kafka（一）：工作流程、存储机制、分区策略

一、前言

在开始之前首先要明确一点，kafka是一个分布式流平台，本质上是一个消息队列。谈到消息队列，就会联想到消息队列的三大作用：异步、消峰、解耦。kafka主要应用在大数据的实时处理领域，使用起来比较简单，本文主要分析kafka的工作流程、存储机制，分区策略，并围绕多个角度展开总结。

但是要注意的是，随着时代的巨轮驶向2020，目前kafka已经不是一家独大了，Pulsar作为一个天生支持多租户、跨地域复制、统一消息模型的消息平台，已经在不少企业成功的替代了Kafka。关于Apache Pulsar的更多知识，感兴趣的可以关注我，后面会对它进行总结和深入。

二、kafka工作流程

1. kafka将消息按照topic进行分类，每条message由三个属性组成。

   • offset：表示 message 在当前 Partition 中的偏移量，是一个逻辑上的值，唯一确定了 Partition 中的一条 message，可以简单的认为是一个 id；
   • MessageSize：表示 message 内容 data 的大小；
   • data：message 的具体内容
2. 在整个kafka架构中，生产者和消费者采用发布和订阅的模式，生产者生产消息，消费者消费消息，它俩各司其职，并且都是面向topic的。（需_要注意：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。_）
3. 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。
4. 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，这样当出现故障并恢复后，可以从这个offset位置继续进行消费，避免漏掉数据或者重复消费。

二、文件存储机制

2.1、文件存储结构及命名规则

在kafka的设计之初，考虑到了生产者生产的消息不断追加到log文件末尾后导致log文件过大的情况，所以采用了分片和索引机制，具体来说就是将每个partition分为多个segment。每个segment对应三个文件：.index 文件、.log 文件、.timeindex 文件（早期版本中没有）。其中.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，csdn这个topic有2个分区，则其对应的文件夹为csdn-0,csdn-1；

如果我们打开csdn-0这个文件夹，会看到里面的文件如下：

`00000000000000000000.index
00000000000000000000.log
00000000000000150320.index
00000000000000150320.log` 

*   1
*   2
*   3
*   4

通过这个文件夹下有两个log，我们可以得出结论，这个partition有2个segment。

文件命名规则：partition全局的第一个segment从0开始，后续每个segment文件名为上一个segment文件最后一条消息的offset值，数值大小为64位，20位数字字符长度，没有数字用0填充。

注意：index 文件并不是从0开始，也不是每次递增1的，这是因为 Kafka 采取稀疏索引存储的方式，每隔一定字节的数据建立一条索引，它减少了索引文件大小，使得能够把 index 映射到内存，降低了查询时的磁盘 IO 开销，同时也并没有给查询带来太多的时间消耗。

下面引用一张旧的kafka存储机制图，不带.timeindex 文件：

2.2、文件关系

index文件和log文件的关系：“.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中message的物理偏移地址。

2.3、使用offset查找message

因为每一个segment文件名为上一个 Segment 最后一条消息的 offset ，所以当需要查找一个指定 offset 的 message 时，通过在所有 segment 的文件名中进行二分查找就能找到它归属的 segment ，再在其 index 文件中找到其对应到文件上的物理位置，就能拿出该 message 。

举例：这里我们以查找offset为6的message为例，查找流程如下：

1. 首先要确定这个offset信息在哪个segment文件（由于是顺序读写，这里使用二分查找法），第一个文件名为00000000000000000000，第二个为00000000000000150320，所以6这个offset的数据肯定在第一个文件里面；
2. 找到文件后就好办了，在这个文件的 00000000000000000000.index文件中的[6，9807]定位到00000000000000000000.log文件中9807这个位置来进行数据读取即可。

三、分区策略

3.1、为什么要进行分区

在了解分区策略之前需要先了解为什么要分区，可以从两方面来解释这个问题：

1. 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；
2. 可以提高并发，分区后以Partition为单位读写。

3.2、分区策略

首先要知道producer发送的数据其实需要封装成一个ProducerRecord对象才可以，我们看ProducerRecord提供的方法如下：

通过这个构造方法，我们知道kafka分区策略有如下3种：

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。