Kafka - 3.x 文件存储不完全指北

小小工匠

发布于 2023-10-29 08:14:25

1790

发布于 2023-10-29 08:14:25

文章被收录于专栏：小工匠聊架构小工匠聊架构

Topic数据的存储机制

Kafka是一个分布式流处理平台，它使用发布-订阅模型来处理消息流。Kafka的数据存储机制主要涉及到以下几个关键组件：Topics（主题）、Partitions（分区）和Segments（段）。

Topic（主题）：
- Topic是Kafka中数据流的逻辑通道，用于组织和分类消息。消息发布者将消息发送到特定的主题，而消息订阅者则可以订阅感兴趣的主题以接收消息。
- 每个主题可以有零个或多个分区，这取决于配置和性能需求。
Partitions（分区）：
- 每个主题可以被划分成一个或多个分区，分区是Kafka中的基本存储单元。
- 分区允许水平扩展，提高并行性和吞吐量。消息在分区内是有序的，但不保证全局有序。
- 每个分区在物理上保存在不同的服务器上，以支持数据的分布式存储和处理。
Segments（段）：
- 每个分区的数据实际上被分成多个段，每个段都是一个日志文件，用于持久存储消息。
- 每个段都有一个固定的大小，一旦达到该大小，就会创建一个新的段。
- 段的持久性和不断追加新消息的特性使Kafka适合于高吞吐量的数据流处理。

Kafka的数据存储机制的关键优点包括：

高吞吐量：Kafka能够处理大量的消息，因为数据分布在多个分区和段中，允许并行处理。
数据持久性：消息在Kafka中是持久存储的，因此即使消费者没有立即处理它们，数据也不会丢失。
水平扩展：通过增加分区和服务器，可以轻松扩展Kafka的容量和性能。

总之，Kafka的数据存储机制通过主题、分区和段的组织，支持高吞吐量的消息流处理，使其成为一种强大的数据流平台。

演示

基本信息

使用kafka-run-class.sh查看index内容

[root@localhost artisan-0]# /root/kafka/kafka/bin/kafka-run-class.sh kafka.tools.DumpLogSegments --files   ./00000000000000000000.index
Dumping ./00000000000000000000.index
offset: 0 position: 0
Mismatches in :/tmp/kafka-logs/artisan-0/./00000000000000000000.index
  Index offset: 0, log offset: 3

使用kafka-run-class.sh查看log内容

[root@localhost artisan-0]# /root/kafka/kafka/bin/kafka-run-class.sh kafka.tools.DumpLogSegments --files   ./00000000000000000000.log
Dumping ./00000000000000000000.log
Log starting offset: 0
baseOffset: 0 lastOffset: 3 count: 4 baseSequence: 0 lastSequence: 3 producerId: 2012 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 0 CreateTime: 1698303603739 size: 137 magic: 2 compresscodec: none crc: 3622782875 isvalid: true
baseOffset: 4 lastOffset: 13 count: 10 baseSequence: 0 lastSequence: 9 producerId: 2013 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 137 CreateTime: 1698304010395 size: 241 magic: 2 compresscodec: none crc: 1795667702 isvalid: true
baseOffset: 14 lastOffset: 23 count: 10 baseSequence: 0 lastSequence: 9 producerId: 2014 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 378 CreateTime: 1698304027258 size: 241 magic: 2 compresscodec: none crc: 2868390514 isvalid: true
baseOffset: 24 lastOffset: 28 count: 5 baseSequence: 0 lastSequence: 4 producerId: 2017 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 619 CreateTime: 1698304616155 size: 156 magic: 2 compresscodec: none crc: 1863625421 isvalid: true
baseOffset: 29 lastOffset: 33 count: 5 baseSequence: 0 lastSequence: 4 producerId: 2018 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 775 CreateTime: 1698304624578 size: 156 magic: 2 compresscodec: none crc: 739158864 isvalid: true
baseOffset: 34 lastOffset: 43 count: 10 baseSequence: 0 lastSequence: 9 producerId: 3000 producerEpoch: 0 partitionLeaderEpoch: 0 isTransactional: false isControl: false deleteHorizonMs: OptionalLong.empty position: 931 CreateTime: 1698373784040 size: 181 magic: 2 compresscodec: snappy crc: 3489556255 isvalid: true
[root@localhost artisan-0]#

index文件和log文件详解

日志存储参数配置

参数	描述
log.segment.bytes	Kafka中log日志是分成一块块存储的，此配置是指log日志划分成块的大小，默认值1G。
log.index.interval.bytes	默认4kb，Kafka里每当写入了4kb大小的日志（.log），然后就往index文件里面记录一个索引。稀疏索引。

文件清理策略

综述

Kafka的日志清理策略是为了管理磁盘上的数据，确保系统的性能和可用性。日志清理策略通常与消息日志的保留策略相关。以下是Kafka的日志清理策略的要点：

日志保留策略：
- Kafka允许配置保留消息日志的时间（通过log.retention.ms参数）或消息数量（通过log.retention.bytes参数）。
- 消息日志可以保留一定时间（例如，一周）或一定大小的消息（例如，10 GB），之后将进行清理。
Segments（段）：
- Kafka的消息日志被分成多个段（log segment），每个段包含一定数量的消息。
- 清理策略针对这些段执行。段的创建和关闭是基于时间和大小的策略。
日志清理策略类型：
- Kafka支持两种主要的日志清理策略：删除策略（Delete）和压缩策略（Compact）。
- 删除策略通过删除旧的日志段来释放磁盘空间。这是默认策略。
- 压缩策略通过保留消息键相同的最新消息，删除旧版本的消息。这对于维护有状态应用程序非常有用。
消息日志清理的触发：
- 清理策略的触发可以由多个因素决定，包括时间（log.retention.ms）、日志大小（log.retention.bytes）、活动日志段的数量和特定主题的配置。
- 通常，Kafka会周期性地执行清理任务，确保消息日志不会无限增长。
日志清理的影响：
- 日志清理可能导致消息丢失，特别是对于删除策略。因此，清理策略的配置需要谨慎考虑，以平衡磁盘空间和消息保留需求。

总之，Kafka的日志清理策略是一个关键组成部分，用于管理消息日志的大小和维护磁盘空间。根据业务需求，可以选择不同的保留策略和清理策略，以满足数据保留、性能和可用性方面的要求。

kafka数据文件保存时间：默认是7天
kafka数据文件保存可通过如下参数修改 ① log.retention.hours：最低优先级小时，默认7天（168小时） ② log.retention.minutes：分钟 ③ log.retention.ms：最高优先级毫秒 ④ log.retention.check.interval.ms：负责设置检查周期，默认5分钟。

清理策略

3．那么一旦超过了设置的时间就会采取清理策略，清理策略有两种：delete和compact

1）delete策略

delete日志删除：将过期数据删除。配置：log.cleanup.policy=delete 基于时间：默认打开，以segment中所有记录中的最大时间戳作为文件时间戳基于大小：默认关闭，超过设置的所有日志大小，删除最早的segment。 log.retention.bytes，默认等于-1，表示无穷大。

2）compact日志策略

高效读写的原因

Kafka本身是分布式集群，可以采用分区技术，并行度高
读数据采用稀疏索引，可以快速定位要消费的数据
顺序写磁盘 Kafka的producer生产数据，要写入到log文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到600M/s，而随机写只有100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。

页缓存+零拷贝技术

参数	描述
log.flush.interval.messages	强制页缓存刷写到磁盘的条数，默认是long的最大值，9223372036854775807。一般不建议修改，交给系统自己管理。
log.flush.interval.ms	每隔多久，刷数据到磁盘，默认是null。一般不建议修改，交给系统自己管理。