换个角度看Apache pulsar

本文为原创文章，转载请注明出处

关注 pulsar 项目将近10天左右了，在此前，我和所有刚接触 pulsar 项目的人都有一个共同的疑惑，目前社区内已经有activeMQ、kafka、RocktMQ等优秀的消息队列，而且也经历过社区长时间的洗礼，我们为什么还需要 pulsar 这个MQ？带着这样的疑问，我们开始阅读这篇文章。

记得在之前项目中遇到几个kafka的痛点问题，第一：在数据迁移过程中，我们需要从上游到下游的数据必须是有序的，简单点说就是，我们期望DDL跑到DML的前面，不然当我们DML语句到达之后，我们都不知道数据应该写入到哪个DB（因为此时压根还没有db和table）。熟悉kafka的人都知道，kafka的partition内是有序的状态，但多个partition之间是无序的，最简单的逻辑，我们将所有的数据全部写入一个partition中，让consumer订阅这个partition，但是这其中存在一个较大的问题，kafka这种基于partition的MQ，本身就是通过partition来提高吞吐量，我们的业务是在迁移数据，全量迁移时，瞬时数据会很大，同时塞到一个partition中，势必会使这个partition成为整个系统的热点问题。第二：当时候，我们内部压测过kafka，印象中，当时候的压测是分为8、32、64topic，当时候我们发现，当topic超过64时，kafka的吞吐出现明显的抖动，也就是kafka并不能够单纯的通过增加topic的数量来提升吞吐量。这个64topic性能抖动问题，与RocketMQ和kafka对比压测的现象基本一致。

我们前面也提到过，kafka和rocketMQ这种MQ是基于partition的存储模型。也就是说，他们的存储和partition是绑定的，一个partition只能由一个consumer来订阅消费，这就存在一个问题，partition和consumer究竟怎么设置，原则上，我们需要始终保持这两者是对等的关系，如果partition过多，就可能存在一个consumer订阅多个partition的问题，反过来，如果consumer过多，就会出现consumer空闲的问题。那么合理的分配策略只有是 partition 个数与 consumer 个数成倍数关系。

在kafka中最小的单位是segment，一个segment分为两个文件，一个.index文件用来存储元数据信息，一个.log文件用来存储数据信息，也就意味着一个partition至少需要两个fd，kafka还需要将这些元数据信息注册到zk中，方便整个kafka集群的监控调度。所以在kafka中，partition是一个相对比较重的资源，我们当时候的压测，1000左右的partition 会给kafka系统带来将近40-60ms左右的延迟（大致值）。kafka consumer静态绑定的这种架构设计导致了其扩容缩容也是一个问题。当系统遇到处理能力不足时，单纯的增加consumer并不能解决问题，我们还需要增加其对应的partition 的数量。但是，比较蛋疼的另一个问题是，partition是单向扩容的，意思是我们一旦增加上去partition的数量，我们是不能对其减少的。

这里再回答当时候我们遇到的上述提到的第一个痛点问题，如果我们只用一个partition来保证全局的顺序问题，当数据量较大的时候，这个partition会迅速增长，这个时候，即使你再想通过扩充partition的数量来提升系统的吞吐，也不是很现实来，这种强负载在kafka中简直是一个灾难。我们假设我们增加进来两个partition，但是我之前的partition已经被其中一个consumer订阅，所以那些堆积的消息只能由这个consumer来消费，这种不支持横向扩展的设计一旦遇到真的瓶颈真的有点难受，或者你就选择强制负载均衡。

针对上述的一些问题 ，pulsar是如何解决的呢？

1. 对于kafka负载的问题，我们来看一张图：

image.png

通过上图，我们可以分析到，kafka等基于partition存储的mq存储起来是"一条一条"的，pulsar会均匀摊开。这点得意于pulsar将存储与计算分离的架构设计，我们可以方便的在存储层和计算层进行扩容。具体参考：Pulsar VS. Kafka（2）: 以Segment为中心的架构

2. pulsar从设计之初，从写第一行代码开始就考虑到多租户的场景，pulsar自打诞生那天起，就为云这件事情做好了准备。

image.png

上图表述了pulsar在多租户场景下的组成架构。

• 租户name：property-1, property-2, property-3
• 业务线：nameSpace-1, nameSpace-2

到了具体的业务线之后，我们就可以和正常使用mq一样对其执行相应的操作。

3. pulsar 给consumner提供了不同的订阅形式：

consumer

• exclusive: 这种订阅方式可以保证顺序，可以看作是failover的一个子集。
• shared： 共享。这种模式允许每个topic有多个消费者来订阅，大家一人消费点数据，分工合作，可以根据数据的多少任意扩展consumer的多少。
• failover： 灾备模式，这种订阅也可以保证顺序。

exclusive 和 failover 适合对顺序有要求的业务场景，一般我们称作Stream（流）
shared 适合对消息顺序没什么要求的业务场景，一般我们称作Queue（队列）

本文只是针对自己之前在业务中使用kafka的一些问题以及在pulsar中，我们如何规避这些问题，并没有对pulsar的全部特性做详细的介绍，想进一步了解的，请移步下面的文章

下面是搜集的一些优秀的关于pulsar相关的技术文章：

• 深入理解Pulsar工作原理
• Pulsar笔记
• Pulsar vs Kafka 统一消费模型
• Pulsar vs Kafka 分层分片架构
• Apache Pulsar介绍
• Apache Pulsar在智联招聘的实践

如果对Pulsar感兴趣，可通过下列方式参与Pulsar社区：

- Pulsar Slack频道: 
  https://apache-pulsar.slack.com/
  可自行在这里注册：
  https://apache-pulsar.herokuapp.com/

- Pulsar邮件列表: http://pulsar.incubator.apache.org/contact


有关Apache Pulsar项目的更多信息，请访问官网：
http://pulsar.incubator.apache.org/
此外也可关注Twitter帐号@apache_pulsar。