第3章、Kafka工作流程分析
一、Kafka工作流程及文件存储机制
1.1、Kafka 工作流程
- 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。
- topic是逻辑上的概念,而partition是物理上的概念,每个partition对应于一个log文件,该log文件中存储的就是producer生产的数据。
- Producer生产的数据会被不断追加到该log文件末端,且每条数据都有自己的offset。消费者组中的每个消费者,都会实时记录自己消费到了哪个offset,以便出错恢复时,从上次的位置继续消费。
- kafka消息不能保证全局消息有序性,能保证分区内有序。
1.2、Kafka文件存储机制
由于生产者生产的消息会不断追加到log文件末尾,为防止log文件过大导致数据定位效率低下,Kafka采取了分片和索引机制,将每个partition分为多个segment。每个segment对应两个文件——“.index”文件和“.log”文件。这些文件位于一个文件夹下,该文件夹的命名规则为:topic名称+分区序号。例如,first这个topic有三个分区,则其对应的文件夹为first-0,first-1,first-2。
00000000000000000000.index
00000000000000000000.log(存储topic内容 最大默认1G,超过1G,则新建一个,)
00000000000000170410.index
00000000000000170410.log(名字为当前log中最小的偏移量)
00000000000000239430.index
00000000000000239430.log
index和log文件以当前segment的第一条消息的offset命名。下图为index文件和log文件的结构示意图。
- “.index”文件存储大量的索引信息,
- “.log”文件存储大量的具体数据,索引文件中的元数据指向对应数据文件中message的物理偏移地址。
- .index”文件中存储的每一条数据的大小相同,通过二分查找,查找速度快。
二、Kafka生产者
2.1、分区策略
2.2.1、分区的原因
- 方便在集群中扩展,每个Partition可以通过调整以适应它所在的机器,而一个topic又可以有多个Partition组成,因此整个集群就可以适应任意大小的数据了;
- 可以提高并发,因为可以以Partition为单位读写了。
2.2.2、分区的原则
我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
- 指明partition的情况下,直接将指明的值直接作为partiton值;(指明分区)
- 没有指明partition值但有key的情况下,将key的hash值与topic的partition数进行取余得到partition值;(没有指定分区,按照key的值和分区数去莫)
- 既没有partition值又没有key值的情况下,第一次调用时随机生成一个整数(后面每次调用在这个整数上自增),将这个值与topic可用的partition总数取余得到partition值,也就是常说的round-robin(轮询)算法。(key为空,轮询,第一次不确定)
2.2、数据可靠性保证
为保证producer发送的数据,能可靠的发送到指定的topic,topic的每个partition收到producer发送的数据后,都需要向producer发送ack(acknowledgement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。
2.2.1、 副本数据同步策略
方案 | 优点 | 缺点 |
半数以上完成 同步 , 就发 |
延迟低 |
选举新的 leader 时,容忍 n 台 |
全部完成同步 ,才发送 |
选举新的 leader 时,容忍 n 台 |
延迟高 |
Kafka选择了第二种方案,原因如下:
- 同样为了容忍n台节点的故障,第一种方案需要2n+1个副本,而第二种方案只需要n+1个副本,而Kafka的每个分区都有大量的数据,第一种方案会造成大量数据的冗余。
- 虽然第二种方案的网络延迟会比较高,但网络延迟对Kafka的影响较小。
2.2.2、ISR
- 采用第二种方案之后,设想以下情景:leader收到数据,所有follower都开始同步数据,但有一个follower,因为某种故障,迟迟不能与leader进行同步,那leader就要一直等下去,直到它完成同步,才能发送ack。这个问题怎么解决呢?
- Leader维护了一个动态的in-syncreplicaset(ISR:同步副本队列),和leader保持同步的follower集合。当ISR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,该时间阈值由replica.lag.time.max.ms 参数设定。Leader 发生故障之后,就会从 ISR 中选举新的 leader。
2.2.3、ack 解决数据重复/丢失问题
- 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全部接收成功。
- 所以Kafka为用户提供了三种可靠性级别,用户根据对可靠性和延迟的要求进行权衡,选择以下的配置。
- acks参数配置:
-
- acks:0:producer不等待broker的ack,这种操作提供了最低的延迟,broker一直接收,不做重发,存在没有写入磁盘的情况就已经返回,当broker故障时有可能丢失数据;
- acks:1:producer等待broker的ack,只等待partition的leader落盘成功后返回ack,如果在follower同步成功之前leader故障,那么将会丢失数据;下面是acks = 1 数据丢失案例;
-
- acks:-1(all):producer 等待 broker 的 ack,会重试,partition 的 leader 和 follower (ISR的follower,假设有3个follower,一个是在ISR)全部落盘成功后才返回ack。但是如果在 follower 同步完成后,broker 发送 ack 之前,leader 发生故障,那么会造成数据重复。下面时acks = -1 数据重复案例。
2.2.4、 故障处理细节
- Log文件中的HW和LEO
- LEO(最大offset) :指的是每个副本最大的offset;
- HW (高水位):指的是消费者能见到的最大的offset ,ISR队列中最小的LEO 。
(1)、follower 故障
follower 发生故障后会被临时踢出 ISR,待该 follower 恢复后,follower 会读取本地磁盘记录的上次的 HW,并将 log 文件高于 HW 的部分截取掉,从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 的 HW,即 follower 追上 leader 之后,就可以重
新加入ISR了。
(2)、leader故障
leader 发生故障之后,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 的部分截掉,然后从新的 leader同步数据。
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。
2.3、Exactly Once语义
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AtLeastOnce语义。相对的,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AtMostOnce语义。AtLeastOnce可以保证数据不丢失,但是不能保证数据不重复;相对的,AtLeastOnce可以保证数据不重复,但是不能保证数据不丢失。但是,对于一些非常重要的信息,比如说交易数据,下游数据消费者要求数据既不重复也不丢失,即ExactlyOnce语义。在0.11版本以前的Kafka,对此是无能为力的,只能保证数据不丢失,再在下游消费者对数据做全局去重。对于多个下游应用的情况,每个都需要单独做全局去重,这就对性能造成了很大影响。0.11版本的Kafka,引入了一项重大特性:幂等性。所谓的幂等性就是指Producer不论向Server发送多少次重复数据,Server端都只会持久化一条。幂等性结合AtLeastOnce语义,就构成了Kafka的ExactlyOnce语义。即:AtLeastOnce + 幂等性 = Exactly Once
- 启用幂等性,只需要将Producer的参数中enable.idompotence设置为true即可。
- Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的Producer在初始化的时候会被分配一个PID(ProducerId),发往同一Partition的消息会附带SequenceNumber。
- Broker端会对<PID,Partition,SeqNumber>做缓存,当具有相同主键的消息提交时,Broker只会持久化一条。
- 但是PID重启就会变化,同时不同的Partition也具有不同主键,所以幂等性无法保证跨分区、跨会话的ExactlyOnce。
三、Kafka消费者
3.1、消费方式
consumer采用pull(拉)模式从broker中读取数据。
push(推)模式很难适应消费速率不同的消费者,因为消息发送速率是由broker决定的。它的目标是尽可能以最快速度传递消息,但是这样很容易造成 consumer 来不及处理消息,典型的表现就是拒绝服务以及网络拥塞。而 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。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。
3.2、分区分配策略
https://www.cnblogs.com/hongdada/p/16921205.html
一个 consumer group 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。
Kafka 有两种分配策略,一是 RoundRobin(轮询),一是 Range。
- 分区分配策略之RoundRobin
- 消费者组中订阅的toipic要一样
- 分区分配策略之Range(默认)
3.3、offset的维护
由于consumer在消费过程中可能会出现断电宕机等故障,consumer恢复后,需要从故障前的位置的继续消费,所以consumer需要实时记录自己消费到了哪个offset,以便故障恢复后继续消费。
Kafka 0.9 版本之前,consumer 默认将 offset 保存在 Zookeeper 中,从 0.9 版本开始,consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中,该 topic 为__consumer_offsets。
- 修改配置文件 consumer.properties
exclude.internal.topics=false
- 读取 offset
# 0.11.0.0 之前版本: bin/kafka-console-consumer.sh --topic __consumer_offsets
--zookeeper broker2:2181
--formatter "kafka.coordinator.GroupMetadataManager\$OffsetsMessageFormatter" --consumer.config config/consumer.properties --from-beginning
# 0.11.0.0 之后版本(含): bin/kafka-console-consumer.sh --topic __consumer_offsets
--zookeeper broker2:2181
--formatter "kafka.coordinator.group.GroupMetadataManager\$OffsetsMessageFormatter"
--consumer.config config/consumer.properties --from-beginning
3.4、消费者组案例
需求:测试同一个消费者组中的消费者,同一时刻只能有一个消费者消费。
- 在broker0、broker1上修改/usr/loacl/kafka/config/consumer.properties 配置文件中的 group.id 属性为任意组名。
vim consumer.properties
group.id=jdy
- 在broker0、broker1分别启动消费者
- 在broker2上启动生产者
- 查看 broker0、broker1的接收者。同一时刻只有一个消费者接收到消息。
四、Kafka 高效读写数据
4.1、顺序写磁盘
Kafka的producer生产数据,要写入到log文件中,写的过程是一直追加到文件末端,为顺序写。官网有数据表明,同样的磁盘,顺序写能到600M/s,而随机写只有100K/s。这与磁盘的机械机构有关,顺序写之所以快,是因为其省去了大量磁头寻址的时间。
4.2、零复制技术
五、Zookeeper在Kafka中的作用
Kafka 集群中有一个 broker 会被选举为 Controller,负责管理集群 broker 的上下线,所有 topic 的分区副本分配和 leader 选举等工作。
Controller 的管理工作都是依赖于 Zookeeper 的。
以下为 partition 的 leader 选举过程:
六、Kafka事务
Kafka从0.11版本开始引入了事务支持。事务可以保证Kafka在Exactly Once语义的基础上,生产和消费可以跨分区和会话,要么全部成功,要么全部失败。
6.1、Producer事务
为了实现跨分区跨会话的事务,需要引入一个全局唯一的 Transaction ID,并将 Producer获得的PID和Transaction ID绑定。这样当Producer重启后就可以通过正在进行的TransactionID 获得原来的 PID。
为了管理Transaction,Kafka引入了一个新的组件TransactionCoordinator。Producer就是通过和TransactionCoordinator交互获得TransactionID对应的任务状态。TransactionCoordinator还负责将事务所有写入Kafka的一个内部Topic,这样即使整个服务重启,由于事务状态得到保存,进行中的事务状态可以得到恢复,从而继续进行。
6.2、Consumer事务
上述事务机制主要是从Producer方面考虑,对于Consumer而言,事务的保证就会相对较弱,尤其时无法保证Commit的信息被精确消费。这是由于Consumer可以通过offset访问任意信息,而且不同的SegmentFile生命周期不同,同一事务的消息可能会出现重启后被删除的情况。