一、背景知识

Kafka定义

传统定义：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。

最新定义：Kafka 是一个开源的分布式事件流平台，被数千家公司用于高性能数据管道、流分析、数据集成和关键任务应用。

消息队列

传统的消息队列的主要应用场景包括： 缓存/消峰、解耦和异步通信。目前企业中比较常见的消息队列产品主要有 ActiveMQ、RabbitMQ、RocketMQ、Kafka 等。

消息队列的两种模式：

点对点模式：一对一，消费者主动拉取数据，消息收到后消息清除。该模式使用较少
发布/ 订阅模式：一对多，消息生产者将消息发布到 topic 中，同时有多个消费者消费该消息，消费之后不会清除消息

二、Kafka架构

Kafka架构

Producer：消息生产者，就是向 kafka broker 发消息的客户端
Consumer：消息消费者，向 kafka broker 取消息的客户端
Consumer Group：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组内消费者消费；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
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
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
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
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，其中有一个 leader 和若干个 follower
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。由 zk 记录谁是 leader，2.8.0 版本以后也可以配置不使用 zk
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 follower。

三、生产者

3.1 消息发送流程

在消息发送的过程中，涉及到了两个线程：main 线程和 sender 线程。在 main 线程中创建了一个双端队列 RecordAccumulator。Main 线程将消息发送给 RecordAccumulator，sender 线程不断从 RecordAccumulator 中拉取消息发送到 broker。

消息发送流程

几个重要参数：

buffer.memory：RecordAccumulator 缓冲区总大小，默认 32m
batch.size：缓冲区一批数据最大值，默认16k。适当增加该值，可以提高吞吐量，但是如果该值设置太大，会导致数据传输延迟增加
linger.ms：如果数据迟迟未达到 batch.size， sender 等待 linger.time 之后就会发送数据。单位 ms，默认值是 0ms, 表示没有延迟。生产环境建议该值大小为 5-100ms 之间
acks：Kafka 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：
0：生产者发送过来的数据，不需要等数据落盘应答
1：生产者发送过来的数据，leader 收到数据后应答
-1（all）：生产者发送过来的数据，leader 和 ISR（和 leader 保持同步的 follower 集合）队列里面的所有节点收齐数据后应答。默认值是-1，-1 和 all 是等价的
compression.type：生产者发送的所有数据的压缩方式。默认是 none，也就是不压缩。支持压缩类型：none、gzip、snappy、lz4 和 zstd
max.in.flight.requests.per.connection：允许最多没有返回 ack 的次数，默认为 5，开启幂等性要保证该值是 1-5 的数字

几种消息发送方式：

普通异步发送
带回调函数的异步 api
同步 api

3.2 分区

分区的好处：

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
可以提高并发，因为可以以 partition 为单位生产/消费数据了

生产者发送消息的分区策略：

指明 partition 的情况下，直接将指明的值直接作为 partiton 值
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
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 轮询算法

3.3 生产经验

生产者如何提高吞吐量

调整批次大小：如将 batch.size 由16k调整为32k
调整Sender线程等待时间：如将 linger.ms 由0调整为5-100ms
压缩策略：如将 compression.type 设为 snappy
调整缓存大小：如将 buffer.memory 由32m调整为64m

数据可靠性

Ack应答级别：

acks=0，生产者发送数据后就不管了，可靠性差，效率高
acks=1，生产者发送数据后 leader 应答即可，可靠性中等，效率中等
acks=-1，生产者发送数据后 leader 和 ISR 队列中所有 follower 应答才行，可靠性高，效率低

生产环境中，acks=0 很少使用；acks=1，一般用于传输普通日志，允许丢失个别数据；acks=-1，一般用于传输和交易相关等对可靠性要求较高的场景。

数据完全可靠条件 = ACK级别为-1 + 分区副本大于等于2 + ISR里应答的最小副本数大于等于2

数据重复性

至少一次（At Least Once）= ACK级别为1 + 分区副本大于等于2 + ISR里应答的最小副本数大于等于2。不能保证数据不重复。

最多一次（At Most Once）= ACK级别为0。不能保证数据不丢失。

精确一次（Exactly Once）= 幂等性 + 至少一次。幂等性默认开启，但只能保证在单分区单会话内不重复，如果需要全局严格一致，则需要开启事务（开启事务的前提是开启幂等性）。

数据顺序

单分区内，可以配置为有序：多分区，分区与分区间无序。

单分区有序的条件：

1.x 版本之前：max.in.flight.requests.per.connection = 1
1.x 及之后版本：
（1）若未开启幂等性
配置 max.in.flight.requests.per.connection = 1
（2）若开启幂等性
配置 max.in.flight.requests.per.connection <= 5。其原理是 1.x 版本后，如果开启幂等，kafka 服务端会缓存生产者发来的最近5个 requests 的元数据，因此可以保证最近5个 requests 的数据是有序的。

四、Broker

4.1 Broker启动流程

Kafka 集群中有一个 broker 的 controller 会被选举为 controller leader，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 的信息同步工作是依赖于 zookeeper 的（2.8.0 版本以后也可以不依赖）。

Broker启动流程

4.2 副本与故障处理

副本

副本的作用是提高数据可靠性，Kafka 默认副本1个，生产环境一般配置为2个，保证数据可靠性；太多副本会增加磁盘存储空间，增加网络上数据传输，降低效率。

Kafka 中副本分为：leader 和 follower。Kafka 生产者只会把数据发往 leader，
然后 follower 找 leader 进行同步数据。

几个重要概念：

AR：Kafka 分区中的所有副本统称为（Assigned Repllicas）。AR = ISR + OSR
ISR：表示和 leader 保持同步的 follower集合。如果 follower 长时间未向 leader 发送通信请求或同步数据，则该 follower 将被踢出 ISR。该时间阈值由 replica.lag.time.max.ms 参数设定，默认30s。Leader 发生故障之后，就会从 ISR 中选举新的 leader
OSR：表示 follower 与 leader 副本同步时，延迟过多的副本
LEO：Log End Offset，每个副本的最新的 offset + 1
HW：High Watermart，所有副本中最小的 LEO

Follower 故障

Follower 发生故障后会被临时提出 ISR
这个期间 leader 和 follower 继续接受数据
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 大于等于该分区的 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
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。如何保证？见上一节数据可靠性。

4.3 文件存储

Topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应一个 log 文件，该文件中存储的就是 producer 生产的数据。Producer 生产的数据会不断追加到该 log 文件末端。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 包括：.index 文件、.log 文件和 .timeindex 等文件，这些文件位于一个文件夹下，该文件夹命名规则：topic 名称 + 分区序号，例如：first-0。

文件存储机制

两个重要参数：

log.segment.bytes：log 日志划分成块（即 segment）的大小，默认值1G
log.index.interval.bytes：默认4kb，每当写入了4kb大小的日志（.log），然后就往 index 文件里面记录一个索引（稀疏索引）

Log 文件和 Index 文件示例

文件示例

高效读写数据

Kafka 如何做到高效读写数据？

Kafka 本身是分布式集群，可以采用分区技术，并行度高
读数据采用稀疏索引，可以快速定位要消费的数据
顺序写磁盘，生产者数据是一直追加到 log 文件末端的顺序写（顺序写 600M/s vs 随机写 100K/s）
零拷贝+页缓存技术
零拷贝：Kafka 的数据加工处理由生产者和消费者处理，broker 应用层不关心存储的数据，所以就不用了走应用层，传输效率高。
页缓存：操作系统提供，当上层由写操作时，操作系统只是将数据写入 PageCache；读操作时先从 PageCache 中查找，找不到再去磁盘中获取。

关于零拷贝和页缓存，具体可以参考：https://zhuanlan.zhihu.com/p/258513662

五、消费者

5.1 消费方式

Consumer 采用 pull（拉）模式从 broker 中读取数据；因为 push （推）模式很难适应消费速率不同的消费者。

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。

5.2 消费者组

消费者组（Consumer Group，CG）由多个 consumer 组成。形成一个消费者组的条件，是所有消费者的 groupid 相同。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组内消费者消费；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。

消费者组初始化流程：

消费者组初始化流程

消费者组消费流程：

消费者组消费流程

5.3 分区的分配与再平衡

一个消费者组中有多个 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。当消费者组里面的消费者个数发生改变的时候，也会触发再平衡。

Kafka 有四种分配策略，可以通过参数 partition.assignment.strategy 来配置，默认 Range + CooperativeSticky。

Range：针对每个 topic。将 topic 中的分区与消费者排序，通过分区数/消费者数决定每个消费者消费几个分区，若除不尽则前面几个消费者会多消费1个分区。注意，如果有N个 topic，容易产生数据倾斜
RoundRobin：针对集群中的所有 topic。把所有分区和所有的消费者都列出来，然后按照 hashcode 进行排序，最后通过轮训算法来分配分区给到各个消费者
Sticky：粘性分区从 0.11.x 版本开始引入，首先会尽量均衡的放置分区到消费者上面，在出现同一消费者组内消费者出现问题的时候，会尽量保持原有分配的分
区不变化
CooperativeSticky：和 sticky 类似只是支持了cooperative 的再平衡

5.4 Offset

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，默认将 offset 保存在 kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。__consumer_offsets 主题里面采用 key 和 value 的方式存储数据。Key 是 group.id+topic+分区号，value 就是当前 offset 的值。每隔一段时间，kafka 内部会对这个 topic 进行 compact，也就是每个 group.id+topic+分区号就保留最新数据。

提交 offset

自动提交：为了使用户专注自己的业务逻辑，kafka 提供了自动提交 offset 的功能，相关参数：
enable.auto.commit：是否开启自动提交，默认 true
auto.commit.inteval.ms：自动提交的时间间隔，默认5s
手动提交：包括两种方式，同步提交（commitSync）和异步提交（commitAsync）

重复消费：已经消费了数据，但是 offset 没提交。
漏消费：先提交 offset 后消费，有可能会造成数据的漏消费。

如何避免漏消费和重复消费，做到精准一次消费呢？这依赖于消费者事务，要求消费端将消费过程和提交 offset 过程做原子绑定，也就是说需要将 offset 保存到支持事务的自定义介质（如 Mysql）。

指定 offset 消费

当 kafka 中没有初始偏移量（消费者组第一次消费）或服务器上不再存在当前偏移量时（例如该数据已被删除），该怎么办？有以下几种配置：

earliest：自动将偏移量重置为最早的偏移量
latest（默认值）：自动将偏移量重置为最新偏移量
none：如果未找到消费者组的先前偏移量，则向消费者抛出异常
任意指定 offset 位移开始消费

5.5 生产经验

如何提高吞吐量（避免数据积压）

如果是消费能力不足，可以考虑增加 topic 的分区数，并提升消费者组的消费者数量，使消费者数 = 分区数
如果是下游的数据处理不及时，可以提高每批次拉取的数量。如果拉取数据/处理时间 < 生产速度，即处理的数据小于生产的数据，也会造成数据积压

六、Kafka-Kraft 模式

kafka架构

左图为 kafka 原有架构，元数据在 zookeeper 中，运行时动态选举 controller，由 controller 进行 kafka 集群管理。右图为 kraft 模式架构（实验性），不再依赖 zookeeper 集群，而是用三台 controller 节点代替 zookeeper，元数据保存在 controller 中，由 controller 直接进行 kafka 集群管理。这样做的好处有以下几个：

Kafka 不再依赖外部框架，而是能够独立运行
Controller 管理集群时，不再需要从 zookeeper 中先读取数据，集群性能上升
由于不依赖 zookeeper，集群扩展时不再受到 zookeeper 读写能力限制
Controller 不再动态选举，而是由配置文件规定。这样我们可以有针对性的加强
controller 节点的配置，而不是像以前一样对随机 controller 节点的高负载束手无策

Kafka笔记