kafka

kafka

1.kafka基础架构

Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。
消息生产者（发布）将消息发布到topic中，同时有多个消息消费者（订阅）消费该消息。和点对点方式不同，发布到topic的消息会被所有订阅者消费。

  （1）Producer ：消息生产者，就是向kafka broker发消息的客户端；
  （2）Consumer ：消息消费者，向kafka broker取消息的客户端；
  （3）Consumer Group （CG）：消费者组，由多个consumer组成。消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个消费者消费；消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。
  （4）Broker ：一台kafka服务器就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic。
  （5）Topic ：可以理解为一个队列，生产者和消费者面向的都是一个topic；
  （6）Partition：为了实现扩展性，一个非常大的topic可以分布到多个broker（即服务器）上，一个topic可以分为多个partition，每个partition是一个有序的队列；
  （7）Replica：副本，为保证集群中的某个节点发生故障时，该节点上的partition数据不丢失，且kafka仍然能够继续工作，kafka提供了副本机制，一个topic的每个分区都有若干个副本，一个leader和若干个follower。
  （8）leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是leader。
  （9）follower：每个分区多个副本中的“从”，实时从leader中同步数据，保持和leader数据的同步。leader发生故障时，某个follower会成为新的leader。

2.kafka安装

1）解压安装包 tar -zxvf kafka_2.11-2.4.1.tgz -C /opt/module/
2）修改解压后的文件名称  mv kafka_2.11-2.4.1/ kafka
3）在/opt/module/kafka目录下创建logs文件夹  mkdir logs
4）配置环境变量 sudo vi /etc/profile.d/my_env.sh
   #KAFKA_HOME
   export KAFKA_HOME=/opt/module/kafka
   export PATH=$PATH:$KAFKA_HOME/bin
5）修改配置文件 vim $KAFKA_HOME/config/server.properties
   broker的全局唯一编号，不能重复
   broker.id=0
   #kafka运行日志存放的路径  刚才新建目录下
   log.dirs=/opt/module/kafka/logs
   #配置连接Zookeeper集群地址
   zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181/kafka
6）分发文件 环境变量  server.properties
   记得修改server.properties中的broke.id 不能重复
7）启动集群
   kafka-server-start.sh -daemon $KAFKA_HOME/config/server.properties
   kafka-server-start.sh -daemon  $KAFKA_HOME/config/server.properties
   kafka-server-start.sh -daemon  $KAFKA_HOME/config/server.properties
8）关闭集群
   kafka-server-stop.sh
9）配置群起群停的脚本

#!/bin/bash
   case $1 in
   start)
    for host in hadoop102 hadoop103 hadoop104
                        do
                          echo "===============start $host kafka==================="
                          ssh $host /opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties
                        done
    ;;
   stop)
    for host in hadoop102 hadoop103 hadoop104
                        do
                          echo "===============stop $host kafka==================="
                          ssh $host /opt/module/kafka/bin/kafka-server-stop.sh
                        done
    ;;
    esac

  10)kafka命令行操作
  1.查看当前服务器中的所有topic
    kafka-topics.sh --list --bootstrap-server hadoop102:9092
  2.创建topic
    kafka-topics.sh --create --bootstrap-server hadoop102:9092 --topic first --partitions 2 --replication-factor 2
    选项说明：
  --topic 定义topic名
  --replication-factor  定义副本数
  --partitions  定义分区数
   3.删除topic
   kafka-topics.sh --bootstrap-server hadoop102:9092 --delete --topic first
   4.发送消息
   kafka-console-producer.sh --broker-list hadoop102:9092 --topic first
   >hello world
   5.消费消息
   消费所有消息：kafka-console-consumer.sh --bootstrap-server hadoop102:9092 (--from-beginning) --topic first
   --from-beginning：会把主题中以往所有的数据都读取出来
   6.查看某个Topic的详情
   kafka-topics.sh --bootstrap-server hadoop102:9092 --describe --topic first
   7.修改分区数
   kafka-topics.sh --bootstrap-server hadoop102:9092 --alter --topic first --partitions 6
   修改分区时  只能从少分区修改为多分区，反之会报错

3.kafka的架构深入

3.1Kafka工作流程及文件存储机制

  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

   kafka如何保存数据      
   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。
  （默认文件容量每个segment log.segment.bytes 1GB log.retention.hours 默认 168小时 也就是一星期 数据过期 删除 ）
  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。 （cd $KAFKA_HOME/logs 可以看到分区的名字），每一个分区里面有多个segement 如下图所示

  kafka如何通过文件名字查找数据信息：
  总结一句话 就是 对于一个分区来说，先看文件名字，确定在哪一个segement ，然后找到 上图中的index 找到对应的数据

3.2kafka生产者 (kafka的分区是在 producer阶段完成的)

3.2.1分区策略

    1）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。
    2）分区的原则
      （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，所有发往指定话题的records，会积攒成一个batch（达到一定大小（默认16kb）或者两条消息间隔过长）一起发送到一个分区 。当形成新的batch，我们会随机选择一个新的分区发送。

3.2.2 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. ack应答机制     
      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：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
      ack 分为三个 0 1 -1/all 如下图

partition集群落盘 :leader 和所有follower
kafka如果要确保数据的可靠性一般选择最后一种 partition集群落盘 leader等follower同步完成之后将ack返回给producer 但会耗费时间 发送效率较低
如果对数据完整性要求不高的话，可以选择其他两个

    2.  ISR  （In sync replicas） 同步副本 
     采用第二种方案之后即ack=-1，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producer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。      
      isr有min.insync.replicas 最小同步副本数，如果设置两个，就算有个follower没给回执，也不能剔除
     3.isr故障处理细节
     （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。
      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。

      LEO：每个副本装了多少消息
      HW：所有副本中最少装了多少消息 即：最小的的LEO  完全同步的数据
     4.Exactly Once语义
       为了保证数据是不重复的，在数据完整性的基础上我们要启用幂等性，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。

3.2kafka消费者

3.3.1 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。

3.3.2 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。
     Kafka有三种分配策略，一是roundrobin，一是range，一是sticky
     1.range （kafka的默认分区分配策略）如下图  易造成数据倾斜 负载不均衡 （黄色代表一个topic有7个分区，棕色代表一个topic有5个分区 abc分别代表三个消费者）

     2.roundrobin  解决了负载不均衡的问题 依次分发  但是当加入新的消费者时，重新分配，每个消费者的分区会发生大的改变，性能消耗比较大

    3.sticky  在roundrobin的基础上尽量的让之前消费者上的分区还在之前的位置，挪动少量的分区即可

3.3.3 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。
     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。
     因为kafka的吞吐量进一步提升就会限制在zookeeper上，zookkerper进行大量频繁的操作效率不高

3.4 Kafka事务

3.4.1 Producer事务 依赖kafka内部话题Transaction stat

     为了实现跨分区跨会话的事务，需要引入一个全局唯一的Transaction ID，并将Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的Transaction ID获得原来的PID。
     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。还可以数据回滚
     数据回滚的话就是把partition上面的数据删除，但是kafka已经做了数据持久化，不能删除，所以kafka就将partition末尾的那些数据标记为consumer不可见，即不能消费       

3.4.1 Consumer事务（精准一次性消费）基本上没有

3.5 Kafka高效读写数据 （高吞吐量原因）

3.5.1 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。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。

3.5.2 应用Pagecache （页面缓存）

    Pagecache其实就是操作系统中用来缓存读写的一块内存
    1.I/O Scheduler 会将连续的小块写组装成大块的物理写从而提高性能
2.I/O Scheduler 会尝试将一些写操作重新按顺序排好，从而减少磁盘头的移动时间
3.充分利用所有空闲内存（非 JVM 内存 即Pagecache）。如果使用应用层 Cache（即 JVM 堆内存），会增加 GC 负担
4.读操作可直接在 Page Cache 内进行。如果消费和生产速度相当，甚至不需要通过物理磁盘（直接通过 Page Cache）交换数据
5.如果进程重启，JVM 内的 Cache 会失效，但 Page Cache 仍然可用
     尽管持久化到Pagecache上可能会造成宕机丢失数据的情况，但这可以被Kafka的Replication机制解决。
     如果为了保证这种情况下数据不丢失而强制将 Page Cache 中的数据 Flush 到磁盘，反而会降低性能。

3.5.3 零复制技术

     kafak端不需要对数据进行修改就可以用零复制技术，不修改就不需要把数据读进来。
     应用层只是调用了操作系统提供的零拷贝接口，把文件从A拷到B 首先少了两段内存拷贝，速度会提升不少，延迟会低很多
     缺点是应用层并不知道拷贝了什么数据，因为数据根本就没有进应用层，而kafka不需要自己知道自己拷贝什么数据，只是起到了传输的作用。

3.6 kafka controller的理解

    在Kafka集群中会有一个或者多个broker，其中有一个broker会被选举为控制器（Kafka Controller），它负责管理集群broker的上下线，所有topic的分区副本分配和leader选举等工作。当某个分区的leader副本出现故障时，由控制器负责为该分区选举新的leader副本。当检测到某个分区的ISR集合发生变化时，由控制器负责通知所有broker更新其元数据信息。当使用kafka-topics.sh脚本为某个topic增加分区数量时，同样还是由控制器负责分区的重新分配。