概述
**本人博客网站 **IT小神 www.itxiaoshen.com
定义
Apache Kafka官网地址 http://kafka.apache.org/ 最新版本为 3.0.0
Apache Kafka是一个开源的分布式事件流平台,使用Scala和Java混合编写,Kafka最初由Linkedin公司开发,2011年贡献给了Apache基金会并成为顶级开源项目。消息队列就是用于数据生产方和消费方解耦合的中间件。顾名思义,主体就是一个队列的形式收集消息,数据在消费端按照FIFO的原则被消费。
Apache Kafka主要以Java 8、11和17源码构建及测试,但Java 8支持从Apache Kafka 3.0开始就已弃用,并将在Apache Kafka 4.0中被移除。
近几天连续学习两个Apache的开源项目,今天我们又来学习另外一个Apache顶级开源项目Kafka,可以见得Apache在开源世界的绝对大佬地位。Kafka是一个基于Zookeeper协调的支持分区(partition)、多副本(replica)的分布式消息系统,最大特性是可以实时处理大量数据以满足各种需求场景,常用于大数据场景消息流中间件;其他消息队列有ActiveMQ、RabbitMQ、ZeroMQ、MetaMQ、RocketMQ,目前比较主流消息中间件是Kafka、RocketMQ和RabbitMQ。
核心能力
- 高吞吐量
- Kafka每秒可以处理几十万条消息,它的延迟最低只有几毫秒,即使存储TB量级消息也能有稳定的性能。
- 可扩展
- Kafka集群支持动态扩展,可弹性伸缩将生产集群规模扩大到上千个代理和数十万个分区。
- 持久化
- 高可用
- 分布式、分区、复制和容错,支持数据备份,在可用性区域上有效地扩展集群或者跨地理区域连接独立的集群。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第1张图片](http://img.e-com-net.com/image/info8/26b574a785904dbc9aff840666432ccd.jpg)
应用场景
Kafka作为一个消息中间件最基本的用途为解耦、异步、削峰、消息通讯,下面为其常用的场景:
- 日志收集: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:分布式发布、订阅消息系统,消息队列将消息生产者和订阅者分离,实现应用解耦和缓存消息等。
- 流量削峰:在应用前端以消息队列接收请求,当请求超过队列长度,直接不处理重定向至一个静态页面,来达到削峰的目的,比如用于秒杀活动,因为秒杀活动高度集中用户访问导致流量暴增,可能导致应用系统雪崩。
- 流式处理:结合主流的流式处理框架如Flink、Spark Streaming、Storm。
- 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。
安装
Kafka官方下载地址 http://kafka.apache.org/downloads
我们这里规划部署192.168.50.34、192.168.50.35、192.168.50.36共3个节点的Kafka集群,当然是需要有基本JDK环境,Kafka部署还需依赖ZooKeeper,刚好上一篇文章我们也非常愉快的学习和部署Zookeeper集群,直接拿来使用,奥利给!
wget --no-check-certificate https://dlcdn.apache.org/kafka/3.0.0/kafka_2.13-3.0.0.tgz
tar -zxvf kafka_2.13-3.0.0.tgz
cd kafka_2.13-3.0.0
mkdir logs
vim config/server.properties
修改server.properties配置文件内容如下:
// 作为当前机器在集群中的唯一标识,和zookeeper的myid性质一样
broker.id=1
// 监听地址和端口号,默认是9092
listeners=PLAINTEXT://192.168.50.34:9092
// 消息存放的目录
log.dirs=/home/commons/kafka_2.13-3.0.0/logs
// zookeeper集群地址
zookeeper.connect=192.168.50.34:2181,192.168.50.35:2181,192.168.50.36:2181
./bin/kafka-server-start.sh -daemon config/server.properties
ps -ef | grep kafka
./bin/kafka-server-stop.sh
集群简单测试
bin/kafka-topics.sh --create --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --replication-factor 1 --partitions 1 --topic mytopic1
bin/kafka-topics.sh --create --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --replication-factor 2 --partitions 2 --topic mytopic2
bin/kafka-topics.sh --list --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092
$bin/kafka-topics.sh --describe --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic1
$bin/kafka-topics.sh --describe --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic2
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第2张图片](http://img.e-com-net.com/image/info8/6183dd54330144459bec67062e461794.jpg)
- 增加Topic的partition数量和查看指定查看 topic 指定分区 offset 的最大值或最小值和删除topic
bin/kafka-topics.sh --alter --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --partitions 5 --topic mytopic1
./bin/kafka-run-class.sh kafka.tools.GetOffsetShell --topic mytopic1 --time -1 --broker-list 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --partitions 0
![image-20211104110027082](http://img.e-com-net.com/image/info8/42a766b8045148ae857d91ab4bbf714d.jpg)
kafka-topics.sh --delete --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic2
./bin/kafka-console-producer.sh --broker-list 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic1
./bin/kafka-console-consumer.sh --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic1 --from-beginning
./bin/kafka-console-consumer.sh --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic1 --offset latest --partition 1
![image-20211104111813720](http://img.e-com-net.com/image/info8/9a29c1cb86a8405d8d5e9b9b8e2eb2da.jpg)
![image-20211104111903177](http://img.e-com-net.com/image/info8/a4f1b30482d546f88b624481f01f73f7.jpg)
发送多条消息,最终在该分区下收到分发的该分区下的消息
![image-20211104112040797](http://img.e-com-net.com/image/info8/3354c19ebe7b44dd9fbc262f1713fd1a.jpg)
./bin/kafka-console-consumer.sh --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --topic mytopic1 -group mygroup1 --from-beginning
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第3张图片](http://img.e-com-net.com/image/info8/df6a680af0bd45f1ba9471cd0c67efe8.jpg)
./bin/kafka-consumer-groups.sh --bootstrap-server 192.168.50.34:9092,192.168.50.35:9092,192.168.50.36:9092 --list
![image-20211104112717508](http://img.e-com-net.com/image/info8/a2d556508670444d8ceefd6cc7f9705e.jpg)
![image-20211104112927305](http://img.e-com-net.com/image/info8/e7b9584aa7c54ae3a671d08a5a3ae009.jpg)
架构原理面试宝典
Kafka的架构和组成
一个典型的 Kafka 体系架构包括若干 Producer、若干 Broker、若干 Consumer,以及一个 ZooKeeper 集群,如下图所示。其中 ZooKeeper 是 Kafka 用来负责集群元数据的管理、控制器的选举等操作的。Producer 将消息发送到 Broker,Broker 负责将收到的消息存储到磁盘中,而 Consumer 负责从 Broker 订阅并消费消息。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第4张图片](http://img.e-com-net.com/image/info8/630dd4bc255f4111a55403c2ed9128aa.jpg)
- Broker:服务代理节点,Kafka 集群包含一个或多个服务器,这种服务器被称为 broker。对于 Kafka 而言,Broker 可以简单地看作一个独立的 Kafka 服务节点或 Kafka 服务实例。大多数情况下也可以将 Broker 看作一台 Kafka 服务器,前提是这台服务器上只部署了一个 Kafka 实例。一个或多个 Broker 组成了一个 Kafka 集群。
- Topic:每条发布到 Kafka 集群的消息都有一个类别,这个类别被称为 Topic, Topic属于逻辑概念,也即是物理上不一样 Topic 的消息分开存储但逻辑上一个 Topic 的消息虽然保存于一个或多个 broker 上,但用户只需指定消息的 Topic 便可生产或消费数据而没必要关心数据存于何处。
- Partition:Partition 属于物理概念,Topic的分区,每一个 Topic 包含一个或多个 Partition,分区的作用是做负载,提高kafka的吞吐量,同一个topic在不同的分区的数据是不重复的,partition的表现形式就是一个一个的文件夹。分区主要实现扩展和提高并发,以partition作为读写单位,可以同时多个生产者消费者读写。
- Replication:每一个分区可以有一个主分区(Leader)和多个副本(Follower),副本的作用是做备份。当主分区故障的时候会选择一个副本成为新的Leader。在kafka中副本的数量不能大于Broker的数量,follower和leader绝对是在不同的机器,同一机器对同一个分区也只可能存放一个副本(包括自己)。
- Producer: 生产者,也就是发送消息的一方。生产者负责创建消息,然后将其投递到 Kafka 中,负责发布消息到 Kafka broker。
- Consumer:消费者,也就是接收消息的一方,向 Kafka broker 读取消息的客户端,消费者连接到 Kafka 上并接收消息,进而进行相应的业务逻辑处理。
- Consumer Group:每一个 Consumer 属于一个特定的 Consumer Group(可为每一个 Consumer 指定 group name,若不指定 group name 则属于默认的 group),我们可以将多个消费者组成一个消费者组,在kafka的设计中同一个分区的数据只能被消费者组中的某一个消费者消费。同一个消费者组的消费者可以消费同一个topic的不同分区的数据,这也是为了提高kafka的吞吐量。
- Message:每一条发送的消息主体,也即是消息内容。
- Zookeeper:kafka集群依赖zookeeper来保存集群的的元信息,来保证系统的可用性,管理broker上下线、Topic的分区和副本分配、leader选举、consumer动态扩缩容和触发负载均衡,维护消费者关系和每个partition分区的消费信息;broker启动将ip、端口注册存储Zookeeper,存储topic和partition。
Kafka的四个核心API
- Producer API:生产者API允许应用程序将一组记录发布到一个或多个Kafka Topic中。
- Consumer AIP:消费者API允许应用程序订阅一个或多个Topic,并处理向他们传输的记录流。
- Streams API:流API允许应用程序充当流处理器,从一个或者多个Topic中消费输入流,并将输出流生成为一个或多个输出主题,从而将输入流有效地转换为输出流。
- Connector API:连接器API允许构建和运行可重用的生产者或消费者,这些生产者或消费者将Kafka Topic连接到现有的应用程序或数据系统。例如:连接到关系数据库的连接器可以捕获对表的修改信息。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第5张图片](http://img.e-com-net.com/image/info8/d19d9231a4724261b4dda74e09c62891.jpg)
消息队列的模式?
Kafka的存储模型
- 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。而Topic在物理上的存储是分区存储的,即按Partition分布式存储。
- 每个Partition中的数据又是顺序写入log文件中进行存储。这样会出现分区log文件过大,导致的读取性能下降的问题。所以Kafka将log文件切分成了segment,每个segment由 .log数据存储文件 和 .index索引文件 和 .timeindex文件组成。其中***.log用于存储消息本身的数据内容,.index存储消息在文件中的位置(包括消息的逻辑offset和物理存储offset),.timeindex**存储消息创建时间和对应逻辑地址的映射关系。详细的结构如下图所示:
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第8张图片](http://img.e-com-net.com/image/info8/6b554f768630499fb1154db0ac138582.jpg)
- 每个log文件和index文件的命名就是 文件中起始数据的偏移量,一个segment中由index定位到对应log文件中执行数据的原理如下图:
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第9张图片](http://img.e-com-net.com/image/info8/86390d625bf3495daa36fc1b4e7954cf.jpg)
- Kafka将分区拆分成多个段是为了控制存储的文件大小,如果整个分区只保存为一个文件,那随着分区里消息的增多,文件也将越来越大,最后不可控制。而如果每个消息都保存为一个文件,那文件数量又将变得巨大,同样容易失去控制。所以kafka采用段设计方式,控制了每个文件的大小和文件的数量。同时**可以很方便地通过操作系统mmap机制映射到内存中,提高写入和读取效率。**还有另一个好处是当系统要清除过期数据时可以直接将过期的段文件删除即可。但是这里也会有一个问题,如果每个消息都要在index文件中保存位置信息,那么index文件也很容易变得很大,这样又会减弱上文所说的好处。所以在kafka中,index设计为稀疏索引来降低index的文件大小,这样,index文件存储的实际内容为:**该段消息在消息队列中的相对offset和在log文件中的物理偏移量映射的稀疏记录。**那么多少条消息会在index中保存一条记录呢?这个可以通过系统配置来进行设置。索引记录固定为8个字节大小,分别为4个字节的相对offset(消息在partition中全局offset减去该segment的起始offset),4个字节的消息具体存储文件的物理偏移量。
- index文件中根据需要查找的offset根据保存起始偏移量(文件名)的相对偏移量,定位到log中数据真实的位置。(类似HBase中采用LSM日志结构合并树设计思想,顺序写入HFile,磁头寻址次数少,顺序读/写性能好),Kafka不会在消费者拉取完消息后马上就清理消息,而是会保存段文件一段时间,直到其过期再标记为可清理,由后台程序定期进行清理。这种机制使得消费者可以重复消费消息,满足更灵活的需求。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第10张图片](http://img.e-com-net.com/image/info8/0f9081400ddb46c7a319281d6b7cd45d.jpg)
- 查找机制:建立在offset为有序的基础上,利用segment+有序offset+稀疏索引+二分查找+顺序查找等多种手段来高效的查找数据。
- 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),所以删除过期的文件并不会提高kafka的性能。
说说Kafka消费者端使用的技术点?
-
消费模式
- Kafka的消费模式是poll模式,就是每个消费者按照自己的消费能力在Broker中读取数据。从 Broker 主动拉取数据,需要维护一个长轮询,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,使用这个机制解决了没有新的数据消费者就在循环中空转开销问题。
-
分区分配策略
- 如果Consumer组中Consumer数量>Topic Partition数量根据Random-Robin策略(实际是个轮询)或者Range(划分范围,一个范围内的给到一个消费者)对Partition进行分配。此后这个消费者组中的消费者消费的Partition就被定下来了。所以在实际的应用中,建议消费者组的consumer的数量与partition的数量一致。
-
Offset 维护
- comsumer需要记录已经消费到的偏移量以便故障或者后续继续消费。在0.9版本后Kafka将这些信息都保存在一个内置的Topic(
__comsumer_offset
),默认5s自动提交一次,而此前的版本是保存在ZK中的,这样改进目的是:
- 优化效率,减轻ZK压力。
- 可以自己实现偏移量维护。
Kafka发送数据的流程和消息结构?
- Producer在写入数据的时候永远的找leader,不会直接将数据写入follower,发送的流程如下图所示。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第11张图片](http://img.e-com-net.com/image/info8/f33afeb6ebb6460e895e9febde57b8d5.jpg)
- 消息写入leader后,follower是主动的去leader进行同步的。producer采用push模式将数据发布到broker,每条消息追加到分区中,顺序写入磁盘,所以保证同一分区内的数据是有序的。
- 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,将生产者发送数据封装为ProducerRecord对象,包括topic、partition、时间戳、key、value、header等;封装消息结构包含消息体、消息大小、offset、压缩类型等。
- 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异。
Kafka数据分区的目的和原则?
- 数据会写入到不同的分区,分区的主要目的是:
- 增加读写的吞吐量。
- 方便扩展,因为一个topic可以有多个partition,所以我们可以通过扩展机器去轻松的应对日益增长的数据量。
- 提高并发,以partition为读写单位,可以多个消费者同时消费数据,提高了消息的处理效率。
- 分区原则:如果某个topic有多个partition,kafka的producer选择分区情况如下:
- partition在写入的时候可以指定需要写入的partition,如果有指定,则写入对应的partition。
- 如果没有指定partition,但是设置了数据的key,则会根据key的值hash出一个partition。
- 如果既没指定partition,又没有设置key,则会通过random-robin算法轮询得到分区(第一个得到一个随机数,后续的在此基础上自增)。
Kafka如何保证消息不丢失或者可靠性?
为保证 Producer 发送的数据,能可靠地发送到指定的 Topic,Topic 的每个 Partition 收到 Producer 发送的数据后,都需要向 Producer 发送 ACK 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。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第12张图片](http://img.e-com-net.com/image/info8/6bf983c168c04a34bf836df511eb9482.jpg)
-
副本数据同步策略
- 何时发送 ACK?确保有 Follower 与 Leader 同步完成,Leader 再发送 ACK,这样才能保证 Leader 挂掉之后,能在 Follower 中选举出新的 Leader 而不丢数据。
- 多少个 Follower 同步完成后发送 ACK?全部 Follower 同步完成,再发送 ACK。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第13张图片](http://img.e-com-net.com/image/info8/b9c0b630893c43098ebe9e1dda63d251.jpg)
-
ISR机制
- 如果采用第二种方案,所有 Follower 完成同步,Producer 才能继续发送数据,设想有一个 Follower 因为某种原因出现故障,那 Leader 就要一直等到它完成同步。这个问题怎么解决?
- Leader维护了一个动态的 in-sync replica set(ISR,同步副本的作用),只需要这个列表的中的follower和leader同步,当ISR中的follower完成数据的同步之后,leader就会给生产者发送ack。
- 当 ISR 集合中的 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 集合,该时间阈值由 replica.lag.time.max.ms 参数设定。Leader 发生故障后,就会从 ISR 中选举出新的 Leader。
- Leader和follower(ISR)落盘才会返回ack,会有数据重复现象,如果在leader已经写完成,且follower同步完成,但是在返回ack的出现故障,则会出现数据重复现象;极限情况下,这个也会有数据丢失的情况,比如follower和leader通信都很慢,所以ISR中只有一个leader节点,这个时候,leader完成落盘,就会返回ack,如果此时leader故障后,就会导致丢失数据
-
ACK 应答机制
- 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 全部接受成功。
- 为保证生产者发送的数据能可靠的发送到指定的topic,Kafka在Topic的每个partition收到生产者发送的数据后,都需要向生产者发送ack(确认收到),如果生产者收到ack,就会进行下一轮的发送,否则重新发送数据。也即是核心是通过ACK应答机制,在生产者向队列写入数据的时候可以设置参数来确认是否kafka接收到数据,这个参数可设置的值为如下:
- 0代表producer往集群发送数据不需要等到集群的返回,不确保消息发送成功。安全性最低但是效率最高。
- 1代表producer往集群发送数据只要leader应答就可以发送下一条,只确保leader发送成功。
- -1代表all代表producer往集群发送数据需要所有的follower都完成从leader的同步才会发送下一条,确保leader发送成功和所有的副本都完成备份。安全性最高,但是效率最低,这里的all是指ISR列表中。
-
如果往不存在的topic写数据,kafka会自动创建topic,分区和副本的数量根据默认配置都是1。
-
生产者:同步发送,或者通过发送的callback来实现,producer.send(msg,callback)。
-
消费者:需要考虑先更新offset还是先做消费处理,先做消费则可能引出重复消费。
Kafka Broker节点故障时处理细节?
- 首先了解下LEO(每个副本最大的 Offset)和HW(消费者能见到的最大的 Offset,ISR 队列中最小的 LEO)。
- Follower 故障:Follower 发生故障后会被临时踢出 ISR 集合,待该 Follower 恢复后,Follower 会 读取本地磁盘记录的上次的 HW(high watermark,ISR中所有副本中结尾offset的最小值),并将 log 文件高于 HW 的部分截取掉,从 HW 开始向 Leader 进行同步数据操作。等该 Follower 的 LEO 大于等于该 Partition 的 HW,即 Follower 追上 Leader 后,就可以重新加入 ISR 了。
- Leader 故障:Leader 发生故障后,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 的部分数据截掉,重新向新的leader同步。
- 注意:这只能保证副本之间的数据一致性,并不能保证数据不丢失或者不重复。
Kafka如何保证消息不重复消费?
- 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,即 At Least Once 语义,但是会出现数据重复(at least once)。
- 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,但是不能保证数据不丢失(at most once)。
- 对于一些非常重要的信息,比如交易数据,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版本后,引入幂等性解决kakfa集群内部的数据重复,在0.11版本之前,在消费者处自己做处理:Producer 不论向 Server 发送多少重复数据,Server 端都只会持久化一条。即:At Least Once + 幂等性 = Exactly Once。
- 如果启用了幂等性,只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可,且ack默认就是-1,kafka就会为每个生产者分配一个pid,并为每条消息分配Sequence Number,如果pid、partition、seqnumber三者一样,也即是对 做缓存,当具有相同主键的消息提交时,Broker kafka认为是重复数据只会持久化一条;但是如果生产者挂掉后,也会出现有数据重复的现象;所以幂等性解决在单次会话的单个分区的数据重复,但是在分区间或者跨会话的是数据重复的是无法解决的。
Kafka如何保证消费数据的一致性?
- 消费数据的一致性主要通过HW来保证。
- LEO:指每个follower的最大的offset。
- HW(高水位):指消费者能见到的最大的offset,LSR队列中最小的LEO,也就是说消费者只能看到1~6的数据,后面的数据看不到,也消费不了,避免leader挂掉后,比如当前消费者消费8这条数据后,leader挂了,此时比如f2成为leader,f2根本就没有9这条数据,那么消费者就会报错,所以设计了HW这个参数,只暴露最少的数据给消费者,避免上面的问题。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第14张图片](http://img.e-com-net.com/image/info8/f6c456ec243b4ed68c097d3f1425cf7b.jpg)
Kafka如何处理消息积压?
增加新topic,增大分区,将原来topic数据消费转移到这个新topic,然后开多个消费者去处理新topic。
Kafka如何保证消息顺序消费?
- Kafka不能保证消息的全局有序,只能保证消息在partition内有序,因为消费者消费消息是在不同的partition中随机的。如要保证可以使用一个topic、一个partition、一个消费者且内部单线程处理实现消息顺序消费,但一般不建议这样做消费性能较低。
- 另外思路是采用N个queue,将相同key的数据写入同一个queue,N个线程每个线程处理一个queue。
说说Kafka的事务?
Kafka事务在0.11版本后引入,主要解决的是Producer在Exactly Once语义上跨分区跨会话的精准一次写入,要么成功要么失败。
Kafka如何通过ZooKeeper来进行选举和状态更新?
- 首先Kafka集群启动时,会从Broker中选举一个Controller(分布式锁实现抢先创建临时节点的broker当选),负责管理集群所有Broker的上下线(监听zk的/brokers/ids/节点)、所有Topic分区副本分配、leader选举等工作。
- 当某个Broker挂了以后,Controller监听到临时节点/brokers/ids/中的变化,从ZK各个分区状态信息中获取ISR(此时去除了挂掉节点所有的Partition,失去leader的Partition重新选举leader),并完成ZooKeeper各个分区状态更新。
Kafka高效读写的保证?
-
Kafka高性能设计包括多分区、顺序读写、page cache、预读、内存映射-零拷贝、无锁offset 管理机制、NIO、压缩、批量读写、高性能序列化(二进制)等。
-
顺序读写:如同HBase顺序写HFile文件一样,Kafka顺序写log文件写入磁盘效率极高(据Kafka官网文档说比随机写快6000倍)。
-
使用操作系统的Page Cache来缓存要写入的数据,好处在于:
- 写入前可以做一些优化,提高磁盘写入性能。
- 缓存也可以用于数据被读取,当数据写入与读取速率相近的情况下,可以直接内存读取。
- Page Cache非JVM内存,不会影响JVM,导致GC的增加。同时,Kafka节点宕机,数据还在此机器缓存。
-
零拷贝机制**:**
- 正常情况下,先把数据读到内核空间,在从内核空间把数据读到用户空间,然后在调操作系统的io接口写到内核空间,最终在写到硬盘中。磁盘 -> 内核page cache -> 应用缓存 -> 内核page cache -> 磁盘的过程。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第15张图片](http://img.e-com-net.com/image/info8/90e62a7ceaf24216bfa2e246ee49d486.jpg)
- 如果数据只是单纯的拷贝而不需要修改,那么拷贝到应用缓存的步骤完全是多余的。所以Kafka利用了操作系统提供的零拷贝机制,来减少不需要的系统调用和数据拷贝次数,直接在内核空间流转io流,所以kafka的性能非常高。
![Apache Kafka分布式流处理平台及大厂面试宝典v3.0.0_第16张图片](http://img.e-com-net.com/image/info8/fa75efadcc6e4edfa1cd38a1d85c1124.jpg)
本篇主要是以Kafka的基础理论、架构原理和面试为主,后续我们再分享Kafka有关 API 以及事务、拦截器、监控等高级篇,已达到Kafka实战编程和应用的目的。