kafka producer生产者设计原理讲解

1、分区策略

1. 分区的缘由

   • 方便在集群中扩展，每一个 Partition 能够经过调整以适应它所在的机器，而一个 topic又能够有多个 Partition 组成，所以整个集群就能够适应任意大小的数据了；
   • 能够提升并发，由于能够以 Partition 为单位读写了。

2. 分区的原则
   咱们须要将 producer 发送的数据封装成一个 ProducerRecord 对象。
   

   （1）指明 partition 的状况下，直接将指明的值直接做为 partiton 值；
   （2）没有指明 partition 值但有 key 的状况下，将 key 的 hash 值与 topic 的 partition
   数进行取余获得 partition 值；
   （3）既没有 partition 值又没有 key 值的状况下，第一次调用时随机生成一个整数（后
   面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余获得 partition 值，也就是常说的 round-robin 算法(轮询)。

2、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 的每一个 partition 收到
producer 发送的数据后，都须要向 producer 发送 ack（acknowledgement 确认收到），若是producer 收到 ack，就会进行下一轮的发送，不然从新发送数据。

1. 副本数据同步策略

方案	优势	缺点
半数以上完成同步，就发送 ack	延迟低	选举新的 leader 时，容忍 n 台节点的故障，须要 2n+1 个副本
所有完成同步，才发送 ack	选举新的 leader 时，容忍 n 台节点的故障，须要 n+1 个副本	延迟高

Kafka 选择了第二种方案，缘由以下：

• 一样为了容忍 n 台节点的故障，第一种方案须要 2n+1 个副本，而第二种方案只须要 n+1 个副本，而 Kafka 的每一个分区都有大量的数据，第一种方案会形成大量数据的冗余。
• 虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

2. ISR
采用第二种方案以后，设想如下情景：leader 收到数据，全部 follower 都开始同步数据，
但有一个 follower，由于某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？

Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集
合。当 ISR 中的 follower 完成数据的同步以后，leader 就会给 follower 发送 ack。若是 follower长时间 未 向 leader 同 步 数 据 ， 则 该 follower 将 被 踢 出 ISR ， 该 时 间 阈 值 由replica.lag.time.max.ms 参数设定。Leader 发生故障以后，就会从 ISR 中选举新的 leader。

3.ack 应答机制
对于某些不过重要的数据，对数据的可靠性要求不是很高，可以容忍数据的少许丢失，因此不必等 ISR 中的 follower 所有接收成功。

因此 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择如下的配置。

acks 参数配置：

• acks等于0时：producer 不等待 broker 的 ack，这一操做提供了一个最低的延迟，broker一接收到尚未写入磁盘就已经返回，当 broker 故障时有可能丢失数据；
• acks等于1时：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，若是在 follower同步成功以前 leader 故障，那么将会丢失数据；
• acks等于 -1（all）时：producer 等待 broker 的 ack，partition 的 leader 和 follower 所有落盘成功后才 返回 ack。可是若是在 follower 同步完成后，broker 发送 ack 以前，leader发生故障，那么会形成数据重复。

4.故障处理细节

LEO：指的是每一个副本最大的 offset；
HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。
保证副本存储的数据一致性、消费者消费的数据一致性

• 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 以后，就能够从新加入 ISR 了。
• leader 故障
  leader 发生故障以后，会从 ISR 中选出一个新的 leader，以后，为保证多个副本之间的数据一致性，其他的 follower 会先将各自的 log 文件高于 HW 的部分截掉，而后重新的 leader同步数据。

3、消息传输一致与幂等性

Kafka提供3种消息传输一致性语义：最多1次，最少1次，刚好1次。

• 最多1次：可能会出现数据丢失状况
  at most once(ack = 0): 消费者fetch消息,而后保存offset,而后处理消息;当client保存offset以后,可是在消息处理过程当中consumer进程失效(crash),致使部分消息未能继续处理；那么此后可能其余consumer会接管,可是由于offset已经提早保存,那么新的consumer将不能fetch到offset以前的消息(尽管它们尚没有被处理),这就是"at most once".
• 最少1次：可能会重传数据，有可能出现数据被重复处理的状况
  at least once(ack = -1): 消费者fetch消息,而后处理消息,而后保存offset.若是消息处理成功以后,可是在保存offset阶段zookeeper异常或者consumer失效,致使保存offset操做未能执行成功,这就致使接下来再次fetch时可能得到上次已经处理过的消息,这就是"at least once"
• 刚好1次：并非指真正只传输1次，只不过有一个机制。确保不会出现“数据被重复处理”和“数据丢失”的状况。
  "Kafka Cluster"到消费者的场景中能够采起如下方案来获得“刚好1次”的一致性语义：
  最少1次＋消费者的输出中额外增长已处理消息最大编号：因为已处理消息最大编号的存在，不会出现重复处理消息的状况。

幂等性概念：

• At Least Once 能够保证数据不丢失，可是不能保证数据不重复；相对的，At most Once
  能够保证数据不重复，可是不能保证数据不丢失。
• 可是，对于一些很是重要的信息，好比说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。
• 在 0.11 版本之前的Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据作全局去重。对于多个下游应用的状况，每一个都须要单独作全局去重，这就对性能形成了很大影响。
• 0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。即：At Least Once + 幂等性 = Exactly Once。
• 要启用幂等性，只须要将 Producer 的参数中 enable.idompotence 设置为 true 便可。
• Kafka的幂等性实现其实就是将原来下游须要作的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个PID，发往同一 Partition 的消息会附带Sequence Number。而Broker 端会对<PID, Partition,SeqNumber>作缓存，当具备相同主键的消息提交时，Broker 只会持久化一条。 可是 PID 重启就会变化，同时不一样的Partition 也具备不一样主键，因此幂等性没法保证跨分区跨会话的 Exactly Once