鎮樓小姐姐
36份一線互聯網Java面試電子書
84個Java稀缺面試題視頻
簡介
Apache Kafka是分佈式發佈-訂閱消息系統。它最初由LinkedIn公司開發，之後成為Apache項目的一部分。Kafka是一種快速、可擴展的、設計內在就是分佈式的，分區的和可複製的提交日誌服務。
Kafka架構
它的架構包括以下組件：
話題（Topic）：是特定類型的消息流。消息是字節的有效負載（Payload），話題是消息的分類名或種子（Feed）名。
生產者（Producer）：是能夠發佈消息到話題的任何對象。
服務代理（Broker）：已發佈的消息保存在一組服務器中，它們被稱為代理（Broker）或Kafka集群。
消費者（Consumer）：可以訂閱一個或多個話題，並從Broker拉數據，從而消費這些已發佈的消息。
Kafka存儲策略
1）kafka以topic來進行消息管理，每個topic包含多個partition，每個partition對應一個邏輯log，有多個segment組成。
2）每個segment中存儲多條消息（見下圖），消息id由其邏輯位置決定，即從消息id可直接定位到消息的存儲位置，避免id到位置的額外映射。
3）每個part在內存中對應一個index，記錄每個segment中的第一條消息偏移。
4）發佈者發到某個topic的消息會被均勻的分佈到多個partition上（或根據用戶指定的路由規則進行分佈），broker收到發佈消息往對應partition的最後一個segment上添加該消息，當某個segment上的消息條數達到配置值或消息發佈時間超過閾值時，segment上的消息會被flush到磁盤，只有flush到磁盤上的消息訂閱者才能訂閱到，segment達到一定的大小後將不會再往該segment寫數據，broker會創建新的segment。
Kafka數據保留策略
1）N天前的刪除。
2）保留最近的多少Size數據。
Kafka broker
與其它消息系統不同，Kafka broker是無狀態的。這意味著消費者必須維護已消費的狀態信息。這些信息由消費者自己維護，broker完全不管（有offset managerbroker管理）。
從代理刪除消息變得很棘手，因為代理並不知道消費者是否已經使用了該消息。Kafka創新性地解決了這個問題，它將一個簡單的基於時間的SLA應用於保留策略。當消息在代理中超過一定時間後，將會被自動刪除。
這種創新設計有很大的好處，消費者可以故意倒回到老的偏移量再次消費數據。這違反了隊列的常見約定，但被證明是許多消費者的基本特徵。
以下摘抄自kafka官方文檔：
Kafka Design
目標
1) 高吞吐量來支持高容量的事件流處理
2) 支持從離線系統加載數據
3) 低延遲的消息系統
持久化
1) 依賴文件系統，持久化到本地
2) 數據持久化到log
效率
1) 解決”small IO problem“：
使用”message set“組合消息。
server使用”chunks of messages“寫到log。
consumer一次獲取大的消息塊。
2）解決”byte copying“：
在producer、broker和consumer之間使用統一的binary message format。
使用系統的page cache。
使用sendfile傳輸log，避免拷貝。
端到端的批量壓縮（End-to-end Batch Compression）
Kafka支持GZIP和Snappy壓縮協議。
複製（Replication）
1）一個partition的複製個數（replication factor）包括這個partition的leader本身。
2）所有對partition的讀和寫都通過leader。
3）Followers通過pull獲取leader上log（message和offset）
4）如果一個follower掛掉、卡住或者同步太慢，leader會把這個follower從”in sync replicas“（ISR）列表中刪除。
5）當所有的”in sync replicas“的follower把一個消息寫入到自己的log中時，這個消息才被認為是”committed“的。
6）如果針對某個partition的所有複製節點都掛了，Kafka默認選擇最先復活的那個節點作為leader（這個節點不一定在ISR裡）。
Leader選舉
Kafka在Zookeeper中為每一個partition動態的維護了一個ISR，這個ISR裡的所有replica都跟上了leader，只有ISR裡的成員才能有被選為leader的可能（unclean.leader.election.enable=false）。
在這種模式下，對於f+1個副本，一個Kafka topic能在保證不丟失已經commit消息的前提下容忍f個副本的失敗，在大多數使用場景下，這種模式是十分有利的。事實上，為了容忍f個副本的失敗，“少數服從多數”的方式和ISR在commit前需要等待的副本的數量是一樣的，但是ISR需要的總的副本的個數幾乎是“少數服從多數”的方式的一半。
The Producer
發送確認
通過request.required.acks來設置，選擇是否等待消息commit（是否等待所有的”in sync replicas“都成功複製了數據）
Producer可以通過acks參數指定最少需要多少個Replica確認收到該消息才視為該消息發送成功。acks的默認值是1，即Leader收到該消息後立即告訴Producer收到該消息，此時如果在ISR中的消息複製完該消息前Leader宕機，那該條消息會丟失。
推薦的做法是，將acks設置為all或者-1，此時只有ISR中的所有Replica都收到該數據（也即該消息被Commit），Leader才會告訴Producer該消息發送成功，從而保證不會有未知的數據丟失。
負載均衡
1）producer可以自定義發送到哪個partition的路由規則。默認路由規則：hash(key)%numPartitions，如果key為null則隨機選擇一個partition。
2）自定義路由：如果key是一個user id，可以把同一個user的消息發送到同一個partition，這時consumer就可以從同一個partition讀取同一個user的消息。
異步批量發送
批量發送：配置不多於固定消息數目一起發送並且等待時間小於一個固定延遲的數據。
The Consumer
consumer控制消息的讀取。
Push vs Pull
1) producer push data to broker，consumer pull data from broker
2) consumer pull的優點：consumer自己控制消息的讀取速度和數量。
3) consumer pull的缺點：如果broker沒有數據，則可能要pull多次忙等待，Kafka可以配置consumer long pull一直等到有數據。
Consumer Position
1) 大部分消息系統由broker記錄哪些消息被消費了，但Kafka不是。
2) Kafka由consumer控制消息的消費，consumer甚至可以回到一個old offset的位置再次消費消息。
Consumer group
每一個consumer實例都屬於一個consumer group。
每一條消息只會被同一個consumer group裡的一個consumer實例消費。
不同consumer group可以同時消費同一條消息。
Consumer Rebalance
Kafka consumer high level API：
如果某consumer group中consumer數量少於partition數量，則至少有一個consumer會消費多個partition的數據。
如果consumer的數量與partition數量相同，則正好一個consumer消費一個partition的數據。
如果consumer的數量多於partition的數量時，會有部分consumer無法消費該topic下任何一條消息。
Message Delivery Semantics
三種：
At most once—Messages may be lost but are never redelivered.
At least once—Messages are never lost but may be redelivered.
Exactly once—this is what people actually want, each message is delivered once and only once.
Producer：有個”acks“配置可以控制接收的leader的在什麼情況下就回應producer消息寫入成功。
Consumer：
- 讀取消息，寫log，處理消息。如果處理消息失敗，log已經寫入，則無法再次處理失敗的消息，對應”At most once“。
- 讀取消息，處理消息，寫log。如果消息處理成功，寫log失敗，則消息會被處理兩次，對應”At least once“。
- 讀取消息，同時處理消息並把result和log同時寫入。這樣保證result和log同時更新或同時失敗，對應”Exactly once“。
Kafka默認保證at-least-once delivery，容許用戶實現at-most-once語義，exactly-once的實現取決於目的存儲系統，kafka提供了讀取offset，實現也沒有問題。
Distribution
Consumer Offset Tracking
1）High-level consumer記錄每個partition所消費的maximum offset，並定期commit到offset manager（broker）。
2）Simple consumer需要手動管理offset。現在的Simple consumer Java API只支持commit offset到zookeeper。
Consumers and Consumer Groups
1）consumer註冊到zookeeper
2）屬於同一個group的consumer（group id一樣）平均分配partition，每個partition只會被一個consumer消費。
3）當broker或同一個group的其他consumer的狀態發生變化的時候，consumer rebalance就會發生。
Zookeeper協調控制
1）管理broker與consumer的動態加入與離開。
2）觸發負載均衡，當broker或consumer加入或離開時會觸發負載均衡算法，使得一個consumer group內的多個consumer的訂閱負載平衡。
3）維護消費關係及每個partition的消費信息。
日誌壓縮（Log Compaction）
1）針對一個topic的partition，壓縮使得Kafka至少知道每個key對應的最後一個值。
2）壓縮不會重排序消息。
3）消息的offset是不會變的。
4）消息的offset是順序的。
5）壓縮發送和接收能降低網絡負載。
6）以壓縮後的形式持久化到磁盤。
生產者代碼示例：
Partitioning Code:
消費者代碼示例：
關於Consumer的一個細節說明：
topicCountMap.put(topic, new Integer(a_numThreads));
這裡，如果提供的thread數目（a_numThreads）大於這個topic的partition的數目，有些thread會永遠讀不到消息。
如果如果提供的thread數目（a_numThreads）小於這個topic的partition的數目，有些thread會從多個partition讀到消息。
如果一個線程從多個partition讀取消息，無法保證的消息的順序，只能保證從同一個partition讀取到的消息是順序的。
增加更多的進程/線程消費消息，會導致Kafka re-balance，可能會改變Partition和消費Thread的對應關係。
五年的Java工程師朋友們加入Java架構開發：744677563
本群提供免費的學習指導 架構資料 以及免費的解答
不懂得問題都可以在本群提出來 之後還會有職業生涯規劃以及面試指導
閱讀更多 李紅 的文章
