为何Kafka在2.8版本开始会“抛弃”Zookeeper？_kafka版本

一、Kafka简介

在讲解为何Kafka在2.8版本开始会“抛弃”Zookeeper？之前，先来介绍一下kafka和Zookeeper在kafka中的作用？

Apache Kafka最早是由Linkedin公司开发，后来捐献给了Apack基金会。

Kafka被官方定义为分布式流式处理平台，因为具备高吞吐、可持久化、可水平扩展等特性而被广泛使用。目前Kafka具体如下功能：

• 消息队列,Kafka具有系统解耦、流量削峰、缓冲、异步通信等消息队列的功能。

• 分布式存储系统，Kafka可以把消息持久化，同时用多副本来实现故障转移，可以作为数据存储系统来使用。

• 实时数据处理，Kafka提供了一些和数据处理相关的组件，比如Kafka Streams、Kafka Connect，具备了实时数据的处理功能。

下面这张图是Kafka的消息模型：

通过上面这张图，介绍一下Kafka中的几个主要概念：

• producer和consumer: 消息队列中的生产者和消费者，生产者将消息推送到队列，消费者从队列中拉取消息。

• consumer group:消费者集合，这些消费者可以并行消费同一个topic下不同partition中的消息。

• broker：Kafka集群中的服务器。

• topic：消息的分类。

• partition：topic物理上的分组，一个topic可以有partition，每个partition中的消息会被分配一个有序的id作为offset。每个consumer group只能有一个消费者来消费一个partition。

想了解关于kafka和Zookeeper更多的的知识点可以参考我以下几篇文章：

• 分布式开源协调服务——Zookeeper
• 大数据Hadoop之——Zookeeper鉴权认证（Kerberos认证+账号密码认证）
• Kafka原理介绍+安装+基本操作（kafka on k8s）
• kafka 磁盘扩容与数据均衡实在操作讲解

二、Kafka和Zookeeper关系

Kafka架构如下图：

Kafka 和 ZooKeeper 是两个独立但通常一起使用的分布式系统组件。它们之间的关系可以简述为 Kafka 使用 ZooKeeper 来进行一些集群管理和协调任务。以下是它们之间主要的关系和合作方面：

• 协调服务： ZooKeeper 通常用于提供分布式系统的协调服务。在 Kafka 中，ZooKeeper 负责维护 Kafka 集群的一些元数据（metadata）和领导者选举（leader election）等协调工作。Kafka 利用 ZooKeeper 来确保在集群中的不同节点之间进行协调和通信。

• 元数据存储： Kafka 利用 ZooKeeper 存储一些关键的元数据，如主题（topics）、分区（partitions）的分布情况、Broker 节点的信息等。这些元数据对于 Kafka 的正常运行非常重要，ZooKeeper 提供了一个可靠的存储和协调的环境。

• Leader 选举： 在 Kafka 中，每个分区都有一个领导者（leader）负责处理读写请求，而其他副本（followers）用于备份。ZooKeeper 参与了领导者选举的过程，确保在分区的多个副本之间选出一个合适的领导者。

• 健康监控： Kafka 可以利用 ZooKeeper 来进行集群的健康监控。通过与 ZooKeeper 通信，Kafka 节点可以了解到集群中其他节点的状态信息，以及集群是否处于正常运行状态。

• 消费者组协调： 在 Kafka 消费者群体中，ZooKeeper 用于协调和追踪消费者的位置信息，确保每个分区只有一个消费者处理，以实现负载均衡。

需要注意的是，随着 Kafka 版本的升级，Kafka 在一定程度上减少了对 ZooKeeper 的依赖，引入了 Kafka Controller 来执行一些元数据的管理和协调任务，目标是逐步减少对 ZooKeeper 的使用。这一变化被称为 KIP-500，已在 Kafka 2.8.0 版本中引入。这意味着未来的 Kafka 版本可能会更加独立于 ZooKeeper。

三、Kafka Controller介绍

我们看到了Kafka对Zookeeper的依赖非常大，Kafka离开Zookeeper是没有办法独立运行的。那Kafka是怎么跟Zookeeper进行交互的呢？

Kafka集群中会有一个broker被选举为Controller负责跟Zookeeper进行交互，它负责管理整个Kafka集群中所有分区和副本的状态。其他broker监听Controller节点的数据变化。

Controller的选举工作依赖于Zookeeper，选举成功后，Zookeeper会创建一个/controller临时节点。

Controller具体职责如下：

• 监听分区变化：比如当某个分区的leader出现故障时，Controller会为该分区选举新的leader。当检测到分区的ISR集合发生变化时，Controller会通知所有broker更新元数据。当某个topic增加分区时，Controller会负责重新分配分区。

• 监听topic相关的变化

• 监听broker相关的变化

• 集群元数据管理

下面这张图展示了Controller、Zookeeper和broker的交互细节：

Controller选举成功后，会从Zookeeper集群中拉取一份完整的元数据初始化ControllerContext，这些元数据缓存在Controller节点。当集群发生变化时，比如增加topic分区，Controller不仅需要变更本地的缓存数据，还需要将这些变更信息同步到其他Broker。

Controller监听到Zookeeper事件、定时任务事件和其他事件后，将这些事件按照先后顺序暂存到LinkedBlockingQueue中，由事件处理线程按顺序处理，这些处理多数需要跟Zookeeper交互，Controller则需要更新自己的元数据。

四、Zookeeper的致命弱点

Zookeeper是集群部署，只要集群中超过半数节点存活，即可提供服务，例如一个由3个节点的Zookeeper，允许1个Zookeeper节点宕机，集群仍然能提供服务；一个由５个节点的Zookeeper，允许2个节点宕机。Zookeeper带来的问题有以下几点：

1. 复杂度增加：Kafka本身就是一个分布式系统，但是需要另一个分布式系统来管理，复杂性无疑增加了。
2. 必须要具备Zookeeper的运维能力：使用了Zookeeper，部署Kafka的时候必须要部署两套系统，Kafka的运维人员必须要具备Zookeeper的运维能力。
3. Controller故障处理：Kafaka依赖一个单一Controller节点跟Zookeeper进行交互，如果这个Controller节点发生了故障，就需要从broker中选择新的Controller。如下图,新的Controller变成了broker3。

新的Controller选举成功后，会重新从Zookeeper拉取元数据进行初始化，并且需要通知其他所有的broker更新ActiveControllerId。老的Controller需要关闭监听、事件处理线程和定时任务。分区数非常多时，这个过程非常耗时，而且这个过程中Kafka集群是不能工作的。

3. 分区瓶颈：当分区数增加时，Zookeeper保存的元数据变多，Zookeeper集群压力变大，达到一定级别后，监听延迟增加，给Kafaka的工作带来了影响。所以，Kafka单集群承载的分区数量是一个瓶颈。而这又恰恰是一些业务场景需要的。

五、架构升级（去掉Zookeeper依赖）

升级前后的架构图对比如下：

KIP-500用Quorum Controller代替之前的Controller，Quorum中每个Controller节点都会保存所有元数据，通过KRaft协议保证副本的一致性。这样即使Quorum Controller节点出故障了，新的Controller迁移也会非常快。

官方介绍，升级之后，Kafka可以轻松支持百万级别的分区。

Kafak团队把通过Raft协议同步数据的方式Kafka Raft Metadata mode,简称KRaft

• Kafka的用户体量非常大，在不停服的情况下升级是必要的。

• 目前去除Zookeeper的Kafka代码KIP-500已经提交到trunk分支，并且已经在的2.8版本发布。

• Kafaka计划在3.0版本会兼容Zookeeper Controller和Quorum Controller，这样用户可以进行灰度测试。

六、Raft协议介绍

随着分布式领域相关技术的不断完善，去中心化的思想逐步兴起，去Zookeeper的呼声也越来越高，在这个进程中涌现了一个非常优秀的算法：Raft协议。

Raft协议的两个重要组成部分：Leader选举、日志复制，而日志复制为多个副本提供数据强一致性提供了强一致性，并且一个显著的特点是Raft节点是去中心化的架构，不依赖外部的组件，而是作为一个协议簇嵌入到应用中的，即与应用本身是融合为一体的。

再以Kafka Topic的分布图举例，引用Raft协议的示例图如下：

Raft 协议介绍只是简单提了一下，考虑文章篇幅过长问题，就将Raft 协议精讲放到下篇文章了，同时还会增加新版Kafka配置部署（不依赖Zookeeper）实战讲解，请小伙伴敬请期待哦~。

---

有任何疑问也可关注我公众号：大数据与云原生技术分享，进行技术交流，如本篇文章对您有所帮助，麻烦帮忙一键三连（点赞、转发、收藏）~