kafka的生产者与消费者
一、kafka的存储机制
（1）存储机制：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，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，以便出错恢复时，从上次的位置继续消费。 数据存储示意图如下：
1、数据存储图解释解释：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。
2、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。其中 “.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。
（2）分区策略
1、分区原因：
a、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；
b、可以提高并发，因为可以以 Partition 为单位读写了。
2、分区器：首先需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
a、若ProducerRecord对象指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
b、没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取模得到 partition 值；
c、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）数据的可靠性保证即kafka的ACK机制
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、kafka何时发送ack确认给生产者已确定收到数据：确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉后，能在follower选举出新的leader。
2、副本同步策略即多少个follower同步完成后发送ack：全部follower完成同步，才发送ack；优点：选举新的 leader 时，容忍 n 台节点的故障，需要 n+1 个副本，缺点：延迟高
（4）ISR同步策略：
1、引入ISR的原因：采用全部follower完成同步才发送ack；当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。
2、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 生产者发送 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。
（5）kafka的ack应答机制提供了以下三种可靠机制，用户根据对可靠性和延迟的要求进行权衡，
1、ack=0时：producer 不等待broker的ack，这一操作提供了一个最低的延迟，生产者每条消息只会被发送一次，若broker故障则可能会丢失数据
2、ack=1时：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；
3、ack=-1时：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。
（6）leader和follower中的HW与LEO
1、LEO（Log End Offset）：每个副本最大的offset
2、HW（High WaterMark）：消费者能见到的最大的offset，ISR集合中最小的LEO
3、LEO与HW所解决的问题
a、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（leader的HW），即 follower 追上 leader 之后，就可以重新加入 ISR 了。
b、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。
注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。
4、如何解决HW进行数据恢复时可能存在的数据丢失和重复的问题：引入Lead Epoch，（epoch，offset）。epoch表示leader的版本号，从0开始，当leader变更过1次时epoch就会+1，而offset则对应于该epoch版本的leader写入第一条消息的位移。因此假设有两对值：(0, 0)，(1, 120)，表示第一个leader从位移0开始写入消息；共写了120条[0, 119]；而第二个leader版本号是1，从位移120处开始写入消息。leader broker中会保存这样的一个缓存，并定期地写入到一个checkpoint文件中。当leader写底层log时它会尝试更新整个缓存——如果这个leader首次写消息，则会在缓存中增加一个记录；否则就不做更新。而每次副本重新成为leader时会查询这部分缓存，获取出对应leader版本的位移，这就不会发生数据不一致和丢失的情况。
（6）kafka的Exactly Once语义
1、At Least 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，但是不能保证数据不重复
2、At Most Once 语义：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；可以保证数据不重复，但是不能保证数据不丢失
3、Exactly Once语义：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。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
4、Exactly Once实现原理：首先启用幂等性，将 Producer 的参数中 enable.idompotence 设置为 true 。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。
二、kafka的消费者
（1）消费方式
1、kafka采用的消费模式pull：consumer采用pull（拉）的方式从broker中读取数据，若采用push（推）模式很难适应消费速率不同的消费者，因为消息发送是由broker决定的，尽管push模式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来不及消费消息，从而导致消息堆积。而pull模式可以根据consumer的消费能力以适当的速率消费消息。
2、pull模式的不足：若kafka没有数据，消费者可能陷入循环之中，一直返回空数据，此时kafka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。
（2）kafka的消费分区策略即一个消费者如何消费分区中的数据
1、前提：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。
2、分区策略1：Range
1）分区方式：按照消费者总数和分区总数进行整除运算来获得一个跨度，然后将分区按照跨度进行平均分配，以保证分区尽可能均匀地分配给所有的消费者。对于每一个topic，Range策略会将消费组内所有订阅这个topic的消费者按照名称的字典序排序，然后为每个消费者划分固定的分区范围，如果不够平均分配，那么字典序靠前的消费者会被多分配一个分区。即n=分区数/消费者数量，m=分区数%消费者数量，那么前m个消费者每个分配n+1个分区，后面的（消费者数量-m）个消费者每个分配n个分区。
2）分区过程如下：
a、假设目前只有一个消费者C0，订阅了一个主题，这个主题包含7个分区。如下图1。
b、此时消费组内又加入了一个新的消费者C1，按照既定的逻辑需要将原来7个分区重新分配给C0和C1，如下图2。
c、接着消费组内又加入了一个新的消费者C2，如此消费者C0、C1和C2按照下图3中的方式各自负责消费所分配到的分区。
3）缺点：针对多个主题的不同分区，可能会造成分区不均匀。
假设消费组中有2个消费者C0和C1，都订阅了主题t0和t1，并且每个主题都有3个分区，那么所订阅的所有分区可以标识为：t0p0、t0p1、t0p2、t1p0、t1p1、t1p2。最终的分配结果为：消费者C0：t0p0、t0p1、t1p0、t1p1，消费者C1：t0p2、t1p2。明显消费者消费不均匀。
3、分区策略2：RoundRobin
1）分区方式：原理是将消费组内所有消费者以及消费者所订阅的所有topic的partition按照字典序排序，然后通过轮询方式逐个将分区以此分配给每个消费者。
假设消费组中有2个消费者C0和C1，都订阅了主题t0和t1，并且每个主题都有3个分区，那么所订阅的所有分区可以标识为：t0p0、t0p1、t0p2、t1p0、t1p1、t1p2。最终的分配结果为：
消费者C0：t0p0、t0p2、t1p1；
消费者C1：t0p1、t1p0、t1p2。
2）缺点：如果同一个消费组内的消费者所订阅的信息是不相同的，那么在执行分区分配的时候就不是完全的轮询分配，有可能会导致分区分配的不均匀。如果某个消费者没有订阅消费组内的某个topic，那么在分配分区的时候此消费者将分配不到这个topic的任何分区。
假设消费组内有3个消费者C0、C1和C2，消费者C0订阅的是主题t0，消费者C1订阅的是主题t0和t1，消费者C2订阅的是主题t0、t1和t2，t0、t1、t2，这3个主题分别有1、2、3个分区，最终的分配结果为：
消费者C0：t0p0；
消费者C1：t1p0；
消费者C2：t1p1、t2p0、t2p1、t2p2；
3、分区策略3：Sticky
1）分区方式：分区的分配要尽可能的均匀；分区的分配尽可能的与上次分配的保持相同。当两者发生冲突时，第一个目标优先于第二个目标
举例，同样消费组内有3个消费者：C0、C1和C2，集群中有3个主题：t0、t1和t2，这3个主题分别有1、2、3个分区，也就是说集群中有t0p0、t1p0、t1p1、t2p0、t2p1、t2p2这6个分区。消费者C0订阅了主题t0，消费者C1订阅了主题t0和t1，消费者C2订阅了主题t0、t1和t2。
采用的是StickyAssignor策略，那么最终的分配结果为：
消费者C0：t0p0；
消费者C1：t1p0、t1p1；
消费者C2：t2p0、t2p1、t2p2；
假如此时消费者C0脱离了消费组，则StickyAssignor分配结果为：
消费者C1：t1p0、t1p1、t0p0；
消费者C2：t2p0、t2p1、t2p2；
可以看到StickyAssignor策略保留了消费者C1和C2中原有的5个分区的分配：t1p0、t1p1、t2p0、t2p1、t2p2。
（3）consumer消费时offset的情况：Kafka0.9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。 offset的存储格式：(groupID，topic，partitionID)
对于消费者，kafka中有两个设置的地方：对于老的消费者，由--zookeeper参数设置；对于新的消费者，由--bootstrap-server参数设置
如果使用了--zookeeper参数,那么consumer的消费信息如offset将会存放在zk之中
如果使用了--bootstrap-server参数,那么consumer的消费信息如offset将会存放在kafka之中
（4）kafka如何高效读写数据
1、顺序写磁盘：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。随机写会导致磁头不停地换道，造成效率的极大降低；顺序写磁头几乎不用换道，或者换道的时间很短，省去了大量磁头寻址的时间。
2、零复制技术：零拷贝避免让CPU做大量的数据拷贝任务，减少不必要的拷贝，让CPU解脱出来专注于别的任务。
1）传统读取文件并发送到网络的步骤
a、操作系统将数据从磁盘文件中读取到内核空间的页面缓存；
b、应用程序将数据从内核空间读入用户空间缓冲区；
c、应用程序将读到数据写回内核空间并放入socket缓冲区；
e、数据从socket缓冲区通过网络发送。
“零拷贝技术”只用将磁盘文件的数据复制到页面缓存中一次，然后将数据拷贝到socket缓冲区中，最后直接发送到网络中（发送给不同的订阅者时，都可以使用同一个页面缓存），避免了重复复制操作。
（5）zookeeper在kafka中的作用？
kafka使用zookeeper来保存broker，topic和partition的元数据信息，在kafka0.9版本之前消费者使用kafka保存消费分区的偏移量。
1、broker注册：Broker是分布式部署并且相互之间相互独立，但是需要有一个注册系统能够将整个集群中的Broker管理起来，此时就使用到了Zookeeper。在Zookeeper上会有一个专门用来进行Broker服务器列表记录的节点：/brokers/ids；每个Broker在启动时，都会到Zookeeper上进行注册，即到/brokers/ids下创建属于自己的节点，如/brokers/ids/[0...N]。Kafka使用了全局唯一的数字来指代每个Broker服务器，不同的Broker必须使用不同的Broker ID进行注册，创建完节点后，每个Broker就会将自己的IP地址和端口信息记录到该节点中去。其中，Broker创建的节点类型是临时节点，一旦Broker宕机，则对应的临时节点也会被自动删除。
2、topic和partition注册：在Kafka中，同一个Topic的消息会被分成多个分区并将其分布在多个Broker上，这些分区信息及与Broker的对应关系也都是由Zookeeper在维护，由专门的节点来记录，如：/borkers/topics；如/brokers/topics/login/3->2，这个节点表示Broker ID为3的一个Broker服务器，对于"login"这个Topic的消息，提供了2个分区进行消息存储，同样，这个分区节点也是临时节点。
3、保存消费者分区的offset。
（6）kafka的事务特性
1、Produce事务：期望一个 Producer 在 Fail 恢复后能主动 abort 上次未完成的事务（接上之前未完成的事务），然后重新开始一个事务，这种情况应该怎么办？之前幂等性引入的 PID 是无法解决这个问题的，因为每次 Producer 在重启时，PID 都会更新为一个新值。为了实现跨分区跨会话的事务，Kafka 在 Producer 端引入了一个 TransactionalId 来解决这个问题。TransactionalId 的引入还有一个好处，就是跟 consumer group 类似，它可以用来标识一个事务操作，便于这个事务的所有操作都能在一个地方进行处理；
为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。
2、consumer的事务特性：对于 Consumer 而言，事务的保证就会相对较弱，尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息，而且不同的 Segment File 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。
