之前搭建好了 Kafka 的学习环境, 了解了具体的配置文件内容, 并且测试了生产者, 消费者的控制台使用方式, 也学习了基本的 API. 那么下一步, 应该学习一下具体的内部流程~
1,Kafka 的工作流程
大致的工作流程图如下:
如图所示哈, 整个工作环境包括: 一个生产者 (producer), 一个消费者组(含有三个消费者), 一个主题: A, 三个节点(broker), 三个分区(partition) 和两个副本(副本数 = leader 数 + follower 数).
分析一下大致工作流程:
Producer 是消息的生产者, 首先 Producer 从集群中获取分区的 leader, 完了以后 producer 将消息发送给 leader,leader 将消息写入到本地文件. 之后, follower 要从 leader 这里主动同步数据.
图中所示, 每一个分区中都有消息的编号, 称为偏移量(offset), 它的作用是可以让消费者追踪消息在分区里的位置. 注意: 这个偏移量不是全局的, 而是分区独立使用的. 因此, Kafka 只保证区内消息有序(生产顺序和消费顺序相同).
Kafka 中消息是以 topic 进行分类的, 生产者生产消息, 消费者消费消息, 都是面向 topic 的.
topic 是逻辑上的概念, 而 partition 是物理上的概念, 每个 partition 对应于一个 log 文件, 该 log 文件中存储的就是 producer 生产的数据. Producer 生产的数据会被不断追加到该 log 文件末端(log 文件太大的时候会被切分, 之后再说), 且每条数据都有自己的 offset.
消费者组中的每个消费者, 都会实时记录自己消费到了哪个 offset, 出错复活之后, 从上次的位置继续消费.
在网上找了一个图, 还挺通俗的:
2,Kafka 的文件存储机制
Producer 将数据写入 Kafka 后, 集群就需要对数据进行保存了. Kafka 将数据保存在磁盘, 可能在我们的一般的认知里, 写入磁盘是比较耗时的操作, 不适合这种高并发的组件. Kafka 初始会单独开辟一块磁盘空间, 顺序写入数据(效率比随机写入高).
2.1 Partition 结构
前面说过了每个 Topic 都可以分为一个或多个 Partition, 如果你觉得 Topic 比较抽象, 那 Partition 就是比较具体的东西了!
Partition 在服务器上的表现形式就是一个一个的文件夹, 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.
每组 Segment 文件又包含 .index 文件,.log 文件,.timeindex 文件 (早期版本中没有) 三个文件.
log 和 index 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, simon 这个 topic 有 2 个分区, 则其对应的文件夹为 simon-0,simon-1:
log 文件就是实际存储 Message 的地方, 而 index 和 timeindex 文件为索引文件, 用于检索消息.
2.2 Message 结构
上面说到 log 文件就实际是存储 Message 的地方, 我们在 Producer 往 Kafka 写入的也是一条一条的 Message.
那存储在 log 中的 Message 是什么样子的呢? 消息主要包含消息体, 消息大小, Offset, 压缩类型...... 等等!
我们重点需要知道的是下面三个:
Offset:Offset 是一个占 8byte 的有序 id 号, 它可以唯一确定每条消息在 Parition 内的位置;
消息大小: 消息大小占用 4byte, 用于描述消息的大小;
消息体: 消息体存放的是实际的消息数据(被压缩过), 占用的空间根据具体的消息而不一样.
index 和 log 文件以当前 segment 的第一条消息的 offset 命名, 下图为 index 文件和 log 文件的结构示意图:
例如: 进入 simon-0 目录下查看
2.3 存储策略
无论消息是否被消费, Kafka 都会保存所有的消息. 那对于旧数据有什么删除策略呢?
基于时间, 默认配置是 168 小时(7 天);
基于大小, 默认配置是 1073741824.
需要注意的是, Kafka 读取特定消息的时间复杂度是 O(1), 所以这里删除过期的文件并不会提高 Kafka 的性能!
3,Kafka 的生产者
3.1 分区策略
1)为什么要分区呢 ?
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;[提高负载能力]
可以提高并发, 因为可以以 Partition 为单位读写了.
2)分区的原则
我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象.
(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.
3.2 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.
1)副本数据同步策略
方案 | 优点 | 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,需要 2n+1 个副本 |
全部完成同步,才发送 ack | 选举新的 leader 时,容忍 n 台节点的故障,需要 n+1 个副本 | 延迟高 |
Kafka 选择了第二种方案, 原因如下:
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.
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.
留下一个疑问: 既然是全部 follower 同步完成才发 Ack, 那么如果有一个 follower 在同步之前挂了, 岂不是永远无法发送 ack? 哎, 这就有了 ISR 机制~~
2)ISR
采用第二种方案之后, 设想一下: leader 收到数据, 所有的 follower 都开始同步数据, 但是有一个 follower, 因为某种故障迟迟无法与 leader 同步, 那么 leader 就要一直等下去, 直到它同步完成, 才能发生 ack, 这样的问题如何解决呢?
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.
注意: 在旧的版本中有两种踢出策略, 一个是 follower 同步消息过慢, 另一种是 follower 和 leader 的数据量相差过大(默认是 10000), 新的版本仅保留了前者. 原因是: producer 发送数据的单位是 batch, 假如一个 batch 中包含有 12000 条数据的话, 那么 ISR 中的所有 follower 都会被踢出, 待同步完成之后又会被加回来. 如此往复几次的话, 就会造成大量的资源开销, 所以这个策略被弃用了.
3)ack 应答机制
按照思路继续往下走, 当 follower 同步完成数据之后, leader 返回给 producer 信号, 通知它已经收到了, 你可以继续往下发数据.
但是, 并不是所有的 follower 很快就能同步完成数据, 对于某些不太重要的数据, 对数据的可靠性要求不是很高, 能够容忍数据的少量丢失, 所以没必要等 ISR 中的 follower 全部接收成功.
所以 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, 选择以下的配置.
acks 参数配置:
acks:
0[不需要确认, 直接连发] :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[只等 leader 写完] :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[等 leader 和 follower 都写完] :producer 等待 broker 的 ack,partition 的 leader 和 ISR 中的 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.(但是如果 ISR 中只有一个 leader, 就和 acks=1 的效果一样了)
4)故障处理细节
假设一个场景: 有一个 leader 写了 10 条数据, ISR 中有 F1(写了 8 条数据),F2(写了 9 条数据). 如果 leader 挂了, 选择了 F1 成为新的 leader, 那么问题就显而易见了, F1 和 F2 的数据不一致了. 如果选择 F2 当 leader, 但是原来的 leader 又诈尸了, 活过来了, 那么数据又出现不一致了. 这么一来, 消费者不得疯了嘛... 仁慈而又伟大的 Kafka 开发人员怎么会想不到这个问题呢, 且看:
如下图: leader 中现在有 19 条数据, F1 和 F2 分别有 12,15 条数据, 某一时刻, 出故障了~
注意: LEO: 指每个副本最大的 offset,
HW: 指的是消费者能见到的最大的 offset,ISR 中最小的 LEO [保证消费者消费的一致性]
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(过长, 就把它切掉~), 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.(老大通知小弟, 把个人主义切掉, 再把比我少的补上~)
注意: 不要搞混, 这只能保证副本之间的数据一致性, ack 机制才能保证数据不丢失或者不重复.
3.3 Exactly Once 语义
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, 但是有可能重复数据, 即 At Least Once 语义. 相对的, 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 语义.
At Least Once 可以保证数据不丢失, 但是不能保证数据不重复; 相对的, At Least Once 可以保证数据不重复, 但是不能保证数据不丢失. 但是, 对于一些非常重要的信息, 比如说交易数据, 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 版本以前的 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做全局去重. 对于多个下游应用的情况, 每个都需要单独做全局去重, 这就对性能造成了很大影响.
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.
4,Kafka 消费者
4.1 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.
4.2 分区分配策略
一个 consumer group 中有多个 consumer, 一个 topic 有多个 partition, 所以必然会涉及到 partition 的分配问题, 即确定那个 partition 由哪个 consumer 来消费. 同一组里的不同消费者, 不能消费同一分区.
Kafka 有两种分配策略, RoundRobin 和 Range.
RoundRobin 模式: 按组划分
Range 模式: 按主题划分
什么时候会触发这些策略呢? 一句话: 当消费者组里的消费者个数发送变化的时候会重新分配.
4.3 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.
假设有这么一个场景: 一个消费者组里有消费者 A, 他消费着 Topic t 的三个分区 t0,t1,t2 分区里的数据, 并且都消费到了 0ffset=10. 此时, 消费者组里加入了消费者 B, 那么就会触发分区分配策略. 假设分区 t2 被分给了 B. 那么, B 应该从哪里开始消费呢? 是从头还是从 offset=10 ? -- 很明显哈, 是从 offset=10 接着消费. 如果是从头消费呢, 一旦扩充消费者组, 每次都从头消费, 造成了多次重复消费相同的数据. 注意: 消费者组 + 主题 + 分区 = 唯一确定一个 offset !!!
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.
Kafka 的信息将被保存在 zookeeper 中, 详细存储情况如下图:
5,Kafka 高效读写数据
5.1 顺序读写
Kafka 的 producer 生产数据, 要写入到 log 文件中, 写的过程是一直追加到文件末端, 为顺序写. 官网有数据表明, 同样的磁盘, 顺序写能到到 600M/s, 而随机写只有 100k/s. 这与磁盘的机械机构有关, 顺序写之所以快, 是因为其省去了大量磁头寻址的时间.
5.2 零拷贝技术
零拷贝技术, 可以有效的减少上下文切换和拷贝次数. kafka 的设计实现, 涉及到很多的底层技术, 若希望能够把它吃透, 需要花大量的时间, 大量的精力. 现在还是小菜鸡一名, 今后任重道远 ~
5.3 Page Cache
为了优化读写性能, Kafka 利用了操作系统本身的 Page Cache, 就是利用操作系统自身的内存而不是 JVM 空间内存. 通过操作系统的 Page Cache,Kafka 的读写操作基本上是基于内存的, 读写速度得到了极大的提升.
6,Zookeeper 在 Kafka 中的作用
Kafka 集群中有一个 broker 会被选举为 Controller, 负责管理集群 broker 的上下线, 所有 topic 的分区副本分配和 leader 选举等工作. Controller 的管理工作都是依赖于 Zookeeper 的.
简述一下 partition 的 leader 的选举过程:
Kafka 学习笔记(三)-- 架构深入
来源: http://www.bubuko.com/infodetail-3340548.html