Kafka高可用实现
数据存储格式
Kafka的高可靠性的保障来源于其健壮的副本（replication）策略。一个Topic可以分成多个Partition，而一个Partition物理上由多个Segment组成。
Segment分2部分：索引文件和数据文件。索引文件保存元数据，记录了消息在数据文件中的偏移（offset），消息有固定物理结构，保证了正确的读取长度。
Segment文件带来好处：方便过期文件清理。只需要整体删除过期的Segment。以追加的方式写消息，顺序写磁盘极大提高了效率。
读取某offset消息的步骤变为：通过二分查找，找到offset所在Segment。通过Segment的索引文件，找到offset所在数据文件的物理偏移。读取数据。
副本复制与同步
从外部来看Partition类似一个不断增长，存储消息的数组，每个Partition有一个类似MySQL binlog的文件用来记录数据的写入。有两个新名词，HW（HighWatermark）表示当前Consumer可以看到Partition的offset位置，LEO（LogEndOffset）表示当前Partition最新消息的offset，各个副本单独维护。为了提高消息可靠性，Partition有N个副本。
N个副本中，有一个Leader，余下N-1个Follower。Kafka的写操作只在Leader副本上进行。通常这种副本写有两种方式：
- Leader写日志文件成功即返回成功。这样如果Follower在同步完数据前Leader当机，数据丢失。这种方式带来较高效率。
- Leader等待Follwer写日志成功并收到返回的acks后，才返回成功。这样Leader当机，重新选举的Leader与当机Leader数据一致，数据不丢失。但因为要等待Follwer返回，效率较慢。一般采用少数服从多数的选举方式，如果要应对f个副本当机，则至少需要2f+1个副本并使中的f+1个写成功。
Kafka没有使用上述机制。它实现了ISR（In-Sync Replication）的机制。
ISR（In-Sync Replication）机制
Leader维护一个副本队列（包含Leader自己），会及时将慢响应的Follwer剔除，并将追上Leader数据的Follower重新加入副本队列。
这样要保证数据高可靠所需要的副本数更少。比如应对2台机器的当机，ISR机制只需要3个副本。而上述机制2则需要2*2+1个副本。这样有效节约了大约一半的存储空间。
Leader当机，新的Leader是从ISR中按顺序选出。Leader恢复后成为Follower，删除上一个HW后所有数据后，从新的Leader进行同步。
数据可靠性配置
以下逻辑，可以保证一定程序数据可靠。当然副本越多，min.insync.replicas越大，则越可靠，但实际情况需要根据场景在效率与数据可靠上做权衡。
-
副本数设置为3。副本是Kafka实现HA的基础，通过replication.factor配置
-
min.insync.replicas设置为2。ISR副本队列中副本最小个数。极端情况下，ISR中只有一个Leader副本，若Leader当机则服务不可用。因此至少配置为2个。若ISR中副本小于这个数字，Producer返回异常。
-
配置Leader选举条件unclean.leader.election.enable=false，只允许Leader从ISR队列中选出。
-
request.required.acks=-1（等待ISR中的所有Follower都收到数据才返回成功），producer.type=sync（同步调用）
以上，保证了一个副本所在机器当机，Kafka仍提供服务，且数据正确未丢失。
数据去重
以上配置，保证了只要Leader返回成功，即不存在数据丢失。但考虑一种情况，Producer提交写请求到Leader后，Producer到Leader网络断开，此时Producer认为写失败。但实际，Follower正常同步到了Leader数据，HW更新。
此时Producer因为发送失败，会重发消息。此时Kafka中存在重复数据。这需要在Consume时业务逻辑中去重。Kafka本身不保证数据不重复。
Kafka高效的几个原因
1）架构层面
- 一个Topic多Partition部署实现并行处理，线性扩展
- ISR副本复制机制实现性能与可用性的平衡
2）磁盘优化
- Partition中顺序写磁盘
- mmap实现内存批量写磁盘，减少I/O次数
3）网络优化
- sendfile系统调用实现零拷贝，减少上下文切换
- Producer批量发送，减少网络I/O次数
- 支持数据压缩
