大白话带你认识 Kafka

原文：juejin.im/post/5dcf6b6e51882510a23314f3

前言

应大部分的小伙伴的要求，在Yarn以前先来一个kafka的小插曲，轻松愉快。

1、Kafka基础

消息系统的做用

应该大部份小伙伴都清楚，用机油装箱举个例子

因此消息系统就是如上图咱们所说的仓库，能在中间过程做为缓存，而且实现解耦合的做用。

引入一个场景，咱们知道中国移动，中国联通，中国电信的日志处理，是交给外包去作大数据分析的，假设如今它们的日志都交给了你作的系统去作用户画像分析。

按照刚刚前面提到的消息系统的做用，咱们知道了消息系统其实就是一个模拟缓存，且仅仅是起到了缓存的做用而并非真正的缓存，数据仍然是存储在磁盘上面而不是内存。

1.Topic 主题

kafka学习了数据库里面的设计，在里面设计了topic（主题），这个东西相似于关系型数据库的表

此时我须要获取中国移动的数据，那就直接监听TopicA便可

2.Partition 分区

kafka还有一个概念叫Partition（分区），分区具体在服务器上面表现起初就是一个目录，一个主题下面有多个分区，这些分区会存储到不一样的服务器上面，或者说，其实就是在不一样的主机上建了不一样的目录。这些分区主要的信息就存在了.log文件里面。跟数据库里面的分区差很少，是为了提升性能。

至于为何提升了性能，很简单，多个分区多个线程，多个线程并行处理确定会比单线程好得多

Topic和partition像是HBASE里的table和region的概念，table只是一个逻辑上的概念，真正存储数据的是region，这些region会分布式地存储在各个服务器上面，对应于kafka，也是同样，Topic也是逻辑概念，而partition就是分布式存储单元。这个设计是保证了海量数据处理的基础。咱们能够对比一下，若是HDFS没有block的设计，一个100T的文件也只能单独放在一个服务器上面，那就直接占满整个服务器了，引入block后，大文件能够分散存储在不一样的服务器上。

注意：

1. 分区会有单点故障问题，因此咱们会为每一个分区设置副本数
2. 分区的编号是从0开始的

3.Producer - 生产者

往消息系统里面发送数据的就是生产者

4.Consumer - 消费者

从kafka里读取数据的就是消费者

5.Message - 消息

kafka里面的咱们处理的数据叫作消息

2、kafka的集群架构

建立一个TopicA的主题，3个分区分别存储在不一样的服务器，也就是broker下面。Topic是一个逻辑上的概念，并不能直接在图中把Topic的相关单元画出

须要注意：kafka在0.8版本之前是没有副本机制的，因此在面对服务器宕机的突发状况时会丢失数据，因此尽可能避免使用这个版本以前的kafka

Replica - 副本

kafka中的partition为了保证数据安全，因此每一个partition能够设置多个副本。

此时咱们对分区0,1,2分别设置3个副本（其实设置两个副本是比较合适的）

并且其实每一个副本都是有角色之分的，它们会选取一个副本做为leader，而其他的做为follower，咱们的生产者在发送数据的时候，是直接发送到leader partition里面，而后follower partition会去leader那里自行同步数据，消费者消费数据的时候，也是从leader那去消费数据的。

Consumer Group - 消费者组

咱们在消费数据时会在代码里面指定一个group.id,这个id表明的是消费组的名字，并且这个group.id就算不设置，系统也会默认设置

conf.setProperty("group.id","tellYourDream")

咱们所熟知的一些消息系统通常来讲会这样设计，就是只要有一个消费者去消费了消息系统里面的数据，那么其他全部的消费者都不能再去消费这个数据。但是kafka并非这样,好比如今consumerA去消费了一个topicA里面的数据。

consumerA:    
  group.id = a
consumerB:    
   group.id = a    
   
consumerC:    
   group.id = b
consumerD:    
   group.id = b

再让consumerB也去消费TopicA的数据，它是消费不到了，可是咱们在consumerC中从新指定一个另外的group.id，consumerC是能够消费到topicA的数据的。而consumerD也是消费不到的，因此在kafka中，不一样组可有惟一的一个消费者去消费同一主题的数据。

因此消费者组就是让多个消费者并行消费信息而存在的，并且它们不会消费到同一个消息，以下，consumerA，B，C是不会互相干扰的

consumer group:a    
    consumerA    
    consumerB    
    consumerC

如图，由于前面提到过了消费者会直接和leader创建联系，因此它们分别消费了三个leader，因此一个分区不会让消费者组里面的多个消费者去消费，可是在消费者不饱和的状况下，一个消费者是能够去消费多个分区的数据的。

Controller

熟知一个规律：在大数据分布式文件系统里面，95%的都是主从式的架构，个别是对等式的架构，好比ElasticSearch。

kafka也是主从式的架构，主节点就叫controller，其他的为从节点，controller是须要和zookeeper进行配合管理整个kafka集群。

kafka和zookeeper如何配合工做

kafka严重依赖于zookeeper集群（因此以前的zookeeper文章仍是有点用的）。全部的broker在启动的时候都会往zookeeper进行注册，目的就是选举出一个controller，这个选举过程很是简单粗暴，就是一个谁先谁当的过程，不涉及什么算法问题。

那成为controller以后要作啥呢，它会监听zookeeper里面的多个目录，例若有一个目录/brokers/，其余从节点往这个目录上**注册（就是往这个目录上建立属于本身的子目录而已）**本身，这时命名规则通常是它们的id编号，好比/brokers/0,1,2

注册时各个节点一定会暴露本身的主机名，端口号等等的信息，此时controller就要去读取注册上来的从节点的数据（经过监听机制），生成集群的元数据信息，以后把这些信息都分发给其余的服务器，让其余服务器能感知到集群中其它成员的存在。

此时模拟一个场景，咱们建立一个主题（其实就是在zookeeper上/topics/topicA这样建立一个目录而已），kafka会把分区方案生成在这个目录中，此时controller就监听到了这一改变，它会去同步这个目录的元信息，而后一样下放给它的从节点，经过这个方法让整个集群都得知这个分区方案，此时从节点就各自建立好目录等待建立分区副本便可。这也是整个集群的管理机制。

加餐时间

1.Kafka性能好在什么地方？

① 顺序写

操做系统每次从磁盘读写数据的时候，须要先寻址，也就是先要找到数据在磁盘上的物理位置，而后再进行数据读写，若是是机械硬盘，寻址就须要较长的时间。

kafka的设计中，数据实际上是存储在磁盘上面，通常来讲，会把数据存储在内存上面性能才会好。可是kafka用的是顺序写，追加数据是追加到末尾，磁盘顺序写的性能极高，在磁盘个数必定，转数达到必定的状况下，基本和内存速度一致

随机写的话是在文件的某个位置修改数据，性能会较低。

② 零拷贝

先来看看非零拷贝的状况

能够看到数据的拷贝从内存拷贝到kafka服务进程那块，又拷贝到socket缓存那块，整个过程耗费的时间比较高，kafka利用了Linux的sendFile技术（NIO），省去了进程切换和一次数据拷贝，让性能变得更好。

2.日志分段存储

Kafka规定了一个分区内的.log文件最大为1G，作这个限制目的是为了方便把.log加载到内存去操做

00000000000000000000.index
00000000000000000000.log
00000000000000000000.timeindex

00000000000005367851.index
00000000000005367851.log
00000000000005367851.timeindex

00000000000009936472.index
00000000000009936472.log
00000000000009936472.timeindex

这个9936472之类的数字，就是表明了这个日志段文件里包含的起始offset，也就说明这个分区里至少都写入了接近1000万条数据了。Kafka broker有一个参数，log.segment.bytes，限定了每一个日志段文件的大小，最大就是1GB，一个日志段文件满了，就自动开一个新的日志段文件来写入，避免单个文件过大，影响文件的读写性能，这个过程叫作log rolling，正在被写入的那个日志段文件，叫作active log segment。

若是你们有看前面的两篇有关于HDFS的文章时，就会发现NameNode的edits log也会作出限制，因此这些框架都是会考虑到这些问题。

3.Kafka的网络设计

kafka的网络设计和Kafka的调优有关，这也是为何它能支持高并发的缘由

首先客户端发送请求所有会先发送给一个Acceptor，broker里面会存在3个线程（默认是3个），这3个线程都是叫作processor，Acceptor不会对客户端的请求作任何的处理，直接封装成一个个socketChannel发送给这些processor造成一个队列，发送的方式是轮询，就是先给第一个processor发送，而后再给第二个，第三个，而后又回到第一个。消费者线程去消费这些socketChannel时，会获取一个个request请求，这些request请求中就会伴随着数据。

线程池里面默认有8个线程，这些线程是用来处理request的，解析请求，若是request是写请求，就写到磁盘里。读的话返回结果。

processor会从response中读取响应数据，而后再返回给客户端。这就是Kafka的网络三层架构。

因此若是咱们须要对kafka进行加强调优，增长processor并增长线程池里面的处理线程，就能够达到效果。request和response那一块部分其实就是起到了一个缓存的效果，是考虑到processor们生成请求太快，线程数不够不能及时处理的问题。

因此这就是一个增强版的reactor网络线程模型。

finally

集群的搭建会再找时间去说起。这一篇简单地从角色到一些设计的方面讲述了Kafka的一些基础，在以后的更新中会继续逐步推动，进行更加深刻浅出的讲解。

若有错误或其它问题，欢迎小伙伴留言评论、指正。若有帮助，欢迎点赞+转发分享。

欢迎你们关注民工哥的公众号：民工哥技术之路