经典组合：
Flume+Kafka+Storm+HDFS/HBase
Flume：分布式采集
Kafka：分布式缓存
Kafka简介：
一种分布式的、基于发布/订阅的消息系统（Scala编写的）
Kafka特点：
1.消息持久化：通过O(1)的磁盘数据结构提供数据的持久化
Kafka严重依赖磁盘，但是不是说磁盘一定比内存慢
操作系统：预读，后写
特点：对磁盘的顺序访问要比对内存随机访问还要快
2.高吞吐量：每秒百万级的消息读写（每秒可以处理上百兆的数据）
3.分布式：扩展能力强（集群的方式）
4.多客户端支持：java、php、python、c++ ....
5.实时性：生产者生产的message立即被消费者可见
Kafka的数据单位：message
Kafka的目标：成为一个队列平台，不仅支持离线，还要支持在线
Kafka基本组件：
1.Broker：每一台机器叫一个Broker
2.Producer：日志消息生产者，用来写数据(日志并不是我们理解的log（消息追踪，提示性的错误，系统运转的标记），虽然也叫log（kafka控制的数据）但是相当于message)
3.Consumer：消息的消费者，用来读数据
4.Topic：不同消费者去指定的Topic中读，不同的生产者往不同的Topic中写（话题：逻辑概念）
5.Partition：在Topic基础上做了进一步区分分层（物理实现（以文件夹的形式存在），一个Topic是由一个或多个Partition实现的）
1.2.3并不是在一个节点上的（Producer--->Broker--->Consumer）
·Kafka内部是分布式的、一个Kafka集群通常包括多个Broker
·负载均衡：将Topic分成多个分区（partition），每个Broker存储一个或多个Partition
·多个Producer和Consumer同时生产和消费消息
例如： 有5个partition，3个broker，怎么分？
0 —> 0%3=0
1 —> 1%3=1
2 —> 2%3=2
3 —> 3%3=0
4 —> 4%3=1
Producer和Broker不存在负载均衡（push模式（推）），因为Producer可以自己指定往哪个Broker写数据。
Broker和Consume存在负载均衡（pull模式（拉））——>依赖ZooKeeper完成。
负载均衡：
把consumer变成一个组，里面的是实际存在的，组是虚拟的概念。
分库思想，每个consumer存一部分数据，把consumer并发起来，就是完整数据，并没有丢失
负载均衡的思想：出现了个别节点不稳定，会体现rebalance机制。
一般来说Broker数量越多，集群吞吐量越高
一个topic由多个partition组成，每个partition分配了一个叫offset（偏移量）的id序列来识别分区中的消息（保证顺序性）
Kafka把更多的指导权交给了消费者（client来保存各自的offset）
Topic：
1.无论发布的消息是否被消费，kafka都会持久化一定时间（可配置，默认是7天）。
2.在每个消费者都持久化这个offset在日志中。通常消费者读消息时会使offset值线性的增长，但实际上其位置是由消费者控制，它可以按任意顺序来消费消息。比如复位到老的offset来重新处理。
3.每个分区代表一个并行单元。
Message：
message（消息）是通信的基本单位，每个producer可以向一个topic（主题）发布一些消息，如果consumer订阅了这个主题，那么新发布的消息就会广播给这些consumer。
消息格式：
message format：
– message length : 4 bytes (value: 1+4+n)
– "magic" value : 1 byte
– crc : 4 bytes
– payload : n bytes
Producer：
1.生产者可以发布数据到它指定的topic中，并可以指定在topic里哪些消息分配到哪些分区（比如简单的轮流分发各个分区或通过指定分区语义分配key到对应分区）
2.生产者直接把消息发送给对应分区的broker，而不需要任何路由层。
3.批处理发送，当message积累到一定数量或等待一定时间后进行发送。
Producer有两种模式（producer.type=sync（同步），async（异步））：
1.同步模式：实时
2.异步模式：打到一定的条件（时间，数据量）
Consumer：
一种更抽象的消费方式：消费组（consumer group）
partition存储查找：
partition内部分成文件segment，真正落地的数据，往partition永远是往segment尾部追加，所以写数据是O（1），随着数据积累，segment拆分，变成多个，随着数据增长，segment不断增多，越早的数据，存在角标越小的（1,2,3）中，查历史数据，可以知道数据的offset，但不知道offset在哪一段，用二分法，定位到其中一个segment，再顺序查找。
持久化：
1.Kafka存储布局简单：topic的每个partition对应一个逻辑日志，逻辑日志由多个segment file组成，每个segment file大小一致。
2.每次生产者发布消息到一个分区，代理就将消息追加到最后一个段文件中。
3.与传统的消息系统不同，Kafka系统中存储的消息没有明确的消息Id。
4.消息通过日志中的逻辑偏移量（offset）来公开。
传输效率：
1.生产者提交一批消息作为一个请求。消费者虽然利用api遍历消息是一个一个的，但背后也是一次请求获取一批数据，从而减少网络请求数量。
2.Kafka层采用无缓存设计，而是依赖于底层的文件系统页缓存。这有助于避免双重缓存，即消息只缓存了一份在页缓存中。同时这在kafka重启后保持缓存warm也有额外的优势。因kafka根本不缓存消息在进程中，故gc开销也就很小。
3.zero-copy：kafka为了减少字节拷贝，采用了大多数系统都会提供的sendfile系统调用。
无状态的Broker：
Kafka代理是无状态的：意味着消费者必须维护已消费的状态信息。这些信息由消费者自己维护，代理完全不管。这种设计非常微妙，它本身包含了创新。
– 从代理删除消息变得很棘手，因为代理并不知道消费者是否已经使用了该消息。Kafka创新性地解决了这个问题，它将一个简单的基于时间的SLA应用于保留策略。当消息在代理中超过一定时间后，将会被自动删除。
SLA：time-based消息保留策略（默认是7天）
– 这种创新设计有很大的好处，消费者可以故意倒回到老的偏移量再次消费数据。这违反了队列的常见约定，但被证明是许多消费者的基本特征。
交付保证：
Kafka默认采用at least once的消息投递策略。即在消费者端的处理顺序是获得消息->处理消息->保存位置。这可能导致一旦客户端挂掉，新的客户端接管时处理前面客户端已处理过的消息。
at least once：消息至少发送一次，如果消息未能接收成功，会出现重发的可能，保证消息不丢失。
三种保证策略：
– At most once 消息可能会丢，但绝不会重复传输。
– At least one 消息绝不会丢，但可能会重复传输。
– Exactly once 每条消息肯定会被传输一次且仅传输一次。
副本管理：
1.kafka将日志复制到指定多个服务器（broker）上。
针对partition副本管理，如果一共有f+1个broker，允许挂掉f个。
2.复本的单元是partition。在正常情况下，每个分区有一个leader和0到多个follower。
3.leader处理对应分区上所有的读写请求。分区可以多于broker数，leader也是分布式的。
4.follower的日志和leader的日志是相同的， follower被动的复制leader。如果leader挂了，其中一个follower会自动变成新的leader。
ISR：kafka在zookeeper中动态维护了一个set(里面表示的所有的副本，都是跟上了leader的节奏)
ISR里面副本需要删除的两个情况：
1.消息延迟
2.数据落后太多了
kfka数据提交成功：向leader里写数据，leader的segment同步数据到follower的内存，follower给leader返回信息，全部成功后leader返回ack机制，数据提交成功，之后follower在落地磁盘。
follower主动向leader去pull。
kafka失败的定义：“活着”
1.节点在zookeeper注册的session还在且可维护（基于zookeeper心跳机制）。
2.如果slave则能够紧随leader的更新不至于落后太远。
replica.lag.max.messages如果设为4，表明follower不能落后于leader超过3个消息，否则从ISR中删除。