本文详细介绍了Kafka的基本架构、工作流程、安装与配置、生产者和消费者机制，重点讲解了ExactlyOnce语义、事务支持及高效数据处理策略。涵盖了分区策略、数据可靠性、Zookeeper角色以及事务管理等内容。
一、Kafka概述
1.1Kafka介绍
Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。
1.2 消息队列
消息队列的优点
-
解耦
允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。
-
可恢复性
系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。
-
缓冲
有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致的情况。
-
灵活性和峰值处理能力
在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见。如果为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。
去峰值
-
异步通信
很多时候，用户不想也不需要立即处理消息。消息队列提供了异步处理机制，允许用户把一个消息放入队列，但并不立即处理它。想向队列中放入多少消息就放多少，然后在需要的时候再去处理它们。
1.3 消息队列的两种模式
-
点对点模式
一对一，消费者主动拉取数据，消息收到后消息清除。
消费生产者生产消息发送到Queue中，然后消息消费者从Queue中取出并且消费消息。消息被消费以后，queue中不再有储存，所以消息消费者不可能消费到已经被消费的消息。Queue支持存在多个消费者，但是对一个消息而言，只会有一个消费者可以消费。
-
发布/订阅模式
一对多，消费者消费数据之后不会清除消息
消息生产者（发布）将消息发布到 topic 中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到 topic 的消息会被所有订阅者消费。
1.4 kafka快速入门
1.4.1 安装包下载
http://kafka.apache.org/downloads.html
1.4.2 安装kafka
- 上传文件后，解压缩，修改文件名
tar -zxvf kafka_2.11-0.11.0.0.tgz -C /opt/module/
mv kafka_2.11-0.11.0.0/ kafka
# 在/opt/module/kafka/目录下创建文件夹
mkdir logs
- 修改配置文件
/kafka/config/server.properties
修改以下内容
#broker 的全局唯一编号，不能重复
broker.id=0
#删除 topic 功能使能
delete.topic.enable=true
#处理网络请求的线程数量
num.network.threads=3
#用来处理磁盘 IO 的现成数量
num.io.threads=8
#发送套接字的缓冲区大小
socket.send.buffer.bytes=102400
#接收套接字的缓冲区大小
socket.receive.buffer.bytes=102400
#请求套接字的缓冲区大小
socket.request.max.bytes=104857600
#kafka 运行日志存放的路径
log.dirs=/opt/module/kafka/logs
#topic 在当前 broker 上的分区个数
num.partitions=1
#用来恢复和清理 data 下数据的线程数量
num.recovery.threads.per.data.dir=1
#segment 文件保留的最长时间，超时将被删除
log.retention.hours=168
#配置连接 Zookeeper 集群地址
zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181
- 将
/opt/module/kafka和/opt/module/kafka/bin添加到环境变量
vim /etc/profile
#KAFKA_HOME
export KAFKA_HOME=/opt/module/kafka
export PATH=$PATH:$KAFKA_HOME/bin
source /etc/profile
- 分发安装包以及修改配置参数
broker.id
xsync kafka/
分别在 hadoop103 和 hadoop104 上修改配置文件/opt/module/kafka/config/server.properties中的 broker.id=1、broker.id=2。broker.id 不得重复。
- kafka集群启动脚本
kafka.sh
#!
case $1 in
"start" )
for i in hadoop102 hadoop103 hadoop104
do
echo "========== $i =========="
ssh $i '/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties'
done
;;
"stop" )
for i in hadoop102 hadoop103 hadoop104
do
echo "========== $i =========="
ssh $i '/opt/module/kafka/bin/kafka-server-stop.sh stop'
done
;;
esac
1.4.3 kafka命令行操作
-
查看当前服务器中的所有topic
kafka-topics.sh --zookeeper hadoop102:2181 --list -
创建 topic
kafka-topics.sh --zookeeper myaliyun:2181 --create --replication-factor 1 --partitions 1 --topic newTopic -
删除topics
kafka-topics.sh --zookeeper myaliyun:2181 --delete --topic atguiguNew -
发送消息
kafka-console-producer.sh --broker-list myaliyun:9092 --topic atguiguNew -
消费消息
1.
kafka-console-consumer.sh --zookeeper myaliyun:2181 --topic atguiguNew2.
kafka-console-consumer.sh --bootstrap-server myaliyun:9092 --topic atguiguNew3.
kafka-console-consumer.sh --bootstrap-server aliyun:9092 --from-beginning --topic first–from-beginning：会把topics（主题）中以往所有的数据都读取出来
-
查看topics详情
kafka-topics.sh --zookeeper myaliyun:2181 --describe --topic atguiguNew -
修改分区数
kafka-topics.sh --zookeeper myaliyun:2181 --alter --topic atguiguNew --partitions 6
二、Kfaka构架
2.1 kafka基础框架
- Producer：消息生产者，就是kafka broker发消息的客户端；
- Consumer：消息消费者，向kafka broker获取消息客户端；
- Consumer Group(CG)：消费者组，由多个consumer组成。消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个组内消费者消费；消费者组之间互不影响。所有的消费者都属于某个消费者组，既消费者组是逻辑上的一个订阅者。
- Broker：一台kafka服务器就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic。
- Topic：可以理解为一个队列，生产者和消费者面向的都是一个topic。
- Partition：为了实现扩展性，一个非常大的topic可以分布到多个broker（既服务器）上，一个topic可以分为多个partition，每个partition是一个有序的队列。
- Replica：副本，为保证集群中的某个节点发生故障时，该节点的partition数据不丢失，且kafka仍可以继续工作，kafka提供了副本机制，一个topic的每个分区都有若干副本，一个leader和若干follower。
- Leader：每个分区副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是leader。
- Follower：每个分区多个副本中的“从”，实现从leader中同步数据，保持和leader数据的同步。leader发生故障时，某个follower会成为新的leader。
2.2 kafka工作流程以及文件储存机制
kafka中消息是以topic进行分类的，生产者生产消息，消费者消费消息，都是面向topic的。
topic是逻辑上的概念，而partition是物理上的概念，每个partition对应一个log文件，该log文件中储存的数据producer生产的数据。producer生产的数据会被不断追加到该log文件末端，且每条数据都有自己的offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，以便出错恢复时，从上次的位置继续消费。
由于生产者生产消息会不断追加到log文件末尾，为防止log文件过大导致数据定位效率低下，kafka采取了分片和索引机制，将每个partition分为多个segment。每个segment对应两个文件——“.index”和“.log”。这些文件位于一个文件夹下，该文件夹的命名规则为：topic名称+分区序号。例如，first这个topic有三个分区，其对应的文件夹为first-0,first-1,first-2。
00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log
index 和 log文件以当前segment的第一条消息的offset命名。下图为index文件和log文件的结构示意图：
“.index” 文件储存大量的索引信息，“.log”文件储存大量的数据，索引文件中的元数据指向对应数据文件中message的物理偏移量地址。
2.3 kafka 生产者
2.3.1 分区策略
-
分区原因
- 方便在集群中扩展，每个partition可以通过调整以适应它所在的机器，而一个topic又可以有多个partition组成，因此整个集群就可以适应任意大小的数据。
- 可以提高并发，因为可以以partition为单位读写。
-
分区原则
producer发送的数据封装成一个ProducerRecord对象。
（1） 指明partition的情况下，将指明的值直接作为partition值；
（2） 没有指明partition值但有key的情况下，将key的hash值与topic的partition值进行取余得到partition值；
（3） 既没有partition值又没有key值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与topic可用的partition总数取余得到partition值，也就是round-robin算法。
2.3.2 数据可靠性保证
为保证producer发送的数据，能可靠的发送到指定的topic，topic的每个partition收到producer发送的数据后，都需要向producer发送ack(acknowledgement确认收到)，如果producer都到ack，就会进行下一轮的发送，否则重新发送数据。
kafka选择了第二种方案，原因如下：
- 同样为了容忍n台节点的故障，第一种方案需要2n+1个副本，而第二种方案只需要n+1个副本，kafka的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
- 虽然第二种方案的网络延迟会比较高，但网络延迟对kafka的影响比较小。
- ISR(in-sync replica set)
采用第二种方案之后，设想：leader收到数据，所有follower都开始同步数据，但有一个follower，因为某种故障，迟迟不能与leader进行同步，那么leader就要一直等下去，直到它完成同步，才能发送ack。这个问题该怎么解决？
Leader 维护了一个动态的in-sync replica set（ISR），意为和leader保持同步的follower集合。当ISR中的follower完成数据同步之后，leader就会producer发送ack。如果follower长时间未向leader同步数据，则该follower将被踢出ISR，该时间阈值又 replica.lag.time.max.ms 参数设定。Leader发送故障之后，就会在ISR中选举新的leader。
- ack 应答机制
对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等ISR中的follower全部接受成功。
因此kafka为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。
acks参数配置：
0：producer不等待broker的ack，这一操作提供了一个最低的延迟，broker一接受到还没有写入磁盘就已经返回，当broker故障时有可能丢失数据。
1：produce等待broker的ack，partition的leader落盘成功后返回ack，如果在follower同步成功之前leader故障，那么将会丢失数据。
-1（all）: prodicer等在broker的ack，partition的leader和follower全部落盘成功后才返回ack。但是如果在follower同步完成后，broker发送ack之前，leader发送故障，那么会造成数据重复。
3） 故障处理细节
LEO：指的是每个副本最大的offset
HW：指的是消费者能见到的最大的offset，ISR队列中最小的LEO
-
follower 故障
follower发送故障后会被临时剔除ISR，待该follower恢复后，follower会读取本地磁盘记录的上次HW，并将log文件高于HW的部分截取掉，从HW开始向leader进行同步。等该follower的LEO大于等于partition的HW，既follower追上leader之后，就可以重新加入ISR了。
-
leader 故障
leader 发生故障之后，会从ISR中选出一个新的leader之后，为保证多个副本之间的数据一致性，其余的follower会先将各自的log文件高于HW的部分截掉，然后从新的leader同步数据。
注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。
2.3.3 Exactly Once语义
将服务器的ACK级别设置为-1，可以保证producer到server之间不会丢失数据，既At Least Once 语义。相对的，将服务器ACK级别设置为0，可以保证生产者每条消息只会被发送一次，既At Most Once语义。
At Least Once可以保证数据不丢失，但是不能保证数据不重复；相对的，At Most Once可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，既Excatly Once语义。在0.11版本以前的kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况下，每个都需要单独做全局去重，这就对性能造成了很大的影响。
0.11版本的kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指producer不论向server发送多少次重复数据，server端都只会持久化一条。幂等性结合At Least Once语义，就构成了kafka的Exactly Once语义。既：
At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将producer的参数中的enable.idompotence 设置为 true 即可。kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的producer在初始化的时候会被分配一个PID，发往同一partition的消息会附带Sequence Number。而broker端会对<PID,Partition,SeqNumber>做缓存，当具有相同主键的消息提交时，broker只会持久化一条。
但是PID重启就会变化，同时不同的partition也具有不同的主键，所以幂等性无法保证跨分区跨会话的Excatly Once。
2.4 消费者
2.4.1 消费方式
consumer采用pull（拉）模式从broker中读取数据。
push（推）模式很难适用消费速率不同的消费者，因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成consumer来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而pull模式则可以根据consumer的消费能力以适当的速率消费消息。
**pull模式不足之处是，如果kafka没有数据，消费者可能会陷入循环中，一直返回空数据。**针对这一点，Kafka的消费者再消费数据时会传入一个时长参数timeout，如果当前没有数据可供消费，consumer会等待一段时间之后再返回，这段时长即为timeout。
2.4.2 分区分配策略
一个consumer group中有多个consumer，一个topic有多个partition，所以必然会涉及到partition的分配问题，既确定哪个partition由哪个consumer来消费。
Kafka由两种分配策略，一是RoundRobin(轮询)，一是Range(分组)
1） RoundRobin
按照分区数，一个分区一个分区分配给消费者组中的消费者。
这种分配策略的优点是，数据均衡，不会出现数据倾斜的情况（按分区数量来看）。
缺点？
2） Range
根据总的分区数7和消费者数3，7/3，分组之后，再进行分配。
kafka默认用的就是Range策略。它可以保证数据不会被重复读取。
缺点是当一个消费者组，订阅的topic很多时，可能会出现数据倾斜。
2.4.3 offset维护
由于consumer在消费过程中可能会出现断电宕机等故障，consumer恢复后，需要从故障前的位置继续消费，所以consumer需要实时记录自己消费到了哪个offset，以便故障恢复后继续消费。
Kafka 0.9 版本之前，consumer默认将offset保存在zookeeper中，从0.9版本之后，consumer默认将offset保存在Kafka一个内置topic中，该topic为**__consumer_offsets**。
要查看**_consumer_offset**s，需要修改配置文件。
1.修改配置文件
exclude.internal.topics=false
2.读取offset
0.11.0.0之前版本：
bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper hadoop102:2181 --formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning
0.11.0.0之后版本（含）：
bin/kafka-console-consumer.sh --topic __consumer_offsets --zookeeper hadoop102:2181 --formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning
2.4.4 消费者组案例
测试同一个消费者组中的消费者，同一时刻只能有一个消费者消费。
（1）在 hadoop102、hadoop103 上修改/opt/module/kafka/config/consumer.properties 配置文件中的 group.id 属性为任意组名。
vim consumer.properties
# 修改组名
group.id=atguigu
（2）在 hadoop102、hadoop103 上分别启动消费者
[atguigu@hadoop102 kafka]$ bin/kafka-console-consumer.sh --zookeeper hadoop102:2181 --topic first --consumer.config config/consumer.properties
[atguigu@hadoop103 kafka]$ bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --topic first --consumer.config config/consumer.properties
（3）在 hadoop104 上启动生产者
[atguigu@hadoop104 kafka]$ bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first
>hello world
（4）查看 hadoop102 和 hadoop103 的接收者。
同一时刻只有一个消费者接收到消息。
2.5 Kafka 高效读取数据
1）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。
2）零复制技术
正常读取/写入数据，需要从磁盘读取到操作系统层，再从操作系统层读取到应用层。
而kafka可以直接在操作系统层，读取/写入到磁盘，少了很多流程。
2.6 Zookeeper 在 Kafka 中的作用
Kafka集群中有一个broker会被选举为Controller，负责管理集群broker的上下线，所有topic的分区副本分配和leader选举等工作。
Controller的管理工作都是依赖于zookeeper的。
以下为partition的leader选举工作：
2.7 Kafka 事务
Kafka从0.11版本开始引入了事务支持。事务可以保证Kafka在Exactly Once语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。
2.7.1 Producer 事务
为了实现跨分区跨会话的事务，需要引进一个全局唯一的Transaction ID(事务id)，并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transaction ID 获取原来的PID。
为了管理Transaction，Kafka引入了一个新的组件Transaction Coordinator。Producer就是通过Transaction Coordinator交互获取Transaction ID对应的任务状态。Transaction Coordinator还负责将所有事务写入Kafka的一个内部topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。
2.7.2 Consumer 事务
上述事务机制主要是从 Producer 方面考虑，对于 Consumer 而言，事务的保证就会相对较弱，尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息，而且不同的 Segment File 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。
扫一扫
1399
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
