Kafka技术之旅（1）Kafka的基本原理及介绍

kafka架构与原理

Kafka的介绍和历史

• Kafka是最初由Linkedin公司开发，是一个分布式(Distribute)、分区(Partition)的、多副本(Replica)的、多生产者(Producer)、多订阅者(Consumer)。

• 最初是基于zookeeper协调的分布式日志系统（也可以当做MQ系统），常见可以用于web/nginx日志、访问日志，消息服务等等，Linkedin于2010年贡献给了Apache基金会并成为顶级开源项目。

Kakfa的概念和定义

• 【Kafka】是一个分布式的基于发布/订阅模式的消息队列（message queue），主要应用于大数据的实时处理领域，它可以让你发布和订阅记录流。在这方面，它类似于一个消息队列或企业消息系统，它可以让你持久化收到的记录流，从而具有容错能力。

Kafka的主要应用场景

日志收集系统和消息系统。

• 日志收集：一个公司可以用Kafka可以收集各种服务的log，通过kafka以统一接口服务的方式开放给各种consumer；

• 消息系统：解耦生产者和消费者、缓存消息等；

• 用户活动跟踪：kafka经常被用来记录web用户或者app用户的各种活动，如浏览网页、搜索、点击等活动，这些活动信息被各个服务器发布到kafka的topic中，然后消费者通过订阅这些topic来做实时的监控分析，亦可保存到数据库；

• 运营指标：kafka也经常用来记录运营监控数据。包括收集各种分布式应用的数据，生产各种操作的集中反馈，比如报警和报告；

• 流式处理：推荐系统或者推荐新闻文章的处理管道，我们可以将从RSS提要中抓取文章的内容，然后将内容发布到文章的主题中，有兴趣可以了解Apache Kafka官网查看，它从0.10.0.0开始，提供了一个轻量级流处理库Kafka Streams，是用于执行上的数据处理的，这个功能非常的强大。流处理还有storm、samza、flink。

• 检测数据：Kafka可以作为检测数据，比如分布式应用程序中的聚合统计数据，然后我们统一集中处理。

Kafka的基本特性

首先，明确几个概念：

• 分布式部署：Kafka运行在一个或多个服务器，分布式系统，易于向外扩展，所有的producer、broker和consumer都会有多个，均为分布式的，无需停机即可扩展机器。

• 持久化特性：将消息持久化到磁盘，因此可用于批量消费，例如ETL，以及实时应用程序。通过将数据持久化到硬盘以及replication防止数据丢失。

• 存储的方式：Kafka集群分类存储的记录流被称为主题，其实是以分区为单位。

• 消息的结构：Kafka每个消息记录包含一个键（key），一个值（value）和时间戳（timestamp）。

• 高性能吞吐量：Kafka服务同时为发布和订阅提供高吞吐量：据了解，Kafka每秒可以生产约25万消息（50 MB），每秒处理55万消息（110 MB）。

• 自处理特性：消息被处理的状态是在consumer端维护，而不是由server端维护。当失败时能自动平衡（Rebalance）。支持online和offline的场景。

Kafka的设计目标

• 时间复杂度为O(1)的方式提供消息持久化能力，即使对TB级以上数据也能保证常数时间的访问性能。

• 高吞吐率。即使在非常廉价的商用机器上也能做到单机支持每秒10万条消息的传输。

• 支持Kafka Server间的消息分区，及分布式消费，同时保证每个partition内的消息顺序传输。

• 同时支持离线数据处理和实时数据处理。

• 支持在线水平扩展。

Kafka的基础架构

• Kafka的整体架构非常简单，是显式分布式架构，producer、broker和consumer。

• kafka的架构是可以有多个Producer，consumer实现Kafka注册的接口。

  • 数据从producer发送到broker。

  • broker承担一个中间缓存和分发的作用，即活跃的数据和离线处理系统之间的缓存。

  • broker分发注册到系统中的consumer。

  • 客户端和服务器端的通信，是基于简单，高性能，且与编程语言无关的TCP协议。

• 有两种主要的消息传递模式:点对点传递模式、发布-订阅模式。大部分的消息系统选用发布-订阅模式。Kafka就是一种发布-订阅模式。

Kafka的总体架构

Kafka成员的基础概念

Broker（服务节点）

Kafka集群中的一台或多台服务器统称为broker，多个broker组成kafka组，主要负责缓存代理，一个机器上可以部署一个或者多个broker，这多个broker连接到相同的Zookeeper就组成了Kafka集群，如下图所示。

Topic(主题）

主题是承载消息的逻辑容器，在实际使用中多用来区分具体的业务，这里的逻辑容器可以看做是消息的类别，我们将同一类的消息放在一个Topic，特指Kafka处理的消息源（feeds of messages）的不同分类。

Topic与broker的关系

一个Broker上可以创建一个或者多个Topic。同一个topic可以在同一集群下的多个Broker中分布。

Topic只是一个逻辑组件，真正在Broker间分布式的Partition。

Partition（分区）

• 分区是物理上的分组，Kafka会为每个topic维护了多个分区(partition)，每个partition是一个有序的队列。

• 分区会给每个消息记录分配一个顺序ID号 – 偏移量（Offset），能够唯一地标识该分区中的每个记录。，每个分区会映射到一个逻辑的日志(log)文件。

• partition属于不可变的消息序列，新的消息不断追加到这个有组织的有保证的日志上。

Kafka集群中按照主题分类管理，一个主题可以有多个分区，一个分区可以有多个副本分区。

Message（消息）

• 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。

• 消息的结构：Kafka每个消息记录包含一个键（key），一个值（value）和时间戳（timestamp）。

Producer（生产者）

消息和数据生产者，向Kafka的一个topic发布消息的过程叫做生产消息。

发送消息流程

• producer根据指定的partition方法（round-robin、hash等），将消息发布到指定topic的partition里。

• kafka集群接收到Producer发过来的消息后，将其持久化到硬盘，并保留消息指定时长（可配置），而不关注消息是否被消费。

Consumer（消费者）

• 从kafka集群pull数据，并控制获取消息的offset。

• 消息和数据消费者，订阅topics并处理其发布的消息的过程叫做consumers。

• 对于消息中间件，消息分推拉两种模式。Kafka只有消息的拉取，没有推送，可以通过轮询实现消息的推送。

Consumer Group (消费组)

• Consumer group下有多个Consumer（消费者），顾名思义其实就是一组消费者，将消费者组织在一个组下，便于管理对于每个消费者组 (Consumer Group)，Kafka都会为其分配一个全局唯一的Group ID，Group内部的所有消费者共享该ID。

• 订阅的topic下的每个分区只能分配给某个group下的一个consumer(当然该分区还可以被分配给其他group)。同时，Kafka为每个消费者分配一个Consumer ID，通常采用"Hostname:UUID"形式表示。

Kafka的四个核心API

• Producer API:允许应用程序将记录流发布到一个或多个Kafka主题。

• Consumer API:允许应用程序订阅一个或多个主题并处理为其生成的记录流。

• Streams API:允许应用程序充当流处理器，使用一个或多个主题的输入流，并生成一个或多个输出主题的输出流，从而有效地将输入流转换为输出流。

• Connector API:允许构建和运行将Kafka主题连接到现有应用程序或数据系统的可重用生产者或使用者。例如，关系数据库的连接器可能会捕获对表的所有更改。

Kafka的客户端和服务器之间的通信是靠一个简单的，高性能的，与语言无关的TCP协议完成的。这个协议有不同的版本，并保持向前兼容旧版本。Kafka不光提供了一个Java客户端，还有许多语言版本的客户端。

核心优势

• 高吞吐量、低延迟：kafka每秒可以处理几十万条消息，它的延迟最低只有几毫秒；

• 可扩展性：kafka集群支持热扩展；

• 持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失；

• 容错性：允许集群中节点故障（若副本数量为n,则允许n-1个节点故障）；

• 高并发：支持数千个客户端同时读写。