大数据时代：Kafka如何做到1秒发布百万条消息

说起Kafka的第一个突出特定就是“快”，而且是那种变态的“快”。据最新的数据：每天利用Kafka处理的消息超过1万亿条，在峰值时每秒钟会发布超过百万条消息，就算是在内存和CPU都不高的情况下，Kafka的速度最高可以达到每秒十万条数据，并且还能持久化存储。那么，Kafka是如何做到的呢？

Kafka简介

Kafka是一种分布式的，基于发布/订阅的消息系统。原本开发自LinkedIn，用作 LinkedIn的活动流（Activity Stream）和运营数据处理管道（Pipeline）的基础。之后成为Apache项目的一部分，主要用于处理活跃的流式数据。

kafka有如下特性：

1、通过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；

2、高吞吐量：即使是非常普通的硬件kafka也可以支持每秒数十万的消息；

3、支持通过kafka服务器和消费机集群来分区消息；

4、支持Hadoop并行数据加载。

Kafka 架构

Kafka的整体架构非常简单，是显式分布式架构，producer、broker（kafka）和consumer都可以有多个。Producer，consumer实现Kafka注册的接口，数据从 producer发送到broker，broker承担一个中间缓存和分发的作用。broker分发注册到系统中的consumer。broker的作用类似于缓存，即活跃的数据和离线处理系统之间的缓存。

kafka相关名词解释如下：

1、producer：消息生产者，发布消息到kafka集群的终端或服务。

2、broker：kafka集群中包含的服务器。

3、topic：每条发布到kafka集群的消息属于的类别，即kafka是面向topic的。

4、partition：partition是物理上的概念，每个topic包含一个或多个partition，kafka分配的单位是partition。

5、consumer：从kafka集群中消费消息的终端或服务。

6、Consumer group：high-level consumer API中，每个consumer都属于一个consumer group，每条消息只能被consumer group的一个Consumer消费，但可以被多个consumer group消费。

7、replica：partition的副本，保障partition的高可用。

8、leader：replica中的一个角色， producer和consumer只跟leader交互。

9、follower：replica中的一个角色，从leader中复制数据。

10、controller：kafka集群中的其中一个服务器，用来进行leader election以及各种failover。

11、zookeeper：kafka通过zookeeper来存储集群的meta信息。

Kafka有四个核心的API。客户端和服务器端的通信，是基于简单，高性能，且与编程语言无关的TCP协议。

因为每条消息都被append到该Partition中，属于顺序写磁盘，因此效率非常高（经验证，顺序写磁盘效率比随机写内存还要高，这是Kafka高吞吐率的一个很重要的保证）。Kafka集群分区日志如下所示：

每个分区是一个有序的，不可变的记录序列，不断附加到结构化的提交日志中。每个分区中的记录都被分配一个顺序的id号，称为唯一标识分区中每个记录的偏移量。

Kafka 应用场景

消息队列

比起大多数的消息系统来说，Kafka有更好的吞吐量，内置的分区，冗余及容错性，这让Kafka成为了一个很好的大规模消息处理应用的解决方案。

消息系统一般吞吐量相对较低，但是需要更小的端到端延时，并尝尝依赖于Kafka提供的强大的持久性保障。在这个领域，Kafka足以媲美传统消息系统，如ActiveMR或RabbitMQ。

行为跟踪

Kafka的另一个应用场景是跟踪用户浏览页面、搜索及其他行为，以发布-订阅的模式实时记录到对应的Topic里。那么这些结果被订阅者拿到后，就可以做进一步的实时处理，或实时监控，或放到hadoop离线数据仓库里处理。

元信息监控

作为操作记录的监控模块来使用，即汇集记录一些操作信息，可以理解为运维性质的数据监控吧。

日志收集

日志收集方面，其实开源产品有很多，包括Scribe、Apache Flume。很多人使用Kafka代替日志聚合（log aggregation）。

日志聚合一般来说是从服务器上收集日志文件，然后放到一个集中的位置（文件服务器或HDFS）进行处理。然而Kafka忽略掉文件的细节，将其更清晰地抽象成一个个日志或事件的消息流。

这就让Kafka处理过程延迟更低，更容易支持多数据源和分布式数据处理。比起以日志为中心的系统比如Scribe或者Flume来说，Kafka提供同样高效的性能和因为复制导致的更高的耐用性保证，以及更低的端到端延迟。

流处理

这个场景可能比较多，也很好理解。保存收集流数据，以提供之后对接的Storm或其他流式计算框架进行处理。很多用户会将那些从原始Topic来的数据进行阶段性处理，汇总，扩充或者以其他的方式转换到新的Topic下再继续后面的处理。

例如一个文章推荐的处理流程，可能是先从RSS数据源中抓取文章的内容，然后将其丢入一个叫做“文章”的topic中；后续操作可能是需要对这个内容进行清理，比如回复正常数据或者删除重复数据，最后再将内容匹配的结果返还给用户。

这就在一个独立的Topic之外，产生了一系列的实时数据处理的流程。Strom和Samza是非常著名的实现这种类型数据转换的框架。

事件源

事件源是一种应用程序设计的方式，该方式的状态转移被记录为按时间顺序排序的记录序列。Kafka可以存储大量的日志数据，这使得它成为一个对这种方式的应用来说绝佳的后台。比如动态汇总（News feed）。

持久性日志（commit log）

Kafka可以为一种外部的持久性日志的分布式系统提供服务。这种日志可以在节点间备份数据，并为故障节点数据回复提供一种重新同步的机制。Kafka中日志压缩功能为这种用法提供了条件。在这种用法中，Kafka类似于Apache BookKeeper项目。

关注公众账号

【飞马会】

飞马会

AI人工智能/大数据/技术管理等人员学习交流园地