亚博vip86.com 前端设计 程序设计 Java相关 移动开发 数据库/运维 软件/图像 大数据/云计算 其他经验
当前位置:亚博vip86.com  » 大数据/云/AI » Apache Kafka » 查看文章
kafka工作原理介绍
来源:cnblogs  作者:long77  时间:2019/4/11 8:54:05  对本文有异议

两张图读懂kafka应用:

Kafka 中的术语 

    broker:中间的kafka cluster,存储消息,是由多个server组成的集群。
   topic:kafka给消息提供的分类方式。broker用来存储不同topic的消息数据。
   producer:往broker中某个topic里面生产数据。
   consumer:从broker中某个topic获取数据。


Kafka 中的术语设计:
1、Broker
      中间的kafka cluster,存储消息,是由多个server组成的集群。

 

2、topic与消息
  kafka将所有消息组织成多个topic的形式存储,而每个topic又可以拆分成多个partition,每个partition又由一个一个消息组成。每个消息都被标识了一个递增序列号代表其进来的先后顺序,并按顺序存储在partition中。

 

  这样,消息就以一个个id的方式,组织起来。

   producer选择一个topic,生产消息,消息会通过分配策略append到某个partition末尾。
   consumer选择一个topic,通过id指定从哪个位置开始消费消息。消费完成之后保留id,下次可以从这个位置开始继续消费,也可以从其他任意位置开始消费。
  上面的id在kafka中称为offset,这种组织和处理策略提供了如下好处:

   消费者可以根据需求,灵活指定offset消费。
   保证了消息不变性,为并发消费提供了线程安全的保证。每个consumer都保留自己的offset,互相之间不干扰,不存在线程安全问题。
   消息访问的并行高效性。每个topic中的消息被组织成多个partition,partition均匀分配到集群server中。生产、消费消息的时候,会被路由到指定partition,减少竞争,增加了程序的并行能力。
 增加消息系统的可伸缩性。每个topic中保留的消息可能非常庞大,通过partition将消息切分成多个子消息,并通过负责均衡策略将partition分配到不同server。这样当机器负载满的时候,通过扩容可以将消息重新均匀分配。
   保证消息可靠性。消息消费完成之后不会删除,可以通过重置offset重新消费,保证了消息不会丢失。
   灵活的持久化策略。可以通过指定时间段(如最近一天)来保存消息,节省broker存储空间。
   备份高可用性。消息以partition为单位分配到多个server,并以partition为单位进行备份。备份策略为:1个leader和N个followers,leader接受读写请求,followers被动复制leader。leader和followers会在集群中打散,保证partition高可用。


3、Partitions
       每个Topics划分为一个或者多个Partition,并且Partition中的每条消息都被标记了一个sequential id ,也就是offset,并且存储的数据是可配置存储时间的。

 

4、producer
  producer生产消息需要如下参数:

   topic:往哪个topic生产消息。
   partition:往哪个partition生产消息。
   key:根据该key将消息分区到不同partition。
   message:消息。

5、consumer
  传统消息系统有两种模式:

   队列
   发布订阅
  kafka通过consumer group将两种模式统一处理:

  每个consumer将自己标记consumer group名称,之后系统会将consumer group按名称分组,将消息复制并分发给所有分组,每个分组只有一个consumer能消费这条消息。如下图:

 

  于是推理出两个极端情况:

   当所有consumer的consumer group相同时,系统变成队列模式
   当每个consumer的consumer group都不相同时,系统变成发布订阅
  注意:

  1、Consumer Groups 提供了topics和partitions的隔离, 如上图Consumer Group A中的consumer-C2挂掉,consumer-C1会接收P1,P2,即一个consumer Group中有其他consumer挂掉后能够重新平衡。如下图:

 

  2、多consumer并发消费消息时,容易导致消息乱序,通过限制消费者为同步,可以保证消息有序,但是这大大降低了程序的并发性。

  kafka通过partition的概念,保证了partition内消息有序性,缓解了上面的问题。partition内消息会复制分发给所有分组,每个分组只有一个consumer能消费这条消息。这个语义保证了某个分组消费某个分区的消息,是同步而非并发的。如果一个topic只有一个partition,那么这个topic并发消费有序,否则只是单个partition有序。

  一般消息系统,consumer存在两种消费模型:

   push:优势在于消息实时性高。劣势在于没有考虑consumer消费能力和饱和情况,容易导致producer压垮consumer。
   pull:优势在可以控制消费速度和消费数量,保证consumer不会出现饱和。劣势在于当没有数据,会出现空轮询,消耗cpu。

  kafka采用pull,并采用可配置化参数保证当存在数据并且数据量达到一定量的时候,consumer端才进行pull操作,否则一直处于block状态。kakfa采用整数值consumer position来记录单个分区的消费状态,并且单个分区单个消息只能被consumer group内的一个consumer消费,维护简单开销小。消费完成,broker收到确认,position指向下次消费的offset。由于消息不会删除,在完成消费,position更新之后,consumer依然可以重置offset重新消费历史消息。

 

消息发送语义
  producer视角

     消息最多发送一次:producer异步发送消息,或者同步发消息但重试次数为0。
     消息至少发送一次:producer同步发送消息,失败、超时都会重试。
     消息发且仅发一次:后续版本支持。
  consumer视角

     消息最多消费一次:consumer先读取消息,再确认position,最后处理消息。
     消息至少消费一次:consumer先读取消息,再处理消息,最后确认position。
     消息消费且仅消费一次。
  注意:

    如果消息处理后的输出端(如db)能保证消息更新幂等性,则多次消费也能保证exactly once语义。
    如果输出端能支持两阶段提交协议,则能保证确认position和处理输出消息同时成功或者同时失败。
    在消息处理的输出端存储更新后的position,保证了确认position和处理输出消息的原子性(简单、通用)。

 

可用性
      在kafka中,正常情况下所有node处于同步中状态,当某个node处于非同步中状态,也就意味着整个系统出问题,需要做容错处理。

  同步中代表了:

    该node与zookeeper能连通。
    该node如果是follower,那么consumer position与leader不能差距太大(差额可配置)。
   某个分区内同步中的node组成一个集合,即该分区的ISR。

  kafka通过两个手段容错:

    数据备份:

     以partition为单位备份,副本数可设置。当副本数为N时,代表1个leader,N-1个followers,followers可以视为leader的consumer,拉取leader的消息,append到自己的系统中
    failover:
            1. 当leader处于非同步中时,系统从followers中选举新leader

     2. 当某个follower状态变为非同步中时,leader会将此follower剔除ISR,当此follower恢复并完成数据同步之后再次进入 ISR。

   另外,kafka有个保障:当producer生产消息时,只有当消息被所有ISR确认时,才表示该消息提交成功。只有提交成功的消息,才能被consumer消费。

   因此,当有N个副本时,N个副本都在ISR中,N-1个副本都出现异常时,系统依然能提供服务。

          假设N副本全挂了,node恢复后会面临同步数据的过程,这期间ISR中没有node,会导致该分区服务不可用。kafka采用一种降级措施来处理:选举第一个恢复的node作为leader提供服务,以它的数据为基准,这个措施被称为脏leader选举。由于leader是主要提供服务的,kafka broker将多个partition的leader均分在不同的server上以均摊风险。每个parition都有leader,如果在每个partition内运行选主进程,那么会导致产生非常多选主进程。kakfa采用一种轻量级的方式:从broker集群中选出一个作为controller,这个controller监控挂掉的broker,为上面的分区批量选主。

 

一致性
  上面的方案保证了数据高可用,有时高可用是体现在对一致性的牺牲上。如果希望达到强一致性,可以采取如下措施:

     禁用脏leader选举,ISR没有node时,宁可不提供服务也不要未完全同步的node。
     设置最小ISR数量min_isr,保证消息至少要被min_isr个node确认才能提交。


持久化
  基于以下几点事实,kafka重度依赖磁盘而非内存来存储消息。

     硬盘便宜,内存贵
     顺序读+预读取操作,能提高缓存命中率
     操作系统利用富余的内存作为pagecache,配合预读取(read-ahead)+写回(write-back)技术,从cache读数据,写到cache就返回(操作系统后台flush),提高用户进程响应速度
     java对象实际大小比理想大小要大,使得将消息存到内存成本很高
     当堆内存占用不断增加时,gc抖动较大
     基于文件顺序读写的设计思路,代码编写简单
     在持久化数据结构的选择上,kafka采用了queue而不是Btree
     kafka只有简单的根据offset读和append操作,所以基于queue操作的时间复杂度为O(1),而基于Btree操作的时间复杂度为O(logN)
     在大量文件读写的时候,基于queue的read和append只需要一次磁盘寻址,而Btree则会涉及多次。磁盘寻址过程极大降低了读写性能
---------------------
作者:Saint-at-home
来源:CSDN
原文:https://blog.csdn.net/qq_29186199/article/details/80827085
版权声明:本文为博主原创文章,转载请附上博文链接!

原文链接:http://www.cnblogs.com/cnblog-long/p/10684906.html