zoukankan      html  css  js  c++  java
  • Kafka学习笔记(三)——架构深入

    之前搭建好了Kafka的学习环境,了解了具体的配置文件内容,并且测试了生产者、消费者的控制台使用方式,也学习了基本的API。那么下一步,应该学习一下具体的内部流程~

    1、Kafka的工作流程

    大致的工作流程图如下:

    如图所示哈,整个工作环境包括:一个生产者(producer),一个消费者组(含有三个消费者),一个主题:A,三个节点(broker),三个分区(partition)和两个副本(副本数=leader数+follower数)。

    分析一下大致工作流程:

    • Producer是消息的生产者,首先Producer从集群中获取分区的leader,完了以后producer将消息发送给leader,leader将消息写入到本地文件。之后,follower要从leader这里主动同步数据。
    • 图中所示,每一个分区中都有消息的编号,称为偏移量(offset),它的作用是可以让消费者追踪消息在分区里的位置。注意:这个偏移量不是全局的,而是分区独立使用的。因此,Kafka只保证区内消息有序(生产顺序和消费顺序相同)。
    • 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(log文件太大的时候会被切分,之后再说),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,出错复活之后,从上次的位置继续消费。

    在网上找了一个图,还挺通俗的:

    2、Kafka的文件存储机制

    简图如下:

    Producer 将数据写入 Kafka 后,集群就需要对数据进行保存了。Kafka 将数据保存在磁盘,可能在我们的一般的认知里,写入磁盘是比较耗时的操作,不适合这种高并发的组件。Kafka 初始会单独开辟一块磁盘空间,顺序写入数据(效率比随机写入高)。

    2.1 Partition 结构

    前面说过了每个 Topic 都可以分为一个或多个 Partition,如果你觉得 Topic 比较抽象,那 Partition 就是比较具体的东西了!

    Partition 在服务器上的表现形式就是一个一个的文件夹,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

    每组 Segment 文件又包含 .index 文件、.log 文件、.timeindex 文件(早期版本中没有)三个文件。

    log和index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,simon这个topic有2个分区,则其对应的文件夹为simon-0,simon-1:

    log 文件就是实际存储 Message 的地方,而 indextimeindex 文件为索引文件,用于检索消息。

    2.2 Message 结构

    上面说到 log 文件就实际是存储 Message 的地方,我们在 Producer 往 Kafka 写入的也是一条一条的 Message。

    那存储在 log 中的 Message 是什么样子的呢?消息主要包含消息体、消息大小、Offset、压缩类型……等等!

    我们重点需要知道的是下面三个:

    • Offset:Offset 是一个占 8byte 的有序 id 号,它可以唯一确定每条消息在 Parition 内的位置;
    • 消息大小:消息大小占用 4byte,用于描述消息的大小;
    • 消息体:消息体存放的是实际的消息数据(被压缩过),占用的空间根据具体的消息而不一样。

    index和log文件以当前segment的第一条消息的offset命名,下图为index文件和log文件的结构示意图:

    例如:进入simon-0目录下查看

    2.3 存储策略

    无论消息是否被消费,Kafka 都会保存所有的消息。那对于旧数据有什么删除策略呢?

    • 基于时间,默认配置是 168 小时(7 天);
    • 基于大小,默认配置是 1073741824。

    需要注意的是,Kafka 读取特定消息的时间复杂度是 O(1),所以这里删除过期的文件并不会提高 Kafka 的性能!

    3、Kafka的生产者

    3.1 分区策略

    1)为什么要分区呢 ?

    • 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;【提高负载能力】
    • 可以提高并发,因为可以以Partition为单位读写了

    2)分区的原则
    我们需要将producer发送的数据封装成一个ProducerRecord对象。

    (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。

    3.2 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。

    1)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

    Kafka选择了第二种方案,原因如下:

    • 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。

    • 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。

    留下一个疑问:既然是全部follower同步完成才发Ack,那么如果有一个follower在同步之前挂了,岂不是永远无法发送ack?哎,这就有了ISR机制~~

    2)ISR

    采用第二种方案之后,设想一下:leader收到数据,所有的follower都开始同步数据,但是有一个follower,因为某种故障迟迟无法与leader同步,那么leader就要一直等下去,直到它同步完成,才能发生ack,这样的问题如何解决呢?

    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,该时间阈值由replica.lag.time.max.ms参数设定。Leader发生故障之后,就会从ISR中选举新的leader。

    注意:在旧的版本中有两种踢出策略,一个是follower同步消息过慢,另一种是follower和leader的数据量相差过大(默认是10000),新的版本仅保留了前者。原因是:producer发送数据的单位是batch,假如一个batch中包含有12000条数据的话,那么ISR中的所有follower都会被踢出,待同步完成之后又会被加回来。如此往复几次的话,就会造成大量的资源开销,所以这个策略被弃用了。

    3)ack应答机制

    按照思路继续往下走,当follower同步完成数据之后,leader返回给producer信号,通知它已经收到了,你可以继续往下发数据。

    但是,并不是所有的follower很快就能同步完成数据,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【不需要确认,直接连发】: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

    • 1【只等leader写完】: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

    • -1【等leader和follower都写完】: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。(但是如果ISR中只有一个leader,就和acks=1的效果一样了)

    4)故障处理细节

    假设一个场景:有一个leader写了10条数据,ISR中有F1(写了8条数据),F2(写了9条数据)。如果leader挂了,选择了F1成为新的leader,那么问题就显而易见了,F1和F2的数据不一致了。如果选择F2当leader,但是原来的leader又诈尸了,活过来了,那么数据又出现不一致了。这么一来,消费者不得疯了嘛。。。仁慈而又伟大的Kafka开发人员怎么会想不到这个问题呢,且看:

    如下图:leader中现在有19条数据,F1和F2分别有12、15条数据,某一时刻,出故障了~

    注意:LEO:指每个副本最大的offset
    HW:指的是消费者能见到的最大的offset,ISR中最小的LEO [保证消费者消费的一致性]

    ① 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(过长,就把它切掉~),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。

    ② 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。(老大通知小弟,把个人主义切掉,再把比我少的补上~)

    注意:不要搞混,这只能保证副本之间的数据一致性,ack机制才能保证数据不丢失或者不重复。

    3.3 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,但是有可能重复数据,即 At Least 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。即:
    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。

    4、Kafka消费者

    4.1 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。

    4.2 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。同一组里的不同消费者,不能消费同一分区。
    Kafka有两种分配策略,RoundRobin和Range。

    • RoundRobin模式:按组划分
    • Range模式:按主题划分

    什么时候会触发这些策略呢?一句话:当消费者组里的消费者个数发送变化的时候会重新分配。

    4.3 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。

    假设有这么一个场景:一个消费者组里有消费者A,他消费着Topic t的三个分区t0、t1、t2分区里的数据,并且都消费到了0ffset=10。此时,消费者组里加入了消费者B,那么就会触发分区分配策略。假设分区t2被分给了B。那么,B应该从哪里开始消费呢?是从头还是从offset=10 ? --很明显哈,是从offset=10接着消费。如果是从头消费呢,一旦扩充消费者组,每次都从头消费,造成了多次重复消费相同的数据。注意:消费者组 + 主题 + 分区 = 唯一确定一个offset !!!

    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.

    Kafka的信息将被保存在zookeeper中,详细存储情况如下图:

    5、Kafka高效读写数据

    5.1 顺序读写

    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。

    5.2 零拷贝技术

    零拷贝技术,可以有效的减少上下文切换和拷贝次数。kafka的设计实现,涉及到很多的底层技术,若希望能够把它吃透,需要花大量的时间,大量的精力。现在还是小菜鸡一名,今后任重道远 ~

    5.3 Page Cache

    为了优化读写性能,Kafka利用了操作系统本身的Page Cache,就是利用操作系统自身的内存而不是JVM空间内存。通过操作系统的Page Cache,Kafka的读写操作基本上是基于内存的,读写速度得到了极大的提升。

    6、Zookeeper在Kafka中的作用

    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。

    简述一下partition的leader的选举过程:


  • 相关阅读:
    龙井和碧螺春的功效与作用
    064 01 Android 零基础入门 01 Java基础语法 08 Java方法 02 无参带返回值方法
    063 01 Android 零基础入门 01 Java基础语法 08 Java方法 01 无参无返回值方法
    062 01 Android 零基础入门 01 Java基础语法 07 Java二维数组 01 二维数组应用
    061 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 08 一维数组总结
    060 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 07 冒泡排序
    059 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 06 增强型for循环
    058 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 05 案例:求数组元素的最大值
    057 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 04 案例:求整型数组的数组元素的元素值累加和
    056 01 Android 零基础入门 01 Java基础语法 06 Java一维数组 03 一维数组的应用
  • 原文地址:https://www.cnblogs.com/simon-1024/p/12070753.html
Copyright © 2011-2022 走看看