Kafka 本质上是一个 MQ(Message Queue),使用消息队列的优点:
Kafka只写数据到leader副本,也只从leader副本获取数据。如果leader失效,会重新选择出leader。
优点类似MySQL的主从关系,写数据都是到主机里面,但是读数据不一样,Kafka读数据只能从主机里面读。
副本机制(Replication),也可以称之为备份机制,通常是指分布式系统在多台网络互联的机器上保存有相同的数据拷贝。副本机制的好处在于:
目前Kafka只实现了副本机制带来的第 1 个好处,即是提供数据冗余实现高可用性和高持久性。
在kafka生产环境中,每台 Broker 都可能保存有各个主题下不同分区的不同副本,因此,单个 Broker上存有成百上千个副本的现象是非常正常的。
比如了一个有 3 台 Broker 的 Kafka 集群上的副本分布情况。主题 1 分区 0 的 3 个副本分散在 3 台 Broker 上,其他主题分区的副本也都散落在不同的 Broker 上,从而实现数据冗余。
Kafka是基于领导者(Leader-based)的副本机制:
生产者是数据的入口。Producer在写入数据的时候永远是找leader,不会直接将数据写入follower。
Kafka 的消息组织方式实际上是三级结构:主题 - 分区 - 消息。主题下的每条消息只会保存在某一个分区中,而不会在多个分区中被保存多份。
分区的作用主要提供负载均衡的能力,能够实现系统的高伸缩性(Scalability)。不同的分区能够被放置到不同节点的机器上,而数据的读写操作也都是针对分区这个粒度而进行的,这样每个节点的机器都能独立地执行各自分区的读写请求处理。这样,当性能不足的时候可以通过添加新的节点机器来增加整体系统的吞吐量。
分区原则:需要将 Producer 发送的数据封装成一个 ProducerRecord 对象。
该对象需要指定一些参数:
所谓分区策略是决定生产者将消息发送到哪个分区的算法。Kafka 为我们提供了默认的分区策略,同时它也支持自定义分区策略。
(1)轮询策略。
Round-robin 策略,即顺序分配。比如一个主题下有 3 个分区,那么第一条消息被发送到分区 0,第二
条被发送到分区 1,第三条被发送到分区 2,以此类推。当生产第 4 条消息时又会重新开始,即将其分
配到分区 0
轮询策略有非常优秀的负载均衡表现,它总是能保证消息最大限度地被平均分配到所有分区上,故默认
情况下它是最合理的分区策略,也是我们最常用的分区策略之一。
(2)随机策略-Randomness 策略。
随机就是我们随意地将消息放置到任意一个分区上,如下面这张图所示。
随机策略是老版本生产者使用的分区策略,在新版本中已经改为轮询了。
(3)按消息键保序策略-Key-ordering 策略。
Kafka 允许为每条消息定义消息键,简称为 Key。这个 Key 的作用非常大,它可以是一个有着明确业务
含义的字符串,比如客户代码、部门编号或是业务 ID 等;也可以用来表征消息元数据。特别是在 Kafka
不支持时间戳的年代,在一些场景中,工程师们都是直接将消息创建时间封装进 Key 里面的。一旦消息
被定义了 Key,那么你就可以保证同一个 Key 的所有消息都进入到相同的分区里面,由于每个分区下的
消息处理都是有顺序的,故这个策略被称为按消息键保序策略。
key1 — 落在同一分区
key2 — 落在同一个分区
(4)默认分区规则。
传统的消息队列模型的消息一旦被消费,就会从队列中被删除,而且只能被下游的一个Consumer 消费。这种模型的伸缩性(scalability)很差,因为下游的多个 Consumer 都要“抢”这个共享消息队列的消息。发布 / 订阅模型倒是允许消息被多个 Consumer 消费,但它的问题也是伸缩性不高,因为每个订阅者都必须要订阅主题的所有分区。这种全量订阅的方式既不灵活,也会影响消息的真实投递效果。
当 Consumer Group 订阅了多个主题后,组内的每个实例不要求一定要订阅主题的所有分区,它只会消
费部分分区中的消息。Consumer Group 之间彼此独立,互不影响,它们能够订阅相同的一组主题而互
不干涉。再加上 Broker 端的消息留存机制,Kafka 的 Consumer Group 完美地规避了上面提到的伸缩
性差的问题。可以这么说,Kafka 仅仅使用 Consumer Group 这一种机制,却同时实现了传统消息引擎
系统的两大模型:
Consumer 采用 Pull(拉取)模式从 Broker 中读取数据。
Pull 模式则可以根据 Consumer 的消费能力以适当的速率消费消息。Pull 模式不足之处是,如果 Kafka没有数据,消费者可能会陷入循环中,一直返回空数据。
因为消费者从 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,这段时长即为 timeout。
一个消费者可以订阅多个主题,可以去消费多个分区,一个分区不支持多个消费者(同一个消费组)读
取。
一个消费者组中有多个 consumer,一个 topic 有多个 partition,所以必然会涉及到 partition 的分
配问题,即确定那个 partition 由哪个 consumer 来消费。当消费者组里面的消费者个数发生改变的时
候,也会触发再平衡。
Kafka 有四种分配策略,可以通过参数 partition.assignment.strategy
来配置,默认 Range + CooperativeSticky
。
(1)RangeAssignor分配策略
RangeAssignor 分配策略的原理是按照消费者总数和分区总数进行整除运算来获得一个跨度, 然后将分
区按照跨度进行平均分配,以保证分区尽可能均匀地分配给所有的消费者。
每一个主题,RangeAssignor策略会将消费组内所有订阅这个主题的消费者按照名称的字典序排序,然
后为每个消费者划分固定的分区范围,如果不够平均分配,那么字典序靠前的消费者会被多分配一个分
区。
假设n= 分区数/消费者数量,m= 分区数%消费者数量,那么前m个消费者每个分配n+1个分区,后面
的(消费者数量-m)个消费者每个分配n个分区。
假设消费组内有2个消费者C0和C1都订阅了主题t0和t1, 并且每个主题都有4个分区,那 么订阅的所有分
区可以标识为: t0p0、t0p1、t0p2、t0p3、t1p0、t1p1、t1p2、t1p3。最终的分配结果为:
这样分配得很均匀,那么这个分配策略能够一直保持这种良好的特性吗?我们不妨再来看 另一种情况。
假设上面例子中2个主题都只有3个分区,那么订阅的所有分区可以标识为:t0p0、 t0p1、t0p2、
t1p0、t1p1、t1p2最终的分配结果为:
可以明显地看到这样的分配并不均匀,如果将类似的情形扩大,则有可能出现部分消费者过载的情况。
对此我们再来看另一种RoundRobinAssignor策略的分配效果如何。
总结:
最好要保证分区数量可以整除消费者数量,不然会随着topic数量的增多,数据倾斜会越严重
(2)RoundRobinAssignor分配策略
RoundRobinAssi gnor 分配策略的原理是将消费组内所有消费者及消费者订阅的所有主题的分 区按照字
典序排序,然后通过轮询方式逐个将分区依次分配给每个消费者。RoundRobinAssignor 分配策略对应
的Partition.assignment.strategy
参数值为org.apache.kafka.C1ients.Consumer.RoundRobinAssignor
。
如果同一个消费组内所有的消费者的订阅信息都是相同的,那么RoundRobinAssignor分配策略的分区
分配会是均匀的。
比如:假设消费组中有2个消费者C0 和C1都订阅了主题 t0和t1, 并且每个主题都有3个分区,那么订阅的
所有分区可以标识为:t0p0、t0p1、t0p2、t1p0、 t1p1、t1p2。最终的分配结果为:
如果同一个消费组内的消费者订阅的信息是不相同的, 那么在执行分区分配的时候就不是完全的轮询分
配,有可能导致分区分配得不均匀。 如果某个消费者没有订阅消费组内的某个主题, 那么在分配分区的
时候此消费者将分配不到这个主题的任何分区。
比如:假设消费组内有3个消费者(C0、 C1和C2), 它们共订阅了3个主题(t0、t1、 t2) , 这 3个主题分别有
1、2、3个分区, 即整个消费组订阅了t0p0、 t1p0、 t1p1、 t2p0、 t2p1、 t2p2这6个分区。 具体而
言, 消费者 C0 订阅的是主题t0, 消费者C1 订阅的是主题t0和t1, 消费者C2 订阅的是主题t0、t1和t2, 那
么最终的分配结果为:
可以看到RoundRobinAssignor策略也不是十分完美, 这样分配其实并不是最优解, 因为完全可以将分
区t1p1 分配给消费者C1。
所以需要注意:如果使用RoundRobinAssignor策略,则消费者应该订阅相同的主题。
(3)StickyAssignor分配策略
我们再来看一下StickyAssignor分配策略, “sticky"这个单词可以翻译为“ 黏性的”, Kafka 从0.11.x版本
开始引入这种分配策略, 它主要有两个目的:
(1)分区的分配要尽可能均匀。
(2)分区的分配尽可能与上次分配的保待相同。
当两者发生冲突时, 第一个目标优先于第二个目标。
鉴于这两个目标, StickyAssignor分配策略的具体实现要比RangeAssignor和RoundRobinAssignor这
两种分配策略要复杂得多。 我们举 例来看一下StickyAssignor分配策略的实际效果。
假设消费组内有3个消费者(C0、C1和C2),它们都订阅了4个主题(t0、t1、t2、t3),并且每个主题有2个
分区。 也就是说,整个消费组订阅了t0p0、 t0p1、 t1p0、 t1p1、 t2p0、 t2p1、 t3p0、 t3p1这8个分
区。 最终的分配结果如下:
这样初看上去似乎与采用RoundRobinAssignor分配策略所分配的结果相同, 但事实是否真的如此呢?
再假设此时消费者 C1脱离了消费组, 那么消费组就会执行再均衡操作,进而消费分区会重新分配。 如
果采用RoundRobinAssignor 分配策略, 那么此时的分配结果如下:
如分配结果所示,RoundRobinAssignor分配策略会按照消费者C0 和C2进行重新轮询分配。 如果此时
使用的是StickyAssignor分配策略,那么分配结果为:
可以看到分配结果中保留了上一次分配中对消费者 C0 和C2的所有分配结果,并将原来消费者C1的 “ 负
担 “ 分配给了剩余的两个消费者 C0 和C2, 最终 C0 和C2的分配还保持了均衡。
如果发生分区重分配,那么对于同一个分区而言,有可能之前的消费者和新指派的消费者不是同一个,
之前消费者进行到一半的处理还要在新指派的消费者中再次复现一遍,这显然很浪费系统资源。
StickyAssignor 分配策略如同其名称中的"st1cky" 一样,让分配策略具备一定 的 “ 黏性 ” ,尽可能地让
前后两次分配相同,进而减少系统资源的损耗及其他异常情况的发生。
到目前为止,我们分析的都是消费者的订阅信息都是相同的情况,我们来看一下订阅信息不同的清况下
的处理。
举个例子,同样消费组内有3个消费者(C0、C1和C2) , 集群中有3个主题(t0、t1和 t2) , 这3个主题分别有
1、2、3个分区。也就是说,集群中有t0p0、 t1p0、 t1p1、 t2p0、 t2p1、 t2p2这6个分区。消费者
C0 订阅了主题t0,消费者C1订阅了主题t0和t1, 消费者C2订阅了主题t0、t1和t2。 如果此时采用
RoundRobinAssignor分配策略,那么最终的分配结果如RoundRobinAssignor分配策略时的一样
RoundRobinAssignor分配策略的分配结果
如果此时采用的是StickyAssignor分配策略,那么最终的分配结果如下所示。
StickyAssignor分配策略的分配结果
可以看到这才是一个最优解(消费者C0 没有订阅主题t1和t2, 所以不能分配主题t1和t2 中的任何分区给
它, 对于消费者C1也可同理推断)。
假如此时消费者C0 脱离了消费组, 那么RoundRobinAssignor分配策略的分配结果为:
可以看到RoundRobinAssignor策略保留了消费者C1和C2中原有的3个分区的分配:t2p0、 t2p I和t2p2。
如果采用的是StickyAssignor分配策略, 那么分配结果为:
可以看到StickyAssignor分配策略保留了消费者C1和C2中原有的5个分区的分配:t1p0、t1p1、t2p0、
t2p1、t2p2。
使用StickyAssignor分配策略的一个优点就是可以使分区重分配具备 “ 黏性"’ 减少不必要的分区移动(即
一个分区剥离之前的消费者,转而分配给另一个新的消费者)。
StickyAssignor分配策略比另外两者分配策略而言显得更加优异,但这个策略的代码实现也异常复杂,
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(ACKnowledge 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。
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。
当采用第二种方案时,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?
Kafka 为用户提供了三种可靠性级别,用户根据可靠性和延迟的要求进行权衡,选择以下的配置。
ACK 参数配置: