首先kafka是一个消息中间件，使用kafka主要是也进行热点时间段的数据肖锋，和系统间解耦，更多的场景是用作类操作日志的记录。
那么kafka分3大块，生产者，消费者，和存储引擎broker。
首先说生产者，生产者向kafka的具体topic-partition推送数据的时候ack机制有3个级别；
如果不关心消息丢失情况则设置为0，leader-partition同步数据后发送ack则设置为1，如果要等到isr列表完全同步数据后返回ack则设置-1；
这里提到了isr队列，isr队列是用来选举leader-partition的，kafka中提到了消息同步耗费时间的配置，如果超过设置的时间阈值则直接从isr列表移除掉；
（当然在早期的0.9版本中还有一个设置消息差距值的参数，如果超过该设置的差距值则从isr移除，那么这个值实际很难掌握的，因为kafka的数据输入量其实很多场景是没法准确预估的，这样就会造成，有些partition就会频繁的移入移除，这样做既消耗了性能实际又是没有意义的，因为没办法真正的表现出有真实问题的partition）
那么在生产者中，实际有一个幂等性的ID做限制，不过这种操作是限制在session内的，而且是同一个partition为目标的。因为他是以《PID，patitionId，数据id》作为依据，一旦生产者重启该id其实是会重新计算的；
（不过话说回来了，这样做是没有意义的，因为即使生产者做好了限制，如果消费者端出现了offset提交问题，一样会出现重复数据，所以一些场景这种kafka本身的幂等效果并不明显；通常还是要根据业务情况自己在处理业务数据时进行唯一id的限制。）
那么生产者将数据推向partition，partition实际是存储在不同broker中的，而且kafka默认的分配partition策略是根据broker的标号进行取模分配的，所以partition分配后会均匀的散落在不同的机器；
说到这里kafka为什么说吞吐量比较高的呢？就是因为它能够很容易的动态增加broker节点的数量从而增加partation的数量，partition默认写数据的时候是按照segment分段写的，当触发log大小的配置阈值时，开始拆分segmentLog，那么数据写入时是按“磁盘顺序写”而非随机写，节省了寻址的开销，记得linux磁盘顺序写每秒可达600M，而随机写仅仅100k/s，而且在读写数据时使用了堆外内存的方式，减少了用户态内核态的数据copy消耗，而且在kafka使用io多路复用机制进行数据通信。（说下io多路复用的典型应用，select在内核态的表现详细介绍下）
那么刚才说到了kafka的数据segement存储，不得不说下log和index文件了。log文件相当于针对数据存储的偏移量和数据本身存储进行了描述，而且index文件存储的是数据的索引，主要存储了数据的“偏移量”也就是应该从log的哪个地方来读取，还有存储了“数据长度”，也就是需要读取多少个字节。segment的文件划分也是按照当前数据的offset进行命名的，在这可以看出topic只是逻辑上的概念而实际存储数据的是partition。新版本又增加了timeindex按照时间的文件索引。
那么broker存储数据是为了消费者用来消费的，消费者拉取数据的时候是按照消费者组去保存offset的，也就是说当你处理完数据后需要告知kafka的consumer_offset进行修改，这样消费的数据才不至于重复，说到这里说下之前遇到的一个问题吧，由于设置消费者的session阈值为1秒，但当时出现了1秒内没有处理完数据的情况，由于老版本的kafka心跳线程和数据处理线程是同一线程，所以超时后会出现消费者被下线并处rebalance，不断的发生rebalance导致数据挤压很多。
升级kafka版本后，心跳线程和任务处理线程分离，并且offset改为同步手工提交，那么这个时候不会再出现因consumer频繁变化而发生rebalance从而导致数据挤压的情况。
kafka partation和consumer匹配策略:
设Consumer总数为c，Partition总数为p，那么RangeAssignor会根据
p / c的结果得出一个区间值a
余数值p % c，记为b
从第一个Consumer开始顺序分配，前b个Consumer分配连续的(a + 1)个Partition，后(c - b)个Consumer分配连续的a个Partition.
这种策略是按照范围来尽量平均分配Partition的，如果不能均分，那么排在前面的Consumer会被多分配1个Partition。