Kafka

工作流程

kafka

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

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。 

1
2
3
4
5
6
00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log

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

kafka

“.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 的物理偏移起始地址和数据长度。

Kafka 中的索引文件以稀疏索引(sparse index)的方式构造消息的索引，它并不保证每个消息在索引文件中都有对应的索引项。

每当写入一定量 (由 broker 端参数 log.index.interval.bytes 指定，默认值为 4096，即 4KB) 的消息时，偏移量索引文件和时间戳索引文件分别增加一个偏移量索引项和时间戳索引项，增大或减小 log.index.interval.bytes 的值，对应地可以缩小或增加索引项的密度。

Kafka生产者

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。

分区的原则

我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。

kafka

1
2
3
4
5
6
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。

一个partition只能关联同一个消费组里的一个消费者，这样做的好处是partition中的offset不会产生并发和不安全的问题。

也就是说，消费者必须小于等于partition，否则将出现无法被分配到partition的消费者，导致资源浪费。

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。

kafka

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 
1
2
3
4
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。

这里的ISR的概念是Leader的候选者（Follower集合），Leader 发生故障之后，就会从 ISR 中选举新的 leader。

在0.9之前，Kafka提供了两种逻辑来控制follower副本最多落后leader副本的消息数量。

1
2
3
4
5
replica.lag.max.messages：
follower相对于leader的 LEO的差值，落后当超过这个数量的时候就判定该follower是失效的，就会踢出ISR。

replica.lag.time.max：
多久没有向leader 请求数据，就会踢出ISR。

常见的导致follower和leader的数量同步跟不上的原因：

1
2
3
4
5
1.新的副本（这是很常见的情况，每个新的副本加入都需要一段信息同步的追赶时期）

2.网络IO等原因，某些机器IO处理速度变慢所导致持续消费落后。 

3.进程卡住（Kafka 是Java 写出来的，Java 进程最容易卡住的问题是不是亲切，就是Full GC，及高频次GC）

在0.9之后的版本，移除掉了根据数量判断的策略replica.lag.max.messages，其原因如下：

1
2
3
1.生产者批量batch产生消息，该消息量阈值超过replica.lag.max.messages的数量判断，导致follwer被移除ISR
2.又由于follower和leader通信频繁，导致follower又被添加进ISR
3.添加/删除ISR，需要和Zookeeper进行信息交互，瞬间的批量消息，会导致频繁添加、删除ISR，导致频繁ZK交互。

Kafka选择全部Follower完成同步，才发送ack到生产者，这里的全部Follower，指的是ISR里面的Follower集合。

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；

acks = 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；

kafka

acks = -1(all)：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。

kafka

在极端场景下也有可能会丢失数据，比如ISR中没有Follower，这时候场景就退化到acks = 1的情况了。

故障处理细节

kafka

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

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。

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。

HW这只能保证副本之间的数据一致性，消费一致性，并不能保证数据不丢失或者不重复，应该由ACK应答机制来保证。

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，即 AtLeast 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。

1
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。

Kafka 消费者

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。

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 有两种分配策略，一是 RoundRobin，一是 Range，kafka默认采用 Range 策略。

1
2
3
4
5
6
7
8
9
10
11
12
RoundRobin：
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。
【这种策略适用于消费者订阅的主题都相同时使用】

优点：能够均衡所有主题的partition之后再进行分配
缺点：消费组内的消费者订阅了不同主题时，会造成资源倾斜或者错乱。

Range：
同一个topic的partition进行字典排序，然后通过轮训的方式逐个将分区以此分配给每个消费者。

优点：同一个topic中的partition分配到的消费者最多相差一个partition
缺点：若多个topic，会导致多个消费者总体的partition过多，相差数最大值是topic的数量。

什么时候触发分区分配策略？

当消费者数量发生变化时，会触发它的分区重新分配策略。

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。

以【消费者组 + 主题 + 分区】做唯一标识，存储offset。

kafka

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。

高效读写数据

1.顺序写磁盘

2.零拷贝技术

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 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。

Zookeeper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。

以下为 partition 的 leader 选举过程：

kafka

Kafka事务

Producer 事务

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 Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 TransactionID 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。

Consumer 事务

上述事务机制主要是从 Producer 方面考虑，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。

相关问题

1
2
3
4
5
1.Kafka 中的 ISR(In-Sync Replicas)、OSR(Out-of-Sync Replicas)、AR(Assigned Replicas)代表什么？

ISR : 速率和leader相差低于10秒的follower的集合（正常同步的follower集合）
OSR : 速率和leader相差大于10秒的follower（被踢出的follower集合）
AR : 所有分区的follower
1
2
3
4
5
2.Kafka 中的 HW、LEO 等分别代表什么？

HW是High Watermark的缩写，俗称高水位，它标识了一个分区的消息偏移量（offset），消费者只能拉取到这个offset之前的消息。

LEO是Log End Offset的缩写，它标识当前分区中下一条待写入消息的offset值，LEO的大小相当于当前日志分区中最后一条消息的offset值加1。
1
2
3.Kafka 中是怎么体现消息顺序性的？
区间有序、单partition（全体有序）
1
2
3
4
5
4.Kafka 中的分区器、序列化器、拦截器是否了解？它们之间的处理顺序是什么？

拦截器：拦截消息增加额外操作
序列化器：序列化消息
分区器：是消息分发到不同分区的策略
1
2
3
4
5.Kafka 生产者客户端的整体结构是什么样子的？使用了几个线程来处理？分别是什么？

架构：main线程 + 拦截器 + 序列化器 + 分区器 + RecordAccumalator（缓冲区） + sender线程
两个线程：main线程和sender线程
1
2
6.“消费组中的消费者个数如果超过 topic 的分区，那么就会有消费者消费不到数据”这句话是否正确？
正确
1
2
7.消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset+1？
offset + 1
1
2
8.有哪些情形会造成重复消费？
先处理，后提交的过程中间宕机
1
2
9.那些情景会造成消息漏消费？
先提交，后处理的过程中间宕机
1
2
10.topic 的分区数可不可以增加？如果可以怎么增加？如果不可以，那又是为什么？
可以，命令参数：--alter --partitions 10
1
2
11.topic 的分区数可不可以减少？如果可以怎么减少？如果不可以，那又是为什么？
不可以，已经有数据存在，减少的话不知道数据应该放哪里
1
2
12.Kafka 有内部的 topic 吗？如果有是什么？有什么所用？
__consumer_offsets_xx，用来记录各个topic的partition的消费者组的offsets。
1
2
14.Kafka 分区分配的策略？
上文的分区分配策略
1
2
15.简述 Kafka 的日志目录结构？
【index】 和【log】文件
1
2
3
16.如果我指定了一个 offset，Kafka Controller 怎么查找到对应的消息？
a.通过二分查找定位index中的位置
b.扫描index中数据具体在log中的偏移量offset
1
2
17.聊一聊 Kafka Controller 的作用？
和zk打交道，元数据的更新、通知其他节点
1
2
3
18.Kafka 中有那些地方需要选举？这些地方的选举策略又有哪些？
a.Controller：谁先注册zk谁就是
b.Leader：ISR选举策略
1
2
19.Kafka 的哪些设计让它有如此高的性能？
分布式 + 顺序读写磁盘 + 零拷贝技术
1
2
20.Kafka日志保存时间？
7天

最后更新： 2021年03月08日 13:58

原始链接： https://midkuro.gitee.io/2021/02/27/kafka-framework/

赏
× 请我吃糖~
打赏二维码