取消依赖zookeeper了，本文依赖zookeeper以及不依赖zookeeper改用Kraft模式都会介绍。

kafka是什么

在说kafka是什么之前，我们应该先知道，消息中间件是什么。举个例子，大家网上买东西，现在很多时候都会放到驿站或者快递柜，而不是快递员直接送到你手上，然后你什么时候去取快递，那就是你的事了，那在这个过程中，中间的这个驿站或者快递柜，就是充当了快递中间件的角色，快递员就是生产者，而你，就是消费者了。那消息中间件，在我们系统架构的层面上去理解，就是消息先到消息中间件，然后消费者服务再去消息中间件消费消息这样的一个过程。而kafka是众多消息中间件里的其中一种。

kafka能干什么

kafka作为一个发布订阅消息系统，它有几个特性，分别是消息持久化，高吞吐，分布式，多客户端支持，实时等，适用于离线和在线的消息消费。kafka能支持百万级的消息写入和读取吞吐量，并且能在分布式环境中维护消息的顺序性和一致性。还支持数据备份和容错，可以保证数据的可靠性。在我们的系统有很多业务场景都可以用到kafka，例如：

日志收集，各种日志都可以发送到kafka，以topic分类然后再给各种consumer消费分析。
消息系统，解耦生产者和消费者，缓存消息。
削峰，减低下游消息处理的压力。
流式处理，spark等。
事件源。

kafka的原理

在了解kafka原理之前，我们先把涉及到的相关基本概念先弄清楚。

broker：kafka实例。假设我们有3台服务器，每一台服务器启动一个kafka实例，那每一台服务器相当于1个broker。几个broker共同构成我们的kafka集群。
controller：在kafka集群中，某一个broker将被选举出来担任一个特殊角色，用于管理和协调kafka集群，管理集群中所有分区的状态并执行相应的管理操作。每一个kafka集群任意时刻都只能有一个controller。当集群启动的时候，所有broker都参与controller的竞选，最终有一个胜出，一旦controller在某个时刻崩溃，集群中的其他broker会收到通知，然后开始新的一轮controller竞选，新的controller将承担之前controller的所有工作。controler的详细作用我们后面说。
topic：主题。在kafka中，使用一个类别属性来划分消息的所属类别，这个类别称为topic。
partition：分区。topic中的消息会被分割为一个或多个的分区，它是一个物理概念，对应到系统上就是一个或若干个目录，一个分区就是一个文件目录。消息以追加的形式写入分区。分区的目录命名一般以topic+partition的形式。由于一个topic可以包含多个分区，因此无法保证消息在整个topic中有序，但是单个分区内可以保证有序，单个topic的不同分区可以分布在不同的broker上，也就是说，一个topic可以跨越多个服务器，但同一个分区，不可能存在于多个broker中。kafka支持动态添加partition，但不支持删减partition，因为会影响其他partition中消息的有序性。
segment：段。物理概念，一个分区（即目录）中的数据会被划分到不同的文件当中，所有分区中segment的文件都是用20位编号来命名文件的。当文件达到一定条件后不再写入，开始创建另外的segment文件进行存储。每一段segment包含3种文件，*.log、*.index/.timeindex。3种文件共同被称为一个segment（1个index文件+多个log文件）。其中*.log存储真正的数据，*.index/.timeindex存储对应*.log文件的索引。index文件中存放的是offset+偏移量，log文件中存放的是偏移量和message的映射关系，文件的命名以当前文件存储的最小offset命名。假设我们要实现从指定offset开始读取数据，只需要根据给定的offset与对应partition下的segment文件名做对比，然后根据*.index文件查找给定offset的值所对应的实际磁盘偏移量，再拿着偏移量去*.log文件读取目标数据即可，查询顺序是offset->偏移量->message，其中offset->偏移量使用二分查找，偏移量->message使用线性查找。
offset：每一条消息都有的一个唯一编号。而每一个消费者又维护着一个消费序号。消费者维护的消费序号，我们又分为current offset和commit offset。消费者自己维护的序号，和消息实际的序号是两种东西，请不要搞混。
replication：副本集。replication逻辑上是作用于topic的，但是实际上是体现在每一个partition中的。每一个partition都会有多个replication，但其中，会区分出1个leader和其余follower，producer和consumer只会和分区当中的leader交互，而follower则只从leader中同步数据，同步会存在一定的滞后性。所以如果看见什么leader partition，其实和leader replication是同一回事，因为副本集策略只是一种机制，主要是为了提高可用性。
producer：消息的产生者
consumer：消息的消费者
consumer group：消费组。一个消费组当中，可以有多个消费者，消费者可以是进程，也可以是线程，一个消费组，用group id作为消费组的唯一标识，消费组下订阅的topic的每一个分区，只能分配给这一个消费组中的某一个消费者消费。当然，其他消费组也可以同时订阅同一个topic。不同消费组消费的情况互相隔离。当然，其中涉及到的分区和消费者数量的不一致的几种情况，我们放后面说。
message：消息。消息发布到topic，会将key hash一下，得到分区编号，决定放到哪一个分区，如果没写key，则会轮询出一个分区。无论消息是否被消费，kafka都会保存所有消息，对于旧数据有两种处理方式，一种是删除，另一种是压缩。对于删除策略也有两种处理方式，一种是基于时间，默认是168小时即7天，一种是基于大小，默认是1073741824byte。另外，压缩策略则是只保留每一个key的最后一个版本的数据。

基本概念差不多就这些，下面我们用图来表示一下他们之间的关系。

先宏观的说一下producer、kafka cluster、consumer三者的关系以及数据流的方向。

如上图表示：

producer、kafka cluster、consumer之间的关系；
kafka cluster的构成（多个broker共同组成cluster）；
consumer group的构成（多个consumer实例共同构成消费组）；
topic内partition的分布（分区有可能存在不同broker中，也有可能在同一broker中，但同一分区不可能在不同broker中）；
producer1向topic1推送消息，以及consumer group2消费topic3的数据流向。(消费者小于分区时，一个消费者会消费多个分区)

然后说一下topic、partition、replication（leader）、replication（follower）之间的关系。

如上图表示：

一个topic可以有多个partition
不同partition可以在不同broker上，也可以在同一个broker上
每一个partition可能有多个replication，但leader只能有1个，其余为follower。follower同步leader的数据。consumer在旧版本只能从leader读取数据，但新版本也可从follower读取数据。（实现了找到"最近"的replication算法）。实际上与partition交互，也可以看作是和leader replication交互。

接下来说一下broker是如何选出controller的，以及选出来的controller有什么作用。

controller可以做replication状态管理

维护的状态分为两类：

1.每台broker上的分区replication信息

2.每个分区的leader replication信息

kafka为replication定义了7种状态：

1.new replication，创建副本时的最初状态，当处于这个状态，replication只能成为follower replication。

2.online replication，replication启动后，就会变成该状态，处于这个状态，replication可变为follower或leader。

3.offline replication，replication所在的broker崩溃，会变为这个状态。

4.replication delete started，开始topic得删除操作后，topic下得所有分区replication都会变为这个状态。

5.replication deletion successful，若replication成功响应了删除replication请求，进入该状态。

6.replication deletion ineligible，replication删除失败，进入该状态。

7.non existent replication，replication删除成功，进入该状态。

replication状态流转过程：

1.topic新建时，该topic下得所有replication都是non existent replication状态。

2.controller加载zookeeper中该topic每个partition的所有replication信息到内存中，同时将该replication状态变为new replication。随后controller将该partition中的第一个replication作为leader然后所有replication被设置进入ISR（同步副本集），然后在zookeeper持久化这个信息。

3.当确定了partition的leader和ISR后，controller将这些信息以请求的方式发送给所有replication，同时将replication状态同步到集群的所有broker。最后controller将partition的所有replication状态设置为online。

4.当开始topic删除时，controller尝试停止所有replication，此时replication会停止向leader获取数据。如果停止的是leader本身，则controller会设置该partition的leader为no leader，之后replication进入offline状态。当所有replication都offline时，controller将replication状态变为deletion started表示topic删除任务开始，在这一步的过程中，controller向这些partition得broker发送请求，让他们删除本机上的replication数据。删除成功后，状态变为deletion successful。失败的会进入deletion ineligible，等待controller重试。后续会变为non existent状态，同时controller的上下文缓存会清除这个replication信息。

controller可以做partition状态管理

partiiton状态如下：

1.non existent，表示不存在或者已删除的分区。

2.new partition，partition被创建时，处于这种状态，此时kafka为该分区确认partition列表，但还没选出leader partition和ISR（同步副本集）。然后在zookeeper持久化这个信息。

3.online partition，一旦确认了leader，进入该状态，正常工作的partition都在这一个状态。

4.offline partition，在正常工作的过程中，所在broker宕机，则partition进入此状态。

partition状态流转过程：

1.新建一个topic时，controller负责创建partition对象，并设置partition为non existent，随后controller的上下文信息读取replication分配方案，最后将partition状态设置为new。

2.处于new状态的partition还没有leader和ISR，因此controller会初始化leader和ISR并设置partition状态为online，此时partition开始正常工作。

3.若用户发起topic删除或者关闭broker操作，controller会将收影响的partition设置为offline状态。如果是删除topic，controller会开启partition下所有replication的删除操作，并最终将partition设置为non existent。

所以controller的职责有几个

1.更新集群元数据信息 2.创建topic 3.删除topic 4.partition重分配 5.leader选举 6.topic扩展 7.broker加入集群 8.broker崩溃处理 9.受控关闭 10.controller leader选举

然后说一下partition和consumer之间的数量关系分别会导致什么结果。

1.consumer大于partition

同一个partition只能被同一个consumer group内的某一个consumer消费，多出来的consumer空闲。会造成资源浪费。

2.consumer小于等于partition

一个consumer对应多个partition，consumer2接收到的消息量是consumer1的两倍，会导致consumer group消费压力不均。多个consumer group相互隔离。

因此，consumer和partition一一对应的状态，是比较推荐的。

kafka为什么会依赖zookeeper以及为什么要弃用zookeeper

为什么要用zookeeper上面已经说过了，需要同步集群信息。那为什么要弃用zookeeper的原因也比较简单，一个中间件需要依赖另一个中间件。首先就比较奇怪。然后还有zookeeper有个特点，强一致性。如果zookeeper集群中的某个节点数据发生更变，那么会通知其他节点同时执行更新，那需要等超过半数都更新成功，那这写入性能就较差了。另外，zookeeper只适用于存储一些简单的配置或者集群的元数据，不是真正意义上的存储系统。如果写入数据量过大，zookeeper得性能和稳定性就会下降，可能导致watch延迟或者丢失。所以在kafka集群较大，partition也很多的时候，zookeeper的元数据就会很多，性能就很差，还有zookeeper也是分布式，也是走选举这种逻辑的，他的选举也不是特别快，而且发生选举的时候，整个集群是不对外提供服务的。

因此，kafka没有zookeeper之后，就把元数据存储到自己内部，利用之前的log存储机制来保存元数据。会有一个元数据topic，元数据会像普通message一样保存在log里面，另外还搞了个KRaft来实现controller quorum。

依赖zookeeper和不依赖zookeeper在下面的搭建过程中均有涉及。

kafka集群搭建

这次我们还是用server02、server03、server04来搭建，因为上一篇已经搭建了zookeeper集群了，我们先搭建有zookeeper的版本，然后再搭建没有zookeeper的版本。其实也就是docker-compose配置的不同而已，因为是用docker-compose，down掉也比较容易。

第一步先去dns服务器配好我们的kafka域名解析，

kafka01.xdeas.com.cn、zookeeper01.com.cn

kafka02.xdeas.com.cn、zookeeper02.com.cn

kafka03.xdeas.com.cn、zookeeper02.com.cn

分别对应我们的server02、server03、server04。

zookeeper版本：

我们还是先创建好需要的文件夹。

然后写我们的docker-compose.yaml文件

配置文件中有不一样的地方如图所示。然后跑一下 docker-compose up -d 就可以了。

这里贴出三份配置文件

server02


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
    environment:
      - KAFKA_CFG_BROKER_ID=1
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka01.com.cn:9092
      - KAFKA_CFG_ZOOKEEPER_CONNECT=zookeeper01.com.cn:2181,zookeeper02.com.cn:2181,zookeeper03.com.cn:2181
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

server03


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
    environment:
      - KAFKA_CFG_BROKER_ID=2
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka02.com.cn:9092
      - KAFKA_CFG_ZOOKEEPER_CONNECT=zookeeper01.com.cn:2181,zookeeper02.com.cn:2181,zookeeper03.com.cn:2181
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

server04


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
    environment:
      - KAFKA_CFG_BROKER_ID=3
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka03.com.cn:9092
      - KAFKA_CFG_ZOOKEEPER_CONNECT=zookeeper01.com.cn:2181,zookeeper02.com.cn:2181,zookeeper03.com.cn:2181
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

搭建成功之后，我们上去zookeeper查看broker信息。

通过 docker exec -ti zookeeper /bin/bash zkCli.sh -server 进入zk客户端

然后 ls /brokers/ids 看见如下图[1,2,3]就行了，注意这个[/brokers/ids]路径，如果你kafka启动的docker-compose文件里面zookeeper路径是zookeeper.com.cn:2181/kafka，你ls的路径就是/kafka/brokers/ids。

Kraft版本：

接下来我们搭建不依赖zookeeper的版本，由于我懒得搭两个kafka了，所以我们先docker-compose down掉之前的kafka。然后进入volumes文件夹把data文件夹里面的内容删掉。然后把上一份docker-compose.yaml文件改名改成zookeeper_version.yaml备份一下然后cp一份docker-compose出来就行了。我们直接改docker-compose.yaml文件的内容。

Kraft版本的docker-compose内容，最后的那个cluster id，必须一致。必填

改动已经在图中用箭头以及红框指出。这里贴出三份配置文件。

server02


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
      - 9093:9093
    environment:
      - KAFKA_CFG_BROKER_ID=1
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092,CONTROLLER://:9093
      - KAFKA_CFG_LISTENER_SECURITY_PROTOCOL_MAP=CONTROLLER:PLAINTEXT,PLAINTEXT:PLAINTEXT
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka01.com.cn:9092
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
      - KAFKA_ENABLE_KRAFT=yes
      - KAFKA_CFG_PROCESS_ROLES=broker,controller
      - KAFKA_CFG_CONTROLLER_LISTENER_NAMES=CONTROLLER
      - KAFKA_CFG_CONTROLLER_QUORUM_VOTERS=1@kafka01.com.cn:9093,2@kafka02.com.cn:9093,3@kafka03.com.cn:9093
      - KAFKA_KRAFT_CLUSTER_ID=1TGYcbFuRXa4Lqojs4B9Hw
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

server03


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
      - 9093:9093
    environment:
      - KAFKA_CFG_BROKER_ID=2
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092,CONTROLLER://:9093
      - KAFKA_CFG_LISTENER_SECURITY_PROTOCOL_MAP=CONTROLLER:PLAINTEXT,PLAINTEXT:PLAINTEXT
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka02.com.cn:9092
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
      - KAFKA_ENABLE_KRAFT=yes
      - KAFKA_CFG_PROCESS_ROLES=broker,controller
      - KAFKA_CFG_CONTROLLER_LISTENER_NAMES=CONTROLLER
      - KAFKA_CFG_CONTROLLER_QUORUM_VOTERS=1@kafka01.com.cn:9093,2@kafka02.com.cn:9093,3@kafka03.com.cn:9093
      - KAFKA_KRAFT_CLUSTER_ID=1TGYcbFuRXa4Lqojs4B9Hw
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

server04


version: '3'
services:
  kafka-cluster:
    image: bitnami/kafka:3.2.0
    restart: always
    container_name: kafka-cluster
    user: "1001:0"
    ports:
      - 9092:9092
      - 9093:9093
    environment:
      - KAFKA_CFG_BROKER_ID=3
      - KAFKA_HEAP_OPTS=-Xmx1g -Xms1g
      - ALLOW_PLAINTEXT_LISTENER=yes
      - KAFKA_CFG_LISTENERS=PLAINTEXT://:9092,CONTROLLER://:9093
      - KAFKA_CFG_LISTENER_SECURITY_PROTOCOL_MAP=CONTROLLER:PLAINTEXT,PLAINTEXT:PLAINTEXT
      - KAFKA_CFG_ADVERTISED_LISTENERS=PLAINTEXT://kafka03.com.cn:9092
      - KAFKA_CFG_NUM_PARTITIONS=10
      - KAFKA_CFG_NUM_IO_THREADS=8
      - KAFKA_CFG_NUM_NETWORK_THREADS=3
      - KAFKA_ENABLE_KRAFT=yes
      - KAFKA_CFG_PROCESS_ROLES=broker,controller
      - KAFKA_CFG_CONTROLLER_LISTENER_NAMES=CONTROLLER
      - KAFKA_CFG_CONTROLLER_QUORUM_VOTERS=1@kafka01.com.cn:9093,2@kafka02.com.cn:9093,3@kafka03.com.cn:9093
      - KAFKA_KRAFT_CLUSTER_ID=1TGYcbFuRXa4Lqojs4B9Hw
    volumes:
      - "/etc/localtime:/etc/localtime"
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/data:/bitnami/kafka/data'
      - '/data/deploy/xdeas-docker/kafka-cluster/volumes/logs:/bitnami/kafka/logs'

docker-compose up -d

至此，zookeeper版本和Kraft版本都已搭建成功。请勿直接复制，各配置请根据个人情况稍作修改。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小桥流水78/article/detail/822442