详情
文件存储
topic
- 每个 broker 里面的 topic 都有一个偏移
- 每个 topic 的 follower 不在一个机器上
- 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
partition
- 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。
- 每个 partition 内是有序的，但是 topic 里面的多个 partition 是无序的=
- partition 格式：first 这个 topic 有三个分区，则其对应的文件夹为 first- 0,first-1,first-2
- 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
- 通过参数 log.segment.bytes 配置默认 1G
- 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
- 将每个 partition 分为多个 segment
segment
- 每个 segment 对应两个文件——“.index”文件和“.log”文件
- 命名规则是上一个 segment 文件最后一条消息的位移 + 1
- segment 快速查找，通过 index 索引 log
- index 文件每一行大小固定，且因为消息序号是递增
- index 每行数据格式
- msgIndex -> offset, offset+ msgLength
生产者
分区策略
一个 Topic 有多个 Partition，那么，向一个 Topic 中发送消息的时候，具体是写入哪个 Partition 呢？有3种写入方式。
- **分区的原因 **
- 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 为单位读写了
- 分区原则
- 我们需要将 producer 发送的数据封装成一个 **ProducerRecord **对象。
- 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 算法
数据可靠性
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。
消费者
消费方式
Kafka 不像普通消息队列具有发布/订阅功能，Kafka 不会向 Consumer 推送消息。
Consumer 必须自己从 Topic 的 Partition 拉取消息。
一个 Consumer 连接到一个 Broker 的 Partition，从中依次读取消息。
- 消息的 Offset 就是 Consumer 的游标，根据 Offset 来记录消息的消费情况。
- 读完一条消息之后，Consumer 会推进到 Partition 中的下一个 Offset，继续读取消息。
- Offset 的推进和记录都是 Consumer 的责任，Kafka 是不管的。
分区策略
- Kafka 中有一个 Consumer Group（消费组）的概念，多个 Consumer 组团去消费一个 Topic。
- 同组的 Consumer 有相同的 Group ID。
- Consumer Group 机制会保障一条消息只被组内唯一一个 Consumer 消费，不会重复消费。
- 消费组这种方式可以让多个 Partition 并行消费，大大提高了消息的消费能力，最大并行度为 Topic 的 Partition 数量。
- 如果有3个分区，但是有4个消费者，此时第四个消费者将作为一个备选节点
- Kafka 有两种分配策略，一是 RoundRobin，一是 Range。
- RoundRobin
- Range
Offset 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**。
高效读写数据
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 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。
零复制技术
Zookeeper
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。
事务
Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。
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 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。
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。
备份
0.8 以后引入的备份机制
ACK值默认为1，生产者要等待leader返回leader自身接收数据成功的回馈，才会继续推送下一条数据，这时数据传递的速度也就是吞吐量是适中的，但是也有一个坏处，无法保障数据一定被其他的follower备份成功。
当ACK机制值为0时，生产者不会等待任何回馈，直接发送下一条数据，此时数据的吞吐速度最快，但是数据的安全最低，从源头上就无法保证数据一定被接收。
当ACK机制的值为-1的时候，生产者任然会等待leader的回馈，但是这个回馈不止是leader自己的，还有其他所有follower的，此时数据的吞吐量是最低的，但是数据的安全级别是最高的。
API
消息发送
Kafka 的 Producer 发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程——main 线程和 Sender 线程，以及一个线程共享变量——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 Kafka broker。
batch.size**：**只有数据积累到 batch.size 之后，sender 才会发送数据。
**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。
public class KafkaProducer<K, V> implements Producer<K, V> {
public KafkaProducer(Map<String, Object> configs) {
this((ProducerConfig)(new ProducerConfig(configs)), (Serializer)null, (Serializer)null);
}// 可异步同步
Future<RecordMetadata> send(ProducerRecord<K, V> var1, Callback var2);Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");//kafka 集群，broker-list
props.put("acks", "all");
props.put("retries", 1);//重试次数
props.put("batch.size", 16384);//批次大小
props.put("linger.ms", 1);//等待时间
props.put("buffer.memory", 33554432);//RecordAccumulator 缓冲区大小
props.put("key.serializer","org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer","org.apache.kafka.common.serialization.StringSerializer");消息接收
Consumer 消费数据时的可靠性是很容易保证的，因为数据在 Kafka 中是持久化的，故 不用担心数据丢失题。
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。
所以 offset 的维护是 Consumer 消费数据是必须考虑的问题
- 自动提交 offset
Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");
props.put("group.id", "test");
// 是否开启自动提交 offset 功能
props.put("enable.auto.commit", "true");
// 自动提交 offset 的时间间隔
props.put("auto.commit.interval.ms", "1000");- 同步提交 offset
Properties props = new Properties();
props.put("bootstrap.servers", "hadoop102:9092");
// 消费者组，只要 group.id 相同，就属于同一个消费者组
props.put("group.id", "test");
// 是否开启自动提交 offset 功能
props.put("enable.auto.commit", "false");
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
//同步提交，当前线程会阻塞直到 offset 提交成功
consumer.commitSync();- 异步提交 offset
虽然同步提交 offset 更可靠一些，但是由于其会阻塞当前线程，直到提交成功。因此吞 吐量会收到很大的影响。因此更多的情况下，会选用异步提交 offset 的方式。
//异步提交
consumer.commitAsync(new OffsetCommitCallback() {
@Override
public void onComplete(Map<TopicPartition, OffsetAndMetadata> offsets, Exception exception) {
if (exception != null) {
System.err.println("Commit failed for" + offsets);
}
}
});无论是同步提交还是异步提交 offset，都有可能会造成数据的漏消费或者重复消费。先 提交 offset 后消费，有可能造成数据的漏消费；而先消费后提交 offset，有可能会造成数据 的重复消费。
public class KafkaConsumer<K, V> implements Consumer<K, V> {
public KafkaConsumer(Map<String, Object> configs) {
this((Map)configs, (Deserializer)null, (Deserializer)null);
}void subscribe(Collection<String> var1);
public ConsumerRecords<K, V> poll(long timeout) {
public void commitAsync() {
this.commitAsync((OffsetCommitCallback)null);
}Interceptor
Producer 拦截器(interceptor)是在 Kafka 0.10 版本被引入的，主要用于实现 clients 端的定 制化控制逻辑。 对于 producer 而言，interceptor 使得用户在消息发送前以及 producer 回调逻辑前有机会 对消息做一些定制化需求，比如修改消息等。同时，producer 允许用户指定多个 interceptor 按序作用于同一条消息从而形成一个拦截链(interceptor chain)。Intercetpor 的实现接口是org.apache.kafka.clients.producer.ProducerInterceptor，其定义的方法包括
Kafka 监控
Flume Kafka
# define
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F -c +0 /opt/module/data/flume.log
a1.sources.r1.shell = /bin/bash -c
# sink
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers =
hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.sinks.k1.kafka.topic = first
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.linger.ms = 1
# channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1问题
- Kafka 中的 ISR(InSyncRepli)、OSR(OutSyncRepli)、AR(AllRepli)代表什么？
- Kafka 中的 HW、LEO 等分别代表什么？
- Kafka 中是怎么体现消息顺序性的？
- 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？
- 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？
- “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？
- 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？
- 有哪些情形会造成重复消费？
- 那些情景会造成消息漏消费？
- 当你使用 kafka-topics.sh 创建（删除）了一个 topic 之后，Kafka 背后会执行什么逻辑？
- 会在 zookeeper 中的/brokers/topics 节点下创建一个新的 topic 节点，如： /brokers/topics/first
- 触发 Controller 的监听程序
- kafka Controller 负责 topic 的创建工作，并更新 metadata cache
- 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？
- 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？
- Kafka 有内部的 topic 吗？如果有是什么？有什么所用？
- Kafka 分区分配的概念？
- 简述 Kafka 的日志目录结构？
- 如果我指定了一个 offset，Kafka Controller 怎么查找到对应的消息？
- 聊一聊 Kafka Controller 的作用？
- Kafka 中有那些地方需要选举？这些地方的选举策略又有哪些？
- 失效副本是指什么？有那些应对措施？
- Kafka 的哪些设计让它有如此高的性能？
- 零拷贝
- 顺序读写磁盘