Kafka第二节

一、kafka的文件存储机制

由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic 名称+分区序号。例如，first 这个 topic 有三个分区，则其对应的文件夹为 first-0,first-1,first-2

 

index 和 log 文件以当前 segment 的第一条消息的 offset 命名。

 

.index文件存储大量的索引信息，.log文件存储大量的数据，索引文件中的元数据指向对应数据文件中 message 的物理偏移地址。

 

每个log中每条数据的大小都是1024字节。所以文件大小不会很大，且可以快速查找所需数据。

 

根据offset查找数据时，先通过二分查找法查找到index文件，然后通过index文件找的数据的索引，最后在log文件中找到数据。

 

 

二、kafka生产者

2.1 分区策略

 

分区的原因：

　　1、方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了

　　2、可以提高并发，因为可以以 Partition 为单位读写了

 

具体策略：

 

　　

　　（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 值
　　（2）没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值
　　（3）既没有 partition 值又没有 key 值的情况下，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 总数取余得到 partition 值，也就是常说的 round-robin 算法

2.2数据可靠性的保证

   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。

 

　副本数据同步策略：

　　　　

　　Kafka 选择了第二种方案，原因如下：

　　　　1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。

　　　　2.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。 

　　

　　ISR：

　　采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，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 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 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 发生故障之后，就会从 ISR 中选举新的 leader。 

 

　　Kafka ack机制的三种级别：

　　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；

　　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；

　　-1（all）：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。

 

 　　Kafka数据一致性的保证：

　　kakfa通过 LEO(Log end offset) 和 HW（High Watermark）来保证数据的一致性

　　

　　LEO：指的是每个副本最大的 offset；

　　HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO。

　　（1）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。

　　（2）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。

　　Kafka实现Exactly Once：

　　将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once，可以保证数据不丢失，但是不能保证数据不重复。

　　将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once，可以保证数据不重复，但是不能保证数据不丢失。

　　可以通过幂等性实现Exactly Once。

　　At Least Once + 幂等性 = Exactly Once

　　要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka的幂等性实现其实就是将原来下游需要做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>做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。

　　但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。

 三、kafka消费者

 3.1消费方式

consumer 采用 pull（拉）模式从 broker 中读取数据。

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。

3.2分区分配策略

在 Kafka 内部存在两种默认的分区分配策略：Range 和 RoundRobin。当以下事件发生时，Kafka 将会进行一次分区分配：

• 同一个 Consumer Group 内新增消费者
• 消费者离开当前所属的Consumer Group，包括shuts down 或 crashes
• 订阅的主题新增分区

将分区的所有权从一个消费者移到另一个消费者称为重新平衡（rebalance）。

主要策略为：Range 和 RoundRobin

　　Range：

　　　　Range策略是对每个主题而言的，首先对同一个主题里面的分区按照序号进行排序，并对消费者按照字母顺序进行排序。

　　　　然后将partitions的个数除于消费者线程的总数来决定每个消费者线程消费几个分区。如果除不尽，那么前面几个消费者线程将会多消费一个分区。

　　RoundRobin：

　　　　这种策略为轮询的方式，使用RoundRobin策略有两个前提条件必须满足：

　　　　　　1、同一个Consumer Group里面的所有消费者的num.streams必须相等；

　　　　　　2、每个消费者订阅的主题必须相同。

　　具体策略可以参考文章  https://www.cnblogs.com/wangjing666/p/10283920.html