Kafka简介

Kafka是由Apache软件基金会开发的一个开源流处理平台，由Scala和Java编写。Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据。架构特点是分区、多副本、多生产者、多订阅者，性能特点主要是高吞吐，低时延。

Kafka主要设计特征如下：

• 通过时间复杂度为O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。

• 高吞吐量 ：即使是非常普通的硬件机器，Kafka也可以支持每秒数百万的消息。

• 支持Kafka 服务间的消息分区，及分布式消费，同时保证每个分区内的消息顺序传输。

• 同时支持离线数据处理和实时数据处理。

• 支持数据水平扩展和副本备份

• Kafka集群按照主题分类管理，一个主题可以有多个分区，一个分区可以有多个副本分区（分区的容灾手段）

Kafka的消息传递模型使用的是发布-订阅模块，对于消息的消费使用的是消费者主动拉取模型，并不像rocketmq、rabbitmq等主流消息中间件提供服务端推送消息服务。如果要实现类似于推送的效果，只能通过消费者轮询的方式。

Kafka主要有如下几个核心API：

• Admin API 主要用于管理和检查Topics, brokers和其他kafka对象

• Producer API：发布消息、事件流到一个或多个kafka主题

• Consumer API：订阅一个或多个kafka主题，处理producer api发布的事件流消息

• Streams API：kafka通过流api来实现流处理应用程序和微服务。它提供了处理事件流的高级功能，包括转换、聚合和连接等有状态操作、窗口化、基于事件时间的处理等等。从一个或多个主题中读取输入，以便生成到一个或多个主题的输出，有效地将输入流转换为输出流。

• Connector API：kafka连接api来构建和运行可重用的数据导入/导出连接器，这些连接器使用（读取）或产生（写）来自外部系统和应用程序的事件流，以便它们可以与kafka集成。例如，像postgresql这样的关系数据库的连接器可能会捕获对一组表的所有更改。然而，在实践中，您通常不需要实现您自己的连接器，因为kafka社区已经提供了数百个现成的连接器。

Kafka优势

• 高吞吐：单机每秒吞吐几十上百万消息

• 高性能：单节点支持上千个客户端，并保证零停机和零数据丢失

• 数据持久化存储：通过将消息持久化到硬盘以及分区副本备份机制防止数据丢失

• 支持分布式水平扩容，集群副本化容灾部署。Producer、Broker和Consumer均支持集群化

• 可靠性：通过主题分区扩容，副本容灾，集群化等手段提供高可靠性

• 客户端状态维护：消息被处理的状态是在Consumer端维护，而不是由server端维护。当失败时能自动平衡

• 提供多种语言的客户端sdk。Kafka支持Java、.NET、PHP、Python等多种语言

Kafka应用场景

Kafka主要应用场景：日志收集系统、消息队列系统、用户活动跟踪等。

• 日志收集：用于收集各种服务的日志

• 消息系统：用于解耦生产者、消费者，缓存消息等场景，

• 用户活动跟踪：如对用户在网站的搜索、点击等行为的实时监控分析

• 运营指标：用于记录运营监控数据

• 流式处理：构建实时的流数据处理程序来转换或处理数据流

Kafka基础架构与核心概念

 

根据如上基础架构图，大致可以看出kafka有如下架构特点：

• 多生产者

• 基础主题对消息进行分类

• 一个主题支持多个分区（数据的水平扩容），分区的容灾是基于Kraft数据一致性协议的多副本机制，分Leader副本和Follwer副本

• 多个broker，不同broker可存储不同的分区和分区副本

• 消费者按组进行消费，在同一个消费组内，一个分区消息只能被一个消费者消费，因此对于同一消费组的某个消费者来说，它的消息是有序的，但对于不同消费者来说，它们之间的消息不能做到有序。需要严格顺序的情况下只能设置一个分区来解决。

消息和批次

Kafka的数据单元称为消息，可以把消息看成是数据库里的一条“记录”。消息主要由消息头、主题、分区、键、值、消息偏移量等信息组成，为提高效率，消息通常是分批写入Kafka，批次就是一组消息，这些消息属于同一个主题和分区。同一批次的消息可以进行压缩以提升网络传输能力，批次越大，消息越多，单次网络传输时间越长，但比起小批次消息来说还是减少了网络开销，因为大批次消息需要传输的次数更少。

主题（Topic）和分区（Partition）

Kafka的消息通过主题进行分类。主题可以被分为若干分区，一个主题通过分区分布于Kafka集群中，提供了横向扩展的能力。主题跟分区，用关系型数据库来类比 的话就是表和数据分片，其本质是一样的，都是存储数据和数据扩容的一种方式。

 

副本（Replicas）

Kafka 使用主题来组织数据，每个主题被分为若干个分区，每个分区有多个副本。那些副本被保存在broker 上，每个broker 可以保存成百上千个属于不同主题和分区的副本。

副本有两种角色，Leader和Follwer，数据一致性基于Raft协议。master的选举、数据的复制参考raft协议即可。

AR（Assigned Repllicas）

分区中的所有副本统称为AR（Assigned Repllicas）。

ISR（In-Sync Replicas）

所有与leader副本保持一定程度同步的副本（包括Leader）组成ISR（In-Sync Replicas），ISR集合是AR集合中的一个子集。消息会先发送到leader副本，然后follower副本才能从leader副本中拉取消息进行同步，同步期间内follower副本相对于leader副本而言会有一定程度的滞后。

OSR(Out-Sync Relipcas)

与leader副本同步滞后过多的副本（不包括leader）副本，组成OSR(Out-Sync Relipcas)。

AR=ISR+OSR（通常为空）

High Watermak

HW是High Watermak的缩写， 俗称高水位，它表示了一个特定消息的偏移量（offset），消费之只能拉取到这个offset之前的消息。

LEO

LEO是Log End Offset的缩写，它表示了当前日志文件中下一条待写入消息的offset。

生产者（Producer）和消费者（Consumer）

生产者（Producer）：向主题发布消息。生产者默认情况下把消息均衡地分布到主题的所有分区上，策略有轮询指定分区、消息key hash值对分区数取模，指定分区。

消费者Consumer）：订阅主题消息，消费者通过偏移量来区分已经读过的消息。

消费者群组：一个主题可以有多个分区，一个分区可以被不同的消费者群组消费，但一个分区在同一消费者群组内只能被一个消费者消费（避免重复消费）。群组消费可以加强消费能力，避免消息过度堆积，但同时带来了无法做到严格有序消费问题。

 

broker和集群

broker 是集群的组成部分，broker 集群由一个或多个 broker 组成，每个集群都有一个 broker 同时充当了集群控制器的角色（自动选举）。broker接收来自生产者的消息，为消息设置偏移量，并提交消息到磁盘保存。broker为消费者提供服务，对读取分区的请求做出响应，返回已经提交到磁盘上的消息。单个broker可以轻松处理数千个分区以及每秒百万级的消息量。