分布式消息中间件（2）：Kafka系统学习—集群搭建与使用、副本机制和实时日志统计流程

时间 2021-04-26

标签 html java web 面试 spring apache 编程 bootstrap 浏览器缓存栏目系统架构繁體版

原文原文链接

前言

这个系列主要是讲解关于分布式消息中间件的一些心得html

关于分布式系统、中间件是什么、消息中间件能作什么、分布式消息中间件长什么样诸如此类基础概念在上一篇文章——
分布式消息中间件（1）：Rabbitmq入门到高可用实战！都已经讲过，这里就不赘述了，感兴趣的朋友能够本身去看一下。java

这是本系列的第二篇，准备写kafka，web

Kakfa 普遍应用于国内外大厂，例如 BAT、字节跳动、美团、Netflix、Airbnb、Twitter 等等。其重要性不言而喻。面试

kafka与其余三个主流中间件相比，优点有两个：spring

性能高，每秒百万级别；
分布式，高可用，水平扩展。

今天咱们经过这篇文章深刻了解一下 Kafka的工做原理。因为篇幅所限，确定不会彻底写到，只能挑比较重要的几个点来跟你们分析一下，面试题的话也不会在这篇文章里解析了，单独整理了一份kafka学习笔记PDF以及定经典高频面试题解析，须要的朋友能够自行领取apache

好了，话很少说，坐稳扶好，发车喽！编程

1、Kafka集群搭建与使用

kafka官网图
bootstrap

有中文官网，能够详细看看。浏览器

地址：http://kafka.apachecn.org/intro.html缓存

一、软件下载

1.1 kakfa下载

地址：http://kafka.apache.org/downloads

1.2 zookeeper下载

（1）由于kafka要依赖于zookeeper作调度，kafka中实际自带的有kafka，可是通常建议使用独立的zookeeper，方便后续升级及公用。

（2）下载地址：

http://zookeeper.apache.org/

1.3 下载说明

文件都不大，zk是9m多，kafka是50多兆

二、 kafka单机部署及集群部署

说明：北游在本地弄了三台虚拟机，ip分别为：

192.168.85.158
192.168.85.168
192.168.85.178

2.1 单机部署

（1）上传jar包，就再也不新建用户了，直接在root帐户下执行，将kafka和zookeeper的tar包上传到/root/tools目录下。

（2）解压

[root@ruanjianlaowang158 tools]# tar -zxvf kafka_2.12-2.4.1.tgz 
[root@ruanjianlaowang158 tools]# tar -zxvf apache-zookeeper-3.5.7-bin.tar.gz

（3）配置zookeeper及启动

[root@ruanjianlaowang158 apache-zookeeper-3.5.7-bin]# cd /root/tools/apache-zookeeper-3.5.7-bin
#北游，首先建立个空文件夹，在接下来的配置文件中配置
[root@ruanjianlaowang158 apache-zookeeper-3.5.7-bin]# mkdir data
[root@ruanjianlaowang158 conf]# cd /root/tools/apache-zookeeper-3.5.7-bin/conf
[root@ruanjianlaowang158 conf]# cp zoo_sample.cfg  zoo.cfg 
[root@ruanjianlaowang158 conf]# vi  zoo.cfg 
#单机只改一个值，保存退出。
#dataDir=/tmp/zookeeper
dataDir=/root/tools/apache-zookeeper-3.5.7-bin/data

#启动zookeeper
[root@ruanjianlaowang158 bin]# cd /root/tools/apache-zookeeper-3.5.7-bin/bin
[root@ruanjianlaowang158 bin]# ./zkServer.sh  start

（4）配置kafka及启动

[root@ruanjianlaowang158 kafka_2.12-2.4.1]# cd /root/tools/kafka_2.12-2.4.1

#北游，新建个空文件夹
[root@ruanjianlaowang158 kafka_2.12-2.4.1]# mkdir data

#北游，更改配置文件
[root@ruanjianlaowang158 config]# cd /root/tools/kafka_2.12-2.4.1/config
[root@ruanjianlaowang158 config]# vi server.properties 

#须要改3个值
#log.dirs=/tmp/kafka-logs
log.dirs=/root/tools/kafka_2.12-2.4.1/data
#listeners = PLAINTEXT://your.host.name:9092
listeners=PLAINTEXT://192.168.85.158:9092
#zookeeper.connect=localhost:2181
zookeeper.connect=192.168.85.158:2181

#启动kafka
[root@ruanjianlaowang158 bin]# cd /root/tools/kafka_2.12-2.4.1/bin
[root@ruanjianlaowang158 bin]# ./zookeeper-server-start.sh ../config/server.properties &

启动完毕，单机验证就不验证了，直接在集群中进行验证。

2.2 集群部署

（1）集群方式，首先把上面的单机模式，再在192.168.85.168和192.168.85.178服务器上先解压配置一遍。

（2）zookeeper是仍是更改zoo.cfg

158,168,178三台服务器同样：

[root@ruanjianlaowang158 conf]# cd /root/tools/apache-zookeeper-3.5.7-bin/conf

[root@ruanjianlaowang158 conf]# vi zoo.cfg
#其余不变，最后面新加，三行，三台服务器配置同样，北游
server.1=192.168.85.158:2888:3888
server.2=192.168.85.168:2888:3888
server.3=192.168.85.178:2888:3888

158服务器执行：
echo "1" > /root/tools/apache-zookeeper-3.5.7-bin/data/myid
168服务器执行：
echo "2" > /root/tools/apache-zookeeper-3.5.7-bin/data/myid
178服务器执行：
echo "3" > /root/tools/apache-zookeeper-3.5.7-bin/data/myid

（3）kafka集群配置

[root@ruanjianlaowang158 config]# cd /root/tools/kafka_2.12-2.4.1/config
[root@ruanjianlaowang158 config]# vi server.properties 
#broker.id 三台服务器不同，158服务器设置为1,168服务器设置为2,178服务器设置为3 

broker.id=1
#三个服务器配置同样
zookeeper.connect=192.168.85.158:2181,192.168.85.168:2181,192.168.85.178:2181

Kafka经常使用Broker配置说明：

配置项	默认值/示例值	说明
broker.id	0	Broker惟一标识
listeners	PLAINTEXT://192.168.85.158:9092	监听信息，PLAINTEXT表示明文传输
log.dirs	/root/tools/apache-zookeeper-3.5.7-bin/data	kafka数据存放地址，能够填写多个。用","间隔
message.max.bytes	message.max.bytes	单个消息长度限制，单位是字节
num.partitions	1	默认分区数
log.flush.interval.messages	Long.MaxValue	在数据被写入到硬盘和消费者可用前最大累积的消息的数量
log.flush.interval.ms	Long.MaxValue	在数据被写入到硬盘前的最大时间
log.flush.scheduler.interval.ms	Long.MaxValue	检查数据是否要写入到硬盘的时间间隔。
log.retention.hours	24	控制一个log保留时间，单位：小时
zookeeper.connect	192.168.85.158:2181,

192.168.85.168:2181,
192.168.85.178:2181 | ZooKeeper服务器地址，多台用","间隔 |

（4）集群启动

启动方式跟单机同样：

#启动zookeeper
[root@ruanjianlaowang158 bin]# cd /root/tools/apache-zookeeper-3.5.7-bin/bin
[root@ruanjianlaowang158 bin]# ./zkServer.sh  start

#启动kafka
[root@ruanjianlaowang158 bin]# cd /root/tools/kafka_2.12-2.4.1/bin
[root@ruanjianlaowang158 bin]# ./zookeeper-server-start.sh ../config/server.properties &

（5）注意点

集群启动的时候，单机那台服务器（158）可能会报：Kafka：Configured broker.id 2 doesn't match stored broker.id 0 in meta.properties.
方案：在158服务器data中有个文件：meta.properties，文件中的broker.id也须要修改为与server.properties中的broker.id同样，因此形成了这个问题。

（6）建立个topic，后面springboot项目测试使用。

[root@ruanjianlaowang158 bin]# cd /root/tools/kafka_2.12-2.4.1/bin
[root@ruanjianlaowang158 bin]# ./kafka-topics.sh --create --zookeeper 192.168.85.158:2181,192.168.85.168:2181,192.168.85.178:2181 --replication-factor 3 --partitions 5 --topic aaaa

三、结合springboot项目

3.1 pom文件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>2.2.0.RELEASE</version>
        <relativePath/> <!-- lookup parent from repository -->
    </parent>
    <groupId>com.itany</groupId>
    <artifactId>kafka</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>kafka</name>
    <description>Demo project for Spring Boot</description>

    <properties>
        <java.version>1.8</java.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.kafka</groupId>
            <artifactId>spring-kafka</artifactId>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
            </plugin>
        </plugins>
    </build>

</project>

说明：

主要就两个gav，一个是spring-boot-starter-web，启动web服务使用；一个是spring-kafka,这个是springboot集成额kafka核心包。

3.2 application.yml

spring:
  kafka:
    # 北游，kafka集群服务器地址
    bootstrap-servers: 192.168.85.158:9092,192.168.85.168:9092,192.168.85.178:9092
    producer:
      key-serializer: org.apache.kafka.common.serialization.StringSerializer
      value-serializer: org.apache.kafka.common.serialization.StringSerializer
    consumer:
      group-id: test
      key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
      value-deserializer: org.apache.kafka.common.serialization.StringDeserializer

3.3 producer（消息生产者）

@RestController
public class KafkaProducer {
    @Autowired
    private KafkaTemplate template;
        //北游，topic使用上测试建立的aaaa
    @RequestMapping("/sendMsg")
    public String sendMsg(String topic, String message){
        template.send(topic,message);
        return "success";
    }
}

3.4 consumer（消费者）

@Component
public class KafkaConsumer {
   //北游，这里是监控aaaa这个topic，直接打印到idea中，北游
    @KafkaListener(topics = {"aaaa"})
    public void listen(ConsumerRecord record){
        System.out.println(record.topic()+":"+record.value());
    }
}

3.5 验证结果

（1）浏览器上输入

http://localhost:8080/sendMsg?topic=aaaa&message=bbbb

（2）北游的idea控制台打印信息

完整版kafka学习笔记领取

2、Kafka副本机制

一、什么是副本机制：

一般是指分布式系统在多台网络互联的机器上保存有相同的数据拷贝

二、副本机制的好处：

2.1 提供数据冗余

系统部分组件失效，系统依然可以继续运转，于是增长了总体可用性以及数据持久性

2.2 提供高伸缩性

支持横向扩展，可以经过增长机器的方式来提高读性能，进而提升读操做吞吐量

2.3 改善数据局部性

容许将数据放入与用户地理位置相近的地方，从而下降系统延时。

三、kafka的副本

（1）、本质就是一个只能追加写消息的日志文件

（2）、同一个分区下的全部副本保存有相同的消息序列

（3）、副本分散保存在不一样的 Broker 上，从而可以对抗部分 Broker 宕机带来的数据不可用（Kafka 是有若干主题概，每一个主题可进一步划分红若干个分区。每一个分区配置有若干个副本）

以下：有 3 台 Broker 的 Kafka 集群上的副本分布状况

四、kafka如何保证同一个分区下的全部副本保存有相同的消息序列：

基于领导者（Leader-based）的副本机制

工做原理如图：

（1）、Kafka 中分红两类副本：领导者副本（Leader Replica）和追随者副本（Follower Replica）。每一个分区在建立时都要选举一个副本，称为领导者副本，其他的副本自动称为追随者副本。

（2）、Kafka 中，追随者副本是不对外提供服务的。追随者副本不处理客户端请求，它惟一的任务就是从领导者副本，全部的读写请求都必须发往领导者副本所在的 Broker，由该 Broker 负责处理。（所以目前kafka只能享受到副本机制带来的第 1 个好处，也就是提供数据冗余实现高可用性和高持久性）

（3）、领导者副本所在的 Broker 宕机时，Kafka 依托于 ZooKeeper 提供的监控功能可以实时感知到，并当即开启新一轮的领导者选举，从追随者副本中选一个做为新的领导者。老 Leader 副本重启回来后，只能做为追随者副本加入到集群中。

五、kafka追随者副本到底在什么条件下才算与 Leader 同步

Kafka 引入了 In-sync Replicas，也就是所谓的 ISR 副本集合。ISR 中的副本都是与 Leader 同步的副本，相反，不在 ISR 中的追随者副本就被认为是与 Leader 不一样步的

六、kafka In-sync Replicas（ISR）

（1）、ISR不仅是追随者副本集合，它必然包括 Leader 副本。甚至在某些状况下，ISR 只有 Leader 这一个副本

（2）、经过Broker 端replica.lag.time.max.ms 参数（Follower 副本可以落后 Leader 副本的最长时间间隔）值来控制哪一个追随者副本与 Leader 同步？只要一个 Follower 副本落后 Leader 副本的时间不连续超过 10 秒，那么 Kafka 就认为该 Follower 副本与 Leader 是同步的，即便此时 Follower 副本中保存的消息明显少于 Leader 副本中的消息。

（3）、ISR 是一个动态调整的集合，而非静态不变的。

某个追随者副本从领导者副本中拉取数据的过程持续慢于 Leader 副本的消息写入速度，那么在 replica.lag.time.max.ms 时间后，此 Follower 副本就会被认为是与 Leader 副本不一样步的，所以不能再放入 ISR 中。此时，Kafka 会自动收缩 ISR 集合，将该副本“踢出”ISR。

假若该副本后面慢慢地追上了 Leader 的进度，那么它是可以从新被加回 ISR 的。

（4）、ISR集合为空则leader副本也挂了，这个分区就不可用了，producer也没法向这个分区发送任何消息了。（反之leader副本挂了能够从ISR集合中选举leader副本）

七、kafka leader副本所在broker挂了，leader副本如何选举

（1）、ISR不为空，从ISR中选举

（2）、ISR为空，Kafka也能够从不在 ISR 中的存活副本中选举，这个过程称为Unclean 领导者选举，经过Broker 端参数unclean.leader.election.enable控制是否容许 Unclean 领导者选举。

开启 Unclean 领导者选举可能会形成数据丢失，但好处是，它使得分区 Leader 副本一直存在，不至于中止对外提供服务，所以提高了高可用性。反之，禁止 Unclean 领导者选举的好处在于维护了数据的一致性，避免了消息丢失，但牺牲了高可用性。

一个分布式系统一般只能同时知足一致性（Consistency）、可用性（Availability）、分区容错性（Partition tolerance）中的两个。显然，在这个问题上，Kafka 赋予你选择 C 或 A 的权利。

强烈建议不要开启unclean leader election，毕竟咱们还能够经过其余的方式来提高高可用性。若是为了这点儿高可用性的改善，牺牲了数据一致性，那就很是不值当了。

ps1：leader副本的选举也能够理解为分区leader的选举

ps2：broker的leader选举与分区leader的选举不一样，

Kafka的Leader选举是经过在zookeeper上建立/controller临时节点来实现leader选举，并在该节点中写入当前broker的信息

{“version”:1,”brokerid”:1,”timestamp”:”1512018424988”}

利用Zookeeper的强一致性特性，一个节点只能被一个客户端建立成功，建立成功的broker即为leader，即先到先得原则，leader也就是集群中的controller，负责集群中全部大小事务。

当leader和zookeeper失去链接时，临时节点会删除，而其余broker会监听该节点的变化，当节点删除时，其余broker会收到事件通知，从新发起leader选举

再给大家留个小问题：若是容许 Follower 副本对外提供读服务，你以为应该如何避免或缓解因 Follower 副本与 Leader 副本不一样步而致使的数据不一致的情形？

3、实时日志统计流程

一、项目流程

　　在整合这套方案的时候，项目组也是通过一番讨论，在讨论中，观点不少，有人认为直接使用Storm进行实时处理，去掉Kafka环节；也有认为直接使用Kafka的API去消费，去掉Storm的消费环节等等，可是最终组内仍是一致决定使用这套方案，缘由有以下几点：

业务模块化
功能组件化

　　咱们认为，Kafka在整个环节中充当的职责应该单一，这项目的整个环节她就是一个中间件，下面用一个图来讲明这个缘由，以下图所示：

　　整个项目流程如上图所示，这样划分使得各个业务模块化，功能更加的清晰明了。

Data Collection

　　负责从各个节点上实时收集用户上报的日志数据，咱们选用的是Apache的Flume NG来实现。

Data Access

　　因为收集的数据的速度和数据处理的速度不必定是一致的，所以，这里添加了一个中间件来作处理，所使用的是Apache的Kafka，关于Kafka集群部署。另外，有一部分数据是流向HDFS分布式文件系统了的，方便于为离线统计业务提供数据源。

Stream Computing

　　在收集到数据后，咱们须要对这些数据作实时处理，所选用的是Apache的Storm。关于Storm的集群搭建部署博客后面补上，较为简单。

Data Output

　　在使用Storm对数据作处理后，咱们须要将处理后的结果作持久化，因为对响应速度要求较高，这里采用Redis＋MySQL来作持久化。整个项目的流程架构图，以下图所示：

二、Flume

　　Flume是一个分布式的、高可用的海量日志收集、聚合和传输日志收集系统，支持在日志系统中定制各种数据发送方（如：Kafka，HDFS等），便于收集数据。Flume提供了丰富的日志源收集类型，有：Console、RPC、Text、Tail、Syslog、Exec等数据源的收集，在咱们的日志系统中目前咱们所使用的是spooldir方式进行日志文件采集，配置内容信息以下所示：

producer.sources.s.type = spooldir
producer.sources.s.spoolDir = /home/hadoop/dir/logdfs

　　固然，Flume的数据发送方类型也是多种类型的，有：Console、Text、HDFS、RPC等，这里咱们系统所使用的是Kafka中间件来接收，配置内容以下所示：

producer.sinks.r.type = org.apache.flume.plugins.KafkaSink
producer.sinks.r.metadata.broker.list=dn1:9092,dn2:9092,dn3:9092
producer.sinks.r.partition.key=0
producer.sinks.r.partitioner.class=org.apache.flume.plugins.SinglePartition
producer.sinks.r.serializer.class=kafka.serializer.StringEncoder
producer.sinks.r.request.required.acks=0
producer.sinks.r.max.message.size=1000000
producer.sinks.r.producer.type=sync
producer.sinks.r.custom.encoding=UTF-8
producer.sinks.r.custom.topic.name=test

三、Kafka

　　Kafka是一种提供高吞吐量的分布式发布订阅消息系统，她的特性以下所示：

经过磁盘数据结构提供消息的持久化，这种结构对于即便数据达到TB+级别的消息，存储也可以保持长时间的稳定。
搞吞吐特性使得Kafka即便使用普通的机器硬件，也能够支持每秒数10W的消息。
可以经过Kafka Cluster和Consumer Cluster来Partition消息。

　　Kafka的目的是提供一个发布订阅解决方案，他能够处理Consumer网站中的全部流动数据，在网页浏览，搜索以及用户的一些行为，这些动做是较为关键的因素。这些数据一般是因为吞吐量的要求而经过处理日志和日志聚合来解决。对于Hadoop这样的日志数据和离线计算系统，这样的方案是一个解决实时处理较好的一种方案。

　　关于Kafka集群的搭建部署和使用，上面已经写了，不会的朋友翻上去再看一下，这里就不赘述了。

四、Storm

　　Twitter将Storm开源了，这是一个分布式的、容错的实时计算系统，已被贡献到Apache基金会，下载地址以下所示：

http://storm.apache.org/downloads.html

　　Storm的主要特色以下：

简单的编程模型。相似于MapReduce下降了并行批处理复杂性，Storm下降了进行实时处理的复杂性。
可使用各类编程语言。你能够在Storm之上使用各类编程语言。默认支持Clojure、Java、Ruby和Python。要增长对其余语言的支持，只需实现一个简单的Storm通讯协议便可。
容错性。Storm会管理工做进程和节点的故障。
水平扩展。计算是在多个线程、进程和服务器之间并行进行的。
可靠的消息处理。Storm保证每一个消息至少能获得一次完整处理。任务失败时，它会负责从消息源重试消息。
快速。系统的设计保证了消息能获得快速的处理，使用ØMQ做为其底层消息队列。
本地模式。Storm有一个本地模式，能够在处理过程当中彻底模拟Storm集群。这让你能够快速进行开发和单元测试。

Storm集群由一个主节点和多个工做节点组成。主节点运行了一个名为“Nimbus”的守护进程，用于分配代码、布置任务及故障检测。每一个工做节点都运行了一个名为“Supervisor”的守护进程，用于监听工做，开始并终止工做进程。

Nimbus和Supervisor都能快速失败，并且是无状态的，这样一来它们就变得十分健壮，二者的协调工做是由Apache的ZooKeeper来完成的。

Storm的术语包括Stream、Spout、Bolt、Task、Worker、Stream Grouping和Topology。

Stream是被处理的数据。
Spout是数据源。
Bolt处理数据。
Task是运行于Spout或Bolt中的线程。
Worker是运行这些线程的进程。
Stream Grouping规定了Bolt接收什么东西做为输入数据。数据能够随机分配（术语为Shuffle），或者根据字段值分配（术语为Fields），或者广播（术语为All），或者老是发给一个Task（术语为Global），也能够不关心该数据（术语为None），或者由自定义逻辑来决定（术语为 Direct）。
Topology是由Stream Grouping链接起来的Spout和Bolt节点网络。在Storm Concepts页面里对这些术语有更详细的描述。

　　关于Storm集群的搭建部署，博客在下一篇中更新，到时候会将更新地址附在这里，这里就先不对Storm集群的搭建部署作过多的赘述了。

五、总结

Kafka 日志消息保存时间总结
Kafka 做为一个高吞吐的消息中间件和传统的消息中间件一个很大的不一样点就在于它的日志其实是以日志的方式默认保存在/kafka-logs文件夹中的。虽然默认有7天清楚的机制，可是在数据量大，而磁盘容量不足的状况下，常常出现没法写入的状况。如何调整Kafka的一些默认参数就显得比较关键了。这里笔者整理了一些常见的配置参数供你们参考：

分段策略属性属性名	含义	默认值
log.roll.{hours,ms}	日志滚动的周期时间，到达指定周期时间时，强制生成一个新的segment	168（7day）
log.segment.bytes	每一个segment的最大容量。到达指定容量时，将强制生成一个新的segment	1G(-1为不限制)
log.retention.check.interval.ms	日志片断文件检查的周期时间	60000

日志刷新策略

Kafka的日志其实是开始是在缓存中的，而后根据策略按期一批一批写入到日志文件中去，以提升吞吐率。

属性名	含义	默认值
log.flush.interval.messages	消息达到多少条时将数据写入到日志文件	10000
log.flush.interval.ms	当达到该时间时，强制执行一次flush	null
log.flush.scheduler.interval.ms	周期性检查，是否须要将信息flush	很大的值

日志保存清理策略

属性名	含义	默认值
log.cleanup.polict	日志清理保存的策略只有delete和compact两种	delete
log.retention.hours	日志保存的时间，能够选择hours,minutes和ms	168(7day)
log.retention.bytes	删除前日志文件容许保存的最大值	-1
log.segment.delete.delay.ms	日志文件被真正删除前的保留时间	60000
log.cleanup.interval.mins	每隔一段时间多久调用一次清理的步骤	10
log.retention.check.interval.ms	周期性检查是否有日志符合删除的条件（新版本使用	） 300000

这里特别说明一下，日志的真正清楚时间。当删除的条件知足之后，日志将被“删除”，可是这里的删除其实只是将该日志进行了“delete”标注，文件只是没法被索引到了而已。

可是文件自己，仍然是存在的，只有当过了log.segment.delete.delay.ms 这个时间之后，文件才会被真正的从文件系统中删除。

文章写到这里差很少了，比我预计要写得短一些，由于还有一些东西要写出来不免长篇大论，篇幅不容许，想更透彻的掌握kafka的同窗能够领取我整理的完整版kafka学习笔记，最近要准备面试的同窗能够看看我这份kafka高频面试题整理。

后面我会把另外两个中间件也分别写文章分析，能够给我点个关注第一时间接到通知

而后，能够点个赞吗兄弟们！

end