一、Kafka 介绍 Kafka是⼀个分布式、分区的、多副本的、多⽣产者、多订阅者,基于zookeeper协调的分布式⽇志系统(也可以当做MQ系统),常⻅可以⽤于web/nginx⽇志、访问⽇志,消息服务等等。
Kafka主要应⽤场景 :⽇志收集系统和消息系统
Kafka主要设计目标 :
以时间复杂度为O(1)的⽅式提供消息持久化能⼒,即使对TB级以上数据也能保证常数时间的访问性能。 ⾼吞吐率。即使在⾮常廉价的商⽤机器上也能做到单机⽀持每秒100K条消息的传输。 ⽀持Kafka Server间的消息分区,及分布式消费,同时保证每个partition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。 ⽀持在线⽔平扩展 Kafka消息传递模式 :发布-订阅模式(不支持点对点模式)
Kafka消息推拉模式 :Kafka只有消息的拉取,没有推送,可以通过轮询实现消息的推送
Kafka在⼀个或多个可以跨越多个数据中⼼的服务器上作为集群运⾏。 Kafka集群中按照主题分类管理,⼀个主题可以有多个分区,⼀个分区可以有多个副本分区。 每个记录由⼀个键,⼀个值和⼀个时间戳组成。 Kafka 的 4 个核心 API :
Producer API
:允许应⽤程序将记录流发布到⼀个或多个Kafka主题。Consumer API
:允许应⽤程序订阅⼀个或多个主题并处理为其⽣成的记录流。Streams API
:允许应⽤程序充当流处理器,使⽤⼀个或多个主题的输⼊流,并⽣成⼀个或多个输出主题的输出流,从⽽有效地将输⼊流转换为输出流。Connector API
:允许构建和运⾏将Kafka主题连接到现有应⽤程序或数据系统的可重⽤⽣产者或使⽤者。例如,关系数据库的连接器可能会捕获对表的所有更改。二、Kafka 优势 ⾼吞吐量 :单机每秒处理⼏⼗上百万的消息量。即使存储了许多TB的消息,它也保持稳定的性能。
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。
持久化数据存储 :将消息持久化到磁盘。通过将数据持久化到硬盘以及replication防⽌数据丢失。
分布式系统 :易于向外扩展。所有的Producer、Broker和Consumer都会有多个,均为分布式的。⽆需停机即可扩展机器。多个Producer、Consumer可能是不同的应⽤。
可靠性 :Kafka是分布式,分区,复制和容错的。
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。
⽀持online和offline的场景
⽀持多种客户端语⾔ :Kafka⽀持Java、.NET、PHP、Python等多种语⾔。
三、Kafka 应用场景 ⽇志收集 :⼀个公司可以⽤Kafka可以收集各种服务的Log,通过Kafka以统⼀接⼝服务的⽅式开放给各种Consumer;
消息系统 :解耦⽣产者和消费者、缓存消息等;
⽤户活动跟踪 :Kafka经常被⽤来记录Web⽤户或者App⽤户的各种活动,如浏览⽹⻚、搜索、点击等活动,这些活动信息被各个服务器发布到Kafka的Topic中,然后消费者通过订阅这些Topic来做实时的监控分析,亦可保存到数据库;
运营指标 :Kafka也经常⽤来记录运营监控数据。包括收集各种分布式应⽤的数据,⽣产各种操作的集中反馈,⽐如报警和报告;
流式处理 :⽐如Spark Streaming和Storm。
四、Kafka 基本架构 消息和批次
消息:
Kafka 的数据单元称为消息。消息可以看做数据库表的一条“行记录”,消息由字节数组组成。 消息有键,键也是一个字节数组。当消息需要写入不同的分区时,会使用键进行分区。 批次:
消息可以分批写入Kafka,一批次消息属于同一个主题和分区。 分批次写入消息可以减少网络开销。批次越大,单位时间处理消息越多,单个消息传输时间越长;批次消息数据会被压缩,这样能提升传输和存储能力,也需要更多的计算处理。 模式
消息模式(schema)有许多可⽤的选项,以便于理解。如JSON和XML,但是它们缺乏强类型处理能⼒ Kafka 使用的 Apache Avro(了解即可)。 数据格式的⼀致性对Kafka很重要,因为它消除了消息读写操作之间的耦合性 主题和分区
Kafka的消息通过主题进⾏分类。主题可⽐是数据库的表或者⽂件系统⾥的⽂件夹 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 生产者和消费者
生产者:
⽣产者创建消息。⼀个消息被发布到⼀个特定的主题上,⽣产者在默认情况下把消息均衡地分布到主题的所有分区上直接指定消息的分区 根据消息的key散列取模得出分区 轮询指定分区 消费者:
消费者消费消息。消费者通过偏移量来区分已经读过的消息 消费者是消费组的⼀部分。消费组保证每个分区只能被⼀个消费者使⽤,避免重复消费 broker和集群
一个独立的Kafka服务器称为broker。 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 每个集群都有⼀个broker是集群控制器(⾃动从集群的活跃成员中选举出来,通过Zookeeper的Master选举)控制器负责管理⼯作 集群中一个分区属于一个 broker,该broker称为分区首领 一个分区可以分配给多个broker,此时会发生分区复制。分区复制提供了消息冗余和高可用。副本分区不负责处理消息的读写 五、Kafka 核心概念 5.1 生产者 Producer 生产者创建消息,将消息发布到主题(Topic)中。一般一个消息会被发布到指定的主题上,然后通过以下几种方式发布到指定主题分区:
默认情况下通过轮询把消息均衡地分布到主题的所有分区上 有时我们可以将消息指定发到某一个分区上。通常是通过消息键和分区器来实现的,分区器可以为消息键计算出一个散列值,通过这个散列值就可以映射到相应的分区上 也可以自定义分区器,我们可以根据不同的业务规则将消息映射到不同分区。 5.2 消费者 Consumer 消费者从主题中读取消息
消费者可以订阅一个或多个主题,并按照消息生成的顺序读取 消费者可以通过偏移量(Offset)区分已经读取的消息偏移量是另⼀种元数据,它是⼀个不断递增的整数值,在创建消息时,Kafka 会把它添加到消息⾥ 在给定的分区⾥,每个消息的偏移量都是唯⼀的 消费者把每个分区最后读取的消息偏移量保存在Zookeeper 或Kafka(现在是存在Kafka上的) 上,如果消费者关闭或重启,它的读取状态不会丢失 消费者是消费组的一部分。消费组保证每个分区只能被一个消费者使用 如果某一个消费者失效,就会进行再平衡,重新给消费组中的消费者分配消费分区,以达到高可用的目的 5.3 服务器 Broker 一个独立的Kafka服务器就是一个 Broker。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。
如果某topic有N个partition,集群有N个broker,那么每个broker存储该topic的⼀个partition 如果某topic有N个partition,集群有(N+M)个broker,那么其中有N个broker存储该topic的⼀个partition,剩下的M个broker不存储该topic的partition数据 如果某topic有N个partition,集群中broker数⽬少于N个,那么⼀个broker存储该topic的⼀个或多个partition。在实际⽣产环境中,尽量避免这种情况的发⽣,这种情况容易导致Kafka集群数据不均衡 Broker 是集群的组成部分。每个集群都有⼀个broker 同时充当了集群控制器的⻆⾊(⾃动从集群的活跃成员中选举出来):
控制器负责管理⼯作,包括将分区分配给broker 和监控broker 在集群中,⼀个分区从属于⼀个broker,该broker 被称为分区的⾸领
5.4 主题 Topic 每条发布到Kafka的消息都有一个类别,这个类别就是Topic。
5.5 分区 Partition 主题可以分为若干个分区,消息可以写主题的某一个分区中。
消息以追加的方式写入分区,然后以先进后出的方式被读取。
Kafka 无法在整个主题范围内保证消息的顺序,但是可以保证消息在单个分区中的顺序。
Kafka 通过分区实现数据冗余和伸缩性。
在需要严格保证消息顺序的情况下,需要将分区设置为 1 。
5.6 副本 Replicas 5.6.1 副本概念 消息被写入主题,每个主题有多个分区,每个分区有多个副本。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
副本有两种类型:
⾸领副本:每个分区都有⼀个⾸领副本。为了保证⼀致性,所有⽣产者请求和消费者请求都会经过这个副本 跟随者副本:⾸领以外的副本都是跟随者副本。跟随者副本不处理来⾃客户端的请求,它们唯⼀的任务就是从⾸领那⾥复制消息,保持与⾸领⼀致的状态。如果⾸领发⽣崩溃,其中的⼀个跟随者会被提升为新⾸领 5.6.1 副本介绍 Kafka 通过副本保证高可用。副本分为⾸领副本(Leader)和跟随者副本(Follower)。
跟随者副本包括同步副本和不同步副本,在发⽣⾸领副本切换的时候,只有同步副本可以切换为⾸领副本。
AR
分区中的所有副本统称为AR (Assigned Repllicas)。AR=ISR+OSR
ISR
所有与leader副本保持⼀定程度同步的副本(包括Leader)组成 ISR,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。前⾯所说的“⼀定程度”是指可以忍受的滞后范围,这个范围可以通过参数进⾏配置 OSR
与leader副本同步滞后过多的副本(不包括Leader)组成 OSR。 在正常情况下,所有的follower副本都应该与leader副本保持⼀定程度的同步,即AR=ISR,OSR集合为空 HW
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。
5.7 偏移量 Offset 5.7.1 生产者 Offset
消息写⼊的时候,每⼀个分区都有⼀个offset,这个offset就是⽣产者的offset,同时也是这个分区的最新最⼤的offset
有些时候没有指定某⼀个分区的offset,这个⼯作kafka帮我们完成
5.7.2 消费者 Offset
这是某⼀个分区的offset情况,⽣产者写⼊的offset是最新最⼤的值是12,⽽当Consumer A进⾏消费时,从0开始消费,⼀直消费到了9,消费者的offset就记录在9,Consumer B就纪录在了11。等下⼀次他们再来消费时,他们可以选择接着上⼀次的位置消费,当然也可以选择从头消费,或者跳到最近的记录并从“现在”开始消费。