1、Kafka背景
* LinkedIn开发，2011年成为Apache的一个开源项目
* 2012年，成为Apache的一个顶级项目
* 基于java和Scala编写， 基于发布-订阅模型的消息系统（离线-在线消费都支持）
* 分布式、高性能（o(1)的磁盘数据结构完成消息持久化，OS：预读后写；磁盘顺序访问>内存随机访问)，具有容错性（数据以Partion形式保存在磁盘、并在集群内复制）
* kafka需要构建在zookeeper之上，当前已经能够和storm,spark集成，构成flume-kafka-storm/spark常见流式数据分析
2、什么是消息系统（消息缓冲队列）
消息系统，不同应用程序间的数据媒介；（消息缓冲+投递，data pipeline）
也就是说，应用程序只负责发出，收取数据，而不用再关心消息的传递
消息队列的工作模式两种：1）点对点queuing 2）发布-订阅(publish-subscribe)
* 点对点消息系统
1）多个消费者
2）特定消息，最多只能被1个消费者消费
3）消息一旦被消费，则从消息队列中移出（没有持久化）
* 发布-订阅消息系统
1）发布者针对topic发布消息（topic是逻辑概念，对消息类型的划分）
2）消费者，订阅1个或多个topic
3) 同一消息，可以被多个消费者消费
3、Kafka基本概念
kafka集群,对外提供4种角色(4类API）
1）producer: Topic的生产者
2）Consumer： Topic的订阅者
3）Connector: Topic的生产者或订阅者，通过该角色对接已有的DB系统
4）Stream Processer: 订阅1个或多个Topic, 对信息处理后，发布1个或多个Topic(消息处理）
Kafka系统基本概念
1）Topic、Partition
Topic 逻辑概念，生产者发布消息时指定的一个feed名称（发布哪一个Topic)
Partition Topic在Kafka集群上的物理实现（一定程度的保证有序，一定程度的负载均衡）
1个Topic有1个或多个Partition组成，消息以顺序不可变的方式进入Partition
Partition中的每个消息，都一个唯一的序列id，称为offset，无论是否被消费，消息都会被保留一段可配置的时间
1个partition (物理上对应1个文件夹)，将由多个大小相同的segment文件组成，目的在于分段后的快速查找‘
2）Broker、Kafka集群
Broker，Kafka集群中的每台机器，就是1个Broker, 通过BrokerID标识区分
每个Broker上包含每个Tpoic的0个或多个Partition
Partition、Broker、Leader、follower、Partition Replication分区副本
* 1个Topic可能会有1个或N个Partition
* 每个Partition都会落地到某一个Broker上（磁盘上的1个文件夹下多个segment文件）
* 每个Partition还会在其他Broker上，进行备份
* 每个主Partitio所在的Server, 称为Leader(broker); 该Partiton的副本所在的其他Server,称为Follower
* Leader对外提供该Partiton的读写服务，Follower可以理解为1个消费者，拉取leader机器上的主partition数据，并更新自己的数据进行持久化
* 当某个Topic的某个Partition的Leader节点故障，通过zookeeper从1个ISR列表中选取1个Follower,变为Leader
* 每个Broker,都有机会成为某个Topic下某个Partition的Leader，这样做到load balance
Broker如何承载同一Topic的多个Partition
Kafka的理念是尽量将Partition在broker上均匀分布，避免出现热点
1）1个Topic有N个Partition，集群中有N个broker = 每个Broker承载1个Partition
2) 1个Topic有N个partition， 集群中有N+M个broker = 前N个Broker每个承载1个Partition
3) 1个Topic有N个Partition, 集群中有M个broker (M<N) = Partition在M个Broker上均匀分配，每个Broker可能会承载1个或多个partition（不推荐，热点问题）
Broker
kafka broker无状态，由zookeeper来维护集群信息
某一个broker, 是否能够成为某个Topic下的某个Partition的Leader，由zookeeper选举实现
单个broker能处理 数十万/秒 的读写请求，即便保存了TB级别的数据也不影响处理性能
Producer
向1个或多个Topic中发布消息
Producer负责确定每条消息，应该发布给哪一个Broker, 也可以指定发送给该Topic下的哪一个Partition (round robin/基于key的hash)
Producer发布的消息，会被追加到某个Partition的最后1个segment文件的最后
Producer发布消息时，可以不等待来自broker的确认，以broker可以处理的速度发送消息
Consumer
订阅1个或多个Topic, 通过pull方式从broker拉取订阅的数据
Consumer需要自己记录读取到了partition中的哪个offset (消息序列号），并最终向zookeeper中写入这个信息
ConsumerGroup
每个ConsumerGroup由1个或多个Consumer组成
Topic下的消息发送给ConsumerGroup后，在ConsumerGroup内部决定每条消息应该由哪个Consumer来处理
同一条消息，不会发送给同一Group下的两个或多个Consumer
1个Partition同一时刻，只能服务于1个Group中的1个Consumer (同组的Consumer不能同时读写同一个partition）
重点： 同组的Consumer,每人分担一部分Partion的消息处理，没有两个人处理同一个Partition的情况
3）kafka的消息发布-订阅流程
消息发布：
1、Producer同步或异步(batching)的向Topic发送消息（指定发往该Topic下的某一个partition所在的Leader broker，并发出）
2、Broker，根据配置，将该Topic的消息存储到指定的partition上
kafka会保证partition的负载均衡（Topic的消息会分散在各个partition上）
消息订阅：
1、Consumer订阅1个或多个Topic
2、Kafka向Consumer提供该Topic的当前offset (多个partition的当前offset), 并将offset保存在zookeeper中
3、Consumer定期请求Topic(100ms)的新消息
4、kafka收到新消息，就将消息发送给Consumer
5、Consumer收到消息，并进行处理
6、Consumer向Kafka发送offset ack（说明自己已经处理完offset前的所有信息）
7、Kafka收到offset ack后，在zookeeper中更新该Consumer的offset (该Consumer已经处理到了哪里）
8、Consume可以随时回退，跳转到某个Topic的期望offset，并读取所有后续消息
4）Consumer Group下的消息发布
具有相同group id的多个Consumer被认为是1个组，Consumer Group出现后的消息发布：
1、生产者定期向Topic发送消息
2、Broker根据配置，将Topic中的消息，存储到指定的PartITon上
3、单个Consumer, 以名为Group-1的Group ID订阅Topic
4、Kafka将Consumer加入Consumer Group, 并启动共享模式（确定该Consumer消费Topic下的哪几个Partition)
5、新消息发送给该Consumer Group中负责相应Partition的Consumer (每个Consumer消费的partition没有重叠）
6、当加入同一Consumer Group的Consumer个数 > Topic的Partition个数
新加入的Consumer不会受到任何消息（前面的Consumer已经分担完了该Topic下的所有partition），直到已经存在的Consumer取消订阅
5）zookeeper的角色
1、 Kafka在Zookeeper中存储基本元数据，例如：Topic，broker，消费者偏移（队列读取器）等信息
2、 由于Zookeeper本身也是集群架构，因此zookeeper故障不会影响Kafka集群的状态
3、zookeeper的故障，不会影响Kafka的集群状态， 也也是kafka零停机时间的原因
4、 broker中谁是某个partition的Leader，也通过zookeeper的选举机制完成
Kafka Design要点
关于数据拷贝
1、零用户空间拷贝 (通过OS加速数据拷贝）
参考：Efficient data transfer through zero copy
2、端到端批量压缩（从占用网络带宽角度优化）
核心思路：对每条消息进行压缩（Client） -> 对多条消息进行压缩（Kafka)
依据： 消息之间会存在一定的冗余性（同类消息间，冗余性更高）
Kafka的做法：
1）Client将一批消息组织在一起进行压缩, 并发送压缩后的消息
2）消息头中会有1个compression-attributes字节，表示是否压缩，采用哪种压缩等
3）compression-attributes字节之前会有1个magic字节，1表示该消息为压缩消息
4）消息以压缩的形式，写入partition并保留
5）消息以压缩的形式，发送给Consumer
6）Consumer解压缩，得到一批消息
7）支持的压缩协议：GZIP, LZ4, Snappy
端到端批量压缩出现后，Producer端配置的变化
3、Producer相关的design
1）Producer在发送消息前，会发送meat-data request; Broker会应答该请求，说明当前哪些broker alive, broker是哪个Topic下哪个Partition的Leader节点
2) producer将消息以Topic的形式，直接发送给该Partition的Leader节点(broker)，中间没有任何的路由层（Client控制消息发送给哪一个Partition）
Producer端的负载均衡
3）Producer控制消息发往哪一个Partition有两种方式：
* 随机负载均衡
* Partition方法（kafka以API形式，将该接口开放给Client, Client覆写partition functiontion即可）: Client可以指定消息中的某个字段，userid等为key; 然后基于key做hash, 得到该消息应该发往哪一个Partition
Producer异步发送模式 （批量发送，batching)
* Producer能够以异步（批量 batching) 的方式发送消息
* 通过Producer端的配置项来开启batching发送（2个参数：最多积累的消息数 64k，最大积累时间 10ms）
4、Consumer相关的design
push & pull
在这点上kafka采用了和传统message system相同的设计
1) Producer主动push消息到kafka
2) Consumer主动Pull消息到本地
3）那么当kafka中没有消息的时候，Consumer不断的去Pull，是不是有点太徒劳？
4）为了避免没有消息时的无效pull, Consumer提供了一些可配置参数，让Consumer可以处于一个long poll的阻塞状态，直到有新的消息到来（消息累计到给定的字节）
offline data load 离线系统使用kafka
1）Kafka将消息持久化保存一段可配置时间
2）HDFS，Data warehouse类似的离线系统，就同样可以从kafka中获取数据
3）HDFS为例，可以将每个Topic下的每个partition, 交给1个map任务，批量获取数据并进行reduce处理
4）最大限度的做到并行
5、消息传输设计 message delivery semantics
一般来说，消息投递有3种设计：
1）At most once - 消息最多投递1次，问题：消息丢失后，不会重新投递
2）At least once - 消息不会丢失，可能会重新投递
3）Exactly once -
消息投递，本质上可以拆分为两个问题：
1）如何保证producer发布的消息，顺利被broker保存；
2）如何保证broker发出的消息，顺利被Consumer接收；
Producer消息发布的保证：
1）0.11.0.0版本的kafka及以前，Producer没有收到消息被提交到broker的response, 只能重发，会出现相同消息重复写入的问题
2）0.11.0.0之后版本的kafka, Producer被赋予了ID，信息被赋予了offset, kafka内部机制来保证producer重发的信息不会重复写入
3）0.11.0.0之后版本的kafka, Producer向多个Topic下的partition发布消息，有了transaction-like的保证机制（要么全部成功，要么全部不写入）
4）Producer此时有了更多的自主性，通过参数acks可以配置自己是否需要在接收到broker的ack后才发送下一条消息
acks = 0 不需要接收来自broker的“消息已提交”的确认信息
acks = 1 leader将消息写入本地log后就向Producer发送“消息已提交”的确认信息
acks = all leader等待所有follower (其实是等待所有in-sync状态的ISR中的节点) 将消息复制到本地log后才向producer发送“消息已提交”的确认信息
6、Replication
Partition在Kafka集群中的复制
1）partition是复制的基本单位
2）每个partition有1个leader节点，以及0个或多个follower节点
3）replication factor参数，包括leader以及follower节点个数
4）partition的leader节点，对外提供消息读写服务
5）follower节点，将作为leader节点上partition的Consumer存在（主动拉取消息）
Kafka集群定义某个broker是否还live的两个条件 (in sync节点)
1）broker要和zookeeper保持心跳
2）作为follower的broker, 不能和leader上partition的消息相差太多（not fall too far bebind)
3）Leader节点，将维护一个in sync节点集合（ISR），并且动态维护，并记录到zookeeper中
在ISR中的follower broker, 才有资格参与leader失效后的新leader选举
f+1, 允许最大失效节点数f
4）通过replica.lag.time.max.ms 参数来决定follower节点是否已经落后太多
5）committed消息的严格定义：所有in sync节点都已经将该消息，添加到了本地的备份partition中
6）只要还有1个in sync节点存在，消息就不会丢弃
7、unclean leader election: what if they all die?
当某个partition的leader节点及follower节点都故障，leader节点如何选择?
一般来说，有两个选择
1）等待ISR中的1个节点恢复，并将该节点选择为leader
2) 选择第一个恢复的节点作为leader, 该节点可能并不在ISR中
默认情况下，kafka使用第二种策略，但可以通过配置unclean.leader.election.enable选项为disable来禁止