kafka系列 -- 基础概念

kafka是一个分布式的、分区化、可复制提交的发布订阅消息系统
传统的消息传递方法包括两种：

• 排队：在队列中，一组用户可以从服务器中读取消息，每条消息都发送给其中一个人。
• 发布-订阅：在这个模型中，消息被广播给所有的用户。
  kafka与传统的消息传递技术相比优势之处在于：
• 快速:单一的Kafka代理可以处理成千上万的客户端，每秒处理数兆字节的读写操作。
• 可伸缩:在一组机器上对数据进行分区和简化，以支持更大的数据
• 持久:消息是持久性的，并在集群中进行复制，以防止数据丢失。
• 设计:它提供了容错保证和持久性

基本概念

1. Topic(话题)：Kafka中用于区分不同类别信息的类别名称。由producer指定
2. Producer(生产者)：将消息发布到Kafka特定的Topic的对象(过程)
3. Consumers(消费者)：订阅并处理特定的Topic中的消息的对象(过程)
4. Broker(Kafka服务集群)：已发布的消息保存在一组服务器中，称之为Kafka集群。集群中的每一个服务器都是一个代理(Broker). 消费者可以订阅一个或多个话题，并从Broker拉数据，从而消费这些已发布的消息。
5. Partition(分区)：Topic物理上的分组，一个topic可以分为多个partition，每个partition是一个有序的队列。partition中的每条消息都会被分配一个有序的id（offset）
6. Message：消息，是通信的基本单位，每个producer可以向一个topic（主题）发送一些消息。

Log(日志)

日志是一个只能增加的，完全按照时间排序的一系列记录。
我们可以给日志的末尾添加记录，并且可以从左到右读取日志记录。
每一条记录都指定了一个唯一的有一定顺序的日志记录编号。

每个日志文件都是“log entries”序列，每一个log entry包含一个4字节整型数（值为N），其后跟N个字节的消息体。每条消息都有一个当前partition下唯一的64字节的offset，它指明了这条消息的起始位置

这个“log entries”并非由一个文件构成，而是分成多个segment，每个segment名为该segment第一条消息的offset和“.kafka”组成。另外会有一个索引文件，它标明了每个segment下包含的log entry的offset范围。

Topic & Partition

谈到kafka的存储，就不得不提到分区。
创建一个topic时，同时可以指定分区数目，分区数越多，其吞吐量也越大，但是需要的资源也越多，同时也会导致更高的不可用性，kafka在接收到生产者发送的消息之后，会根据均衡策略将消息存储到不同的分区中。

为了使得Kafka的吞吐率可以水平扩展，物理上把topic分成一个或多个partition，每个partition在物理上对应一个文件夹，该文件夹下存储这个partition的所有消息和索引文件。

消息以顺序存储：每一个分区都是一个顺序的、不可变的消息队列， 并且可以持续的添加，最晚接收的的消息会最后被消费。
分区中的消息都被分配了一个序列号，称之为偏移量(64字节的offset),在每个分区中此偏移量都是唯一的。
因为每条消息都被append到该partition中，是顺序写磁盘，因此效率非常高（经验证，顺序写磁盘效率比随机写内存还要高，这是Kafka高吞吐率的一个很重要的保证）

与生产者的交互

生产者在向kafka集群发送消息的时候，可以通过指定分区来发送到指定的分区中。
也可以通过指定均衡策略来将消息发送到不同的分区中。
如果不指定，就会采用默认的随机均衡策略，将消息随机的存储到不同的分区中。

每一条消息被发送到broker时，会根据paritition规则选择被存储到哪一个partition。
如果partition规则设置的合理，所有消息可以均匀分布到不同的partition里，这样就实现了水平扩展。（如果一个topic对应一个文件，那这个文件所在的机器I/O将会成为这个topic的性能瓶颈，而partition解决了这个问题）。

在发送一条消息时，可以指定这条消息的key，producer根据这个key和partition机制来判断将这条消息发送到哪个parition。
paritition机制可以通过指定producer的paritition. class这一参数来指定，该class必须实现kafka.producer.Partitioner接口。
本例中如果key可以被解析为整数则将对应的整数与partition总数取余，该消息会被发送到该数对应的partition。（每个parition都会有个序号）

与消费者交互

在消费者消费消息时，kafka使用offset来记录当前消费的位置。
在kafka的设计中，可以有多个不同的group来同时消费同一个topic下的消息，
两个不同的group同时消费，他们消费的记录位置offset各不项目，不互相干扰。

对于一个group而言，消费者的数量不应该多于分区的数量，
因为每个分区被同一个group中的一个消费者所消费。所以：

1. 一个消费者可以消费多个分区，但一个分区只能给同一个组的一个消费者消费。
2. 同一个group下消费者对分区互斥，而不同消费组之间是共享的。
3. 因此，若一个group中的消费者数量大于分区数量的话，多余的消费者将不会收到任何消息。
   

通过设置不同的消费者，可以实现传统的发布订阅模式和队列模式：

offset偏移量

1. 在每个分区中此偏移量都是唯一的。
2. 消费者所持有的仅有的元数据就是这个偏移量，也就是消费者在这个log中的位置。
3. 偏移量由消费者控制。正常情况当消费者消费消息的时候，偏移量也线性的的增加。消费者可以将偏移量重置为更老的一个偏移量，重新读取消息。
4. 一个消费者的操作不会影响其它消费者对此log的处理
5. 一个topic中有100条数据，我消费了50条并且提交了，那么此时的kafka服务端记录提交的offset就是49(offset从0开始)，那么下次消费的时候offset就从50开始消费。

手动控制Offest

首先了解一下消息传递保证：

1. At most once 最多一次 --- 消息可能丢失，但绝不会重发。
2. At least once 至少一次 --- 消息绝不会丢失，但有可能重新发送。
3. Exactly once 正好一次 --- 这是人们真正想要的，每个消息传递一次且仅一次。

自动提交是在kafka拉取到数据完就直接提交数据偏移量。

而业务系统中，消费数据还伴随着一些逻辑业务处理，插入数据库等。
这事务过程，需要完成才提交。不然还没插进数据库，新的数据又来了。
加入插入数据库还失败了，就没法再消费一次失败的数据了。

所以要严格的不丢数据，需要手动控制offest。

1. 手动commit offset，并针对partition_num启同样数目的consumer进程，这样就能保证一个consumer进程占有一个partition，commit offset的时候不会影响别的 partition 的 offset。但这个方法比较局限，因为partition和consumer进程的数目必须严格对应。
2. 另一个方法同样需要手动commit offset，另外在consumer端再将所有fetch到的数据缓存到queue里，当把queue里所有的数据处理完之后，再批量提交offset，这样就能保证只有处理完的数据才被commit。

官网还说：
手动控制offest让我们能精确控制消息被消费（实现 提交了offest的不再消费，没提交过offest的数据会再次消费）。
但这一过程可能在 数据插入数据库后，但是还没commit offset到kafka时 失败了；那么下一次消费将还是从上次消费的起点取到数据，会重复插入数据库，造成重复。
kafka提供的是 "at-least once delivery" 保证, 即可能有两次三次被消费（我们项目就是这样）。

at-least once还有一个问题：
加入一个分区中先后进来 1，2 两条数据。在进来1时，网络不好导致插入失败，然后进行重试机制后网络还是不行，如果不停程序继续消费，这时2数据进来时网络好了，对2插入成功，那么偏移量就偏到数据2了，将1数据覆盖了，这时就不会再插入1数据了。就没法保证只at-least once了，除非停掉消费者，但是停了的话，同一组的消费者还会继续消费，这时又要实际到使用 assign模式还是subscribe模式订阅消息了。