Kafka是个奇葩！——Linkin论文学习笔记
Kafka是啥？
是个消息中间件吗？那和市面上其他一堆堆的中间件例如ActiveMQ, RabbitMQ有什么区别？
答案只有一个：
Kafka是个集群的消息中间件+存储，一个节点可以存储几T的数据！
为啥一个中间件需要存储数据呢？
慢慢道来……
原来，对于Linkin这样的互联网企业来说，用户和网站上产生的数据有三种：
- 需要实时响应的交易数据，用户提交一个表单，输入一段内容，这种数据最后是存放在关系数据库(Oracle, MySQL)中的，有些需要事务支持。
- 活动流数据，准实时的，例如页面访问量、用户行为、搜索情况，这些数据可以产生啥？广播、排序、个性化推荐、运营监控等。这种数据一般是前端服务器先写文件，然后通过批量的方式把文件倒到Hadoop这种大数据分析器里面慢慢整。
- 各个层面程序产生的日志，例如httpd的日志、tomcat的日志、其他各种程序产生的日志。码农专用，这种数据一个是用来监控报警，还有就是用来做分析。
Linkin的牛逼之处，就在于他们发现了原先2,3的数据处理方式有问题，对于2而言，原来动辄一两个钟头批处理一次的方式已经不行了，用户在一次购买完之后最好马上就能看到相关的推荐。而对于3而言，传统的syslog模式等也不好用，而且很多情况下2和3用的是同一批数据，只是数据消费者不一样。
这2种数据的特点是：
- 准实时，不需要秒级响应，分钟级别即可。
- 数据量巨大，是交易数据的10倍以上。
- 数据消费者众多，例如评级、投票、排序、个性化推荐、安全、运营监控、程序监控、后期报表等
于是，Linkin就自己开发了一套系统，专门用来处理这种性质的数据，这就是Kafka
那么，在整个实践过程中Linkin做了什么样的设计，解决了什么问题？
首先看下数据流动图：
多数据中心怎么管理数据：
集群本身的架构图
Kafka内部架构图，分为数据产生者(Producer)，数据中间者(Broker)，数据消费者(Consumer)
显然，这是一个集群的发布/订阅系统，有如下几个特点
- 生产者是推数据(Push)，消费者是拉数据(Pull)。存在数据复用，在Linkin平均生产1条消息会被消费5.5次。
- 数据生产者和数据消费者的速度不对等，所以要把数据沉淀在Kafka内慢慢处理，Linkin一般在集群内放7天的数据。
- 性能上追求高吞吐，保证一定的延时性之内。这方面做了大量优化，包括没有全局hash，批量发送，跨数据中心压缩等等。
- 容错性上使用的“至少传输一次”的语义。不保证强一次，但避免最多传一次的情况。
- 集群中数据分区，保证单个数据消费者可以读到某话题(topic)的某子话题(例如某用户的数据)的所有数据，避免全局读数据
- 数据规范性，所有数据分为数百个话题，然后在数据的源头——生产者(Producer)这边就用Schema来规范数据，这种理念使得后期的数据传输、序列化、压缩、消费都有了统一的规范，同时也解决了这个领域非常麻烦的数据版本不兼容问题——生产者一改代码，消费者就抓瞎。
- 用于监控，这个系统的威力在于，前面所有生产系统的数据流向，通过这个系统都能关联起来，用于日常的运营也好，用于数据审计，用于运维级别的监控也好都是神器啊！
所以，Kafka的设计基本上目前这个领域的唯一选择。我也看了很多其他实现，包括：
scribe(Facebook) | 2 | C++ | 已停止更新，不建议使用
flume(Apache, Cloudera) |1 | Java | 配置较重
chukwa(Hadoop) |12 | Java | 2012发布最后一版，不建议使用
fluentd |1 | Ruby | 比较活跃，看起来不错
logstash |12345| JRuby | 功能全，据说有不少小bug
splunk |12345| C/Python | 商业闭源，功能强大，可做参考
timetunnel(Alibaba) | 2 | Java | 基于thrift，10年左右成熟
kafka(Linkin) | 2 4 | Scala | 性能强劲，设计巧妙，可以作为基础设施
Samza(Linkin) |12345| | =Kafka+YARN+Hadoop
rabbitmq/activemq/qpid | 2 | Java | 传统消息中间件
Storm(twitter) | 3 | Clojure | 实时计算系统
Jstorm(Alibaba) | 3 | Java | storm的Java版，据说更稳定
S4(Yahoo) | 3 | Java | 2013年已停止维护
Streambase(IBM) | 3 | Java | 商业产品，作为参考
HStreaming | 3 | Java | 商业产品，作为参考
spark | 3 | Scala | 基于Hadoop
mongodb | 4 | C++ | 比较浪费硬盘
mysql | 4 | C++ | 无需多说
hdfs/hbase | 4 | Java | 无需多说=
- 数据采集组件
- 数据传输组件
- 数据实时计算/索引/搜索组件
- 数据存储/持久化组件
- 数据展示/查询/报警界面组件
从数据传输这块的设计理念来说，Kafka是最为先进的，
在目前的各种实现中，我猜测可以和Kafka一战的也就只有Splunk了
后面我会分析一下这2个软件的设计和实现
欲知后事如何，且听下回分解 ~~
主要参考文章
日志：每个软件工程师都应该知道的有关实时数据的统一概念 —— 这篇比较抽象，高屋建瓴，理论先行
Building LinkedIn’s Real-time Activity Data Pipeline —— 实践层的论文，把做事情的前因后果都写明白了
分布式发布订阅消息系统 Kafka 架构设计 —— 落地设计
次要参考文章
《Building LinkedIn’s Real-time Activity Data Pipeline》
《分布式发布订阅消息系统 Kafka 架构设计》
《StreamBase简介》
《Yahoo! s4和Twitter storm的粗略比较》
《最火爆的开源流式系统Storm vs 新星Samza》
《架构之淘宝实时数据传输平台: TimeTunnel介绍》
《Graylog2 简介》
《logstash 还是不行》
《日志收集以及分析：Splunk 》
《LogStash日志分析系统》
《LogStash，使日志管理更简单》
《logstash VS splunk》
《个性化离线实时分析系统pora》
《日志：每个软件工程师都应该知道的有关实时数据的统一概念》
《基于Flume的美团日志收集系统(二)改进和优化》
《基于Flume的美团日志收集系统(一)架构和设计》
《对互联网海量数据实时计算的理解》
《流式日志系统启示录》
《flume-ng+Kafka+Storm+HDFS 实时系统搭建》