Kafka 架构深入解刨原理

Kafka 架构深入

公众号 : 倔强小狮子(最新发布)

Kafka 工作流程(详细)

1. 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。
2. topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件，该 log 文件中存储的就是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(偏移量)。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

文件存储机制

1. 图细化 Topic->partition->segment
2. 生产者不断追加到 .log文件末端(注意: .log文件不是日志文件,是数据文件),为了防止数据量过大, 定位数据效率低下,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”文件和“.log”文件。这些文件位于一个文件夹下，文件夹命名规则为:规则为：topic 名称+分区序号。

.index .log 文件讲解

注意 : index 和 log 文件以当前 segment 的第一条消息的 offset 命名

index 和 log 文件讲解(网上扒的图,自己做的修改)

1.“.index”文件存储大量的索引信息,“.log”文件存储大量的数据，索引文件中的元数据(可以描述数据的数据)指向对应数据文件中 message 的物理偏移地址(不要懵,偏移量是Kafka消息的索引,而物理偏移量是Kafka偏移量的系统地址值)。
2. 注意 : Kafka 按照 二分查找算法进行检索数据,二分查找算法百度百科

Kafka 生产者

分区策略

分区的原因

1. 方便在集群中扩展，一个 topic又可以有多个 Partition 组成
2. 可以提高并发，因为可以以 Partition 为单位读写了。

分区的原则

1. 我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象
2. 

指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
3. 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition数进行取余得到 partition 值
4. 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，也就是常说的 round-robin 算法

数据可靠性保证

1. 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 收到 ack，就会进行下一轮的发送，否则重新发送数据
2. 

副本数据同步策略

方案	优点	缺点
半数以上完成同步，就发送 ack	延迟低	选举新的 leader 时，容忍 n 台节点的故障，需要 2n+1个副本
全部完成同步，才发送ack	选举新的 leader 时，容忍 n 台节点的故障，需要 n+1 个副本	延迟高

1. Kafka 选择第二种方案
2. 采用第二种方案后,设想下一个场景: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 leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？
3. 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 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower长时间 未 向 leader 同 步 数 据 ， 则 该 ollower 将 被 踢 出 ISR ， 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

ack 应答机制

对于某些不重要的数据, 对数据的要求性不高的情况下,能够容忍数据的丢失性,不需要等待 ISR 所有follower全部接收.所以Kafka提供了三种可靠性级别,可以根据项目业务的需求权衡

acks 参数配置 :

1. 参数 0 : producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回 ack，当 broker 故障时有可能丢失数据；
2. 参数 1 : producer 等待 broker 的 ack，partition 的 leader 写盘成功后返回 ack，如果在 follower同步成功之前 leader 故障，那么将会丢失数据；

3. 参数 -1 或者（all）：producer 等待 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 发生故障，那么会造成数据重复。(这里所说的follower是ISR中的)
   

故障处理细节

Log文件中的 HW 和 LEO

1. LEO：每个副本的最后一个offset
2. HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。
3. follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 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 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重
   新加入 ISR 了。
4. 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。

Exactly Once 语义(重点)

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，即 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，即 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 Least 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，即 Exactly 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，每个都需要单独做全局去重，这就对性能造成了很大影响。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。
即：

At Least Once + 幂等性 = Exactly Once

要启用幂等性，只需要将 Producer 的参数中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 也具有不同主键，所以幂等性无法保证跨
分区跨会话的 Exactly Once。

作者：专业于写这些入门到深层知识，提升我们的基本功，期待你的关注，和我一起学习
转载说明：未获得授权，禁止转载