技术10期：什么是Kafka？【全解析】
Kafka是最初由Linkedin公司开发，是一个分布式、支持分区的、多副本的，基于zookeeper协调的分布式消息系统。
它最大的特性就是可以实时处理大量数据以满足各种需求场景：比如基于hadoop的批处理系统、低延迟的实时系统、storm/Spark流式处理引擎，web/nginx日志、访问日志、消息服务等等。
Linkedin于2010年贡献给了Apache基金会并成为顶级开源项目。
01 kafka的定义和特征
Kafka是一个分布式的基于发布/订阅模式的消息队列，主要用来解决应用解耦、异步消息、流量削峰等问题。
3个特点：
-
类似消息系统，提供事件流的发布和订阅，即具备数据注入功能
-
存储事件流数据的节点具有故障容错的特点，即具备数据存储功能
-
能够对实时的事件流进行流式地处理和分析，即具备流处理功能
02 Kafka的架构
-
Producer：消息生产者，就是向 kafka broker 发消息的客户端
-
Consumer：消息消费者，就是向 kafka broker 取消息的客户端
-
Broker ：一台 kafka 服务器就是一个 broker。一个集群由多个 broke 组成。一个 broker 可以容纳多个 topic
-
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
-
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（即服务 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，该节点上的 partition 数据 不丢失，且 kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本， 一个 leader 和若干个 follower
-
leader：每个分区多个副本的“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”，实时从 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 follower
03 生产者
(1) 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 收到 ack，就会进行下一轮的发送，否则重新发送数据。
(2) Ack应答机制
-
Ack=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，当 broker 故障时有可能丢失数据
-
Ack=1：producer 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
-
Ack=-1：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
(3) 故障处理
-
follower 故障
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。
-
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。
04 消费者
(1) 消费方式
consumer 采用 pull（拉） 模式从 broker 中读取数据。push（推）模式很难适应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的消费者在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) Offset的维护
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的继续消费，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 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic为__consumer_offsets。
总结：
Kafka是一个分布式、支持分区的、多副本的，基于zookeeper协调的分布式消息系统，是当前大数据解决方案的标配，广泛用于大数据框架间的数据发布和订阅，所以深入理解Kafka内部机制就非常必要。
- 完 -
想了解更多关于人工智能的资讯
欢迎关注普适极客