kafka中的offset

官方文档定义：kafka是一个分布式、可分区、多副本的日志系统。

kafka术语：

• massage： kafka中最基本的传递对象，有固定格式。
• topic： 一类消息，如page view，click行为等。
• producer： 产生信息的主体，可以是服务器日志信息等。
• consumer： 消费producer产生话题消息的主体。
• broker： 消息处理结点，多个broker组成kafka集群。
• partition： topic的物理分组，每个partition都是一个有序队列。
• segment： 多个大小相等的段组成了一个partition。
• offset： 一个连续的用于定位被追加到分区的每一个消息的序列号，最大值为64位的long大小，19位数字字符长度。

对于一个消息系统而言，追踪客户消费了什么，也即消息消费状态是每个消息系统必须提供的关键功能之一。
系统可以提供的几种可能消息传递保障有3种：

• At most once 消息至多会被发送一次，但如果产生网络延迟等原因消息就会有丢失。
• At least once 消息至少会被发送一次，上面既然有消息会丢失，那么给它加一个消息确认机制即可解决，但是消息确认阶段也还会出现同样问题，这样消息就有可能被发送两次。
• Exactly once 消息只会被发送一次，这是我们想要的效果。

那么kafka是怎么解决的呢？
kafka的解决方案：

• broker将数据流划分为一组互相独立的分区。这些分区的语义由producer定义，由producer指定每条消息属于哪个分区。一个分区内的消息以到达broker的时间为准排序，将来按此顺序将消息发送给consumer。这样一来，就用不着为每一条消息保存一条元数据（比如标记该消息已使用）了，我们只需要为producer、topic、partition的每种组合记录一个“最高水位标记”（high water mark）即可。我们把这个最高水位标记称作偏移量offset。

topic、partition、segment、offset的关系：

• partition、segment、offset都是为topic服务的，每个topic可以分为多个partition，一个partition相当于一个大目录，每个partition下面有多个大小相等的segment文件，这个segment是由message组成的，而每一个的segment不一定由大小相等的message组成。segment大小及生命周期在server.properties文件中配置。offset用于定位位于段里的唯一消息。

接下来弄清楚segment具体细节之后再说offset：

• segment由index和data文件组成，两个文件成对出现，分别存储索引和数据。
• segment文件命名规则：对于所有的partition来说，segment名称从0开始，之后的每一个segment名称为上一个segment文件最后一条消息的offset值。

那么对于分区中的一个offset例如等于345552怎么去查找相应的message呢？

• 先找到该message所在的segment文件，通过二分查找的方式寻找小于等于345552的offset，假如叫S的segment符合要求，如果S等于345552则S上一个segment的最后一个message即为所求；如果S小于345552则依次遍历当前segment即可找到。

实际上offset的存储采用了稀疏索引，这样对于稠密索引来说节省了存储空间，但代价是查找费点时间。
稀疏索引与稠密索引