Kafka初学
概念
介绍
Kafka是最初由Linkedin公司开发，是一个分布式、多分区、多副本、多生产者、多订阅者，基于zookeeper协调的分布式日志系统（或者说MQ系统），常见可以用于web/nginx日志、访问日志、消息服务等等，Linkedin于2010年贡献给了Apache基金会并成为顶级开源项目
应用场景
日志系统
消息系统
设计目标
以时间复杂度为O(1)的方式提供消息持久化能力，即使对TB级以上数据也能保证常数时间的访问性能
高吞吐率。即使在非常廉价的商用机器上也能做到单机支持每秒100k条消息传输
支持Kafka Server间的消息分区，及分布式消费，同时保证每个partition内的消息顺序传输
同时支持离线数据处理和实时数据处理
支持在线水平扩展
有俩种主要的消息传递模式：点对点传递模式、发布-订阅模式。大部分的消息系统选用发布-订阅模式。kafka就是一种发布-订阅模式
对于消息中间件，消息分推拉俩种模式。kafka只有消息的拉取，没有推送，可以通过轮询实现消息的推送
kafka在一个或多个可以跨越多个数据中心的服务器上作为集群运行
kafka集群中按照主题分类管理，一个主题可以有多个分区，一个分区可以有多个副本分区
每个记录由一个键，一个值和一个时间戳组成
Kafka具有四个核心API:
Producer API:允许应用程序将记录流发布到一个或多个kafka主题
Consumer API:允许应用程序订阅一个或多个主题并处理为其生成的记录流
St reams API：允许应用程序充当流处理器，使用一个或多个主题的输入流，并生成一个或多个输出主题的输出流，从而有效的将输入流转化为输出流
Connector API:允许构建和运行将kafka主题链接到现有应用程序或数据系统的可重用生产者或使用者。例如，关系数据库的连接器可能会捕获对表的所有更改
Kafka优势
高吞吐量：单机每秒处理几十上百万的消息量。即使存储了许多TB的消息，它也保存稳定的性能
高性能：单节点支持上千个客户端，并保证零停机和零数据丢失
持久化数据存储：将消息持久化到磁盘。通过将数据持久化到硬盘以及replication防止数据丢失
零拷贝
顺序读，顺序写
利用Linux的页缓存
分布式系统，易于向外扩展，所有的producer、broker、和consumer都会有多个，均为分布式的，无需停机即可扩展机器，多个producer、consumer可能是不同的应用
可靠性：kafka是分布式，分区，复制和容错的
客户端状态维护：消息被处理的状态在consumer端维护，而不是由server端和zk维护，当失败时能自动平衡
支持多种客户端语言。比如：java，.net，php等
应用场景
日记收集：可以用kafka来收集各种服务的log，通过kafka以统一接口服务的方式开放给各种consumer
消息系统：解偶生产者和消费者、缓存消息等
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，比如浏览网页、搜索、点击等或者，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
流式处理：比如spark streaming和storm
基本架构
学习kafka，那么kafka的专业术语需要了解一下
消息和批次
kafka的数据单元称为消息。可以把消息看成时数据库里的一个记录。消息由字节数组组成。消息有键，键也是一个字节数组，当消息以一种可控的方式写入不同的分区时，会用到键
为了提高效率，消息被分批写入kafka。批次就是一组消息，这些消息属于同一个主题和分区
把消息分成批次可以减少网络开销。批次越大，单位时间内处理的消息就越多，单个消息的传输时间就越长。批次数据会被压缩，这样可以提升数据的传输和存储能力，但是需要更多的计算处理
模式
消息模式有许多可用的选项，以便于理解。如json和xml，但是它们缺乏强类型处理能力。kafka的许多开发者喜欢使用apache avro。avro提供了一种紧凑的序列化格式，模式和消息体分开。当模式发生变化时，不需要重新生成代码，他还支持强类型和模式进化，其版本即向前兼容，也向后兼容
数据格式的一致性对kafka很重要，因为它消除了消息读写操作之间的耦合性
主题和分区
kafka的消息通过主题进行分类。主题可比是数据库的表或文件系统里的文件夹。主题可被分为若干分区，一个主题通过分区分布于kafka集群中，提供了横向扩展的能力
生产者和消费者
生产者创建消息。消费者消费消息
一个消息被发布到一个特定的主题上
生产者在默认情况下把消息均衡的分布到主题的所有分区上：
直接指定消息的分区
根据消息的key散列取得摩得出分区
轮询指定分区
消费者通过偏移量来区分已经读过的消息，从而消费消息，消费者是消费组的一部分，消费组保证每个分区只能被一个消费者使用，避免重复消费
broker和集群
一个独立的kafka服务器称为broker。broker接收来自生产者的消息，为消息设置偏移量，并且提交消息到磁盘保存，broker为消费者提供服务，对读取分区的请求作出响应，返回已经提交到磁盘上的消息，单个broker可用轻松处理数千个分区以及每秒百万级的消息量
每个集群都有一个broker是集群控制器（自动从集群的活跃成员中选举出来）
控制器负责管理工作
将分区分配给broker
监控broker
集群中的一个分区属于一个broker，该broker称为分区首领
一个分区可以分配给多个broker，此时会发生分区复制
分区的复制提供了消息冗余，高可用。副本分区不负责处理消息的读写。
核心概念
Producer
生产者创建消息。该角色将消息发布到kafka的topic中，broker接收到生产者发送的消息后，broker将该消息追加到当前用于追加数据的segment文件中
一般情况下一个消息会被发布到一个特定的主题上
默认情况下，通过轮询吧消息均衡的发布到主题的所有分区上
在某些情况下，生产者会把消息直接写到指定的分区上，这通常是通过消息键和分区器来实现的，分区器为键生成一个散列值，并将其映射到指定的分区上。这样可以保证包含同一个键的消息会被写到同一个分区上
生产者也可以使用自定义的分区器，根据不同的业务规则将消息映射到分区
Consumer
消费者读取消息
消费者订阅一个或多个主题，并按照消息生成的顺序读取它们
消费者通过检查消息的偏移量来区分已经读取过的消息。偏移量是另一种元数据，它是一个不断递增的整数值，在创建消息时，kafka会把它添加到消息里，在给定的分区里，每个消息的偏移量都是唯一的。消费者把每个分区最后读取的消息偏移量保存在Zookeeper或kafka上，如果消费者关闭或重启，它的读取状态不会丢失
消费者是消费组的一部分，群组保证每个分区只能被一个消费者使用
如果一个消费者失效，消费者里的其他消费者可以接管失效消费者的工作，再平衡，分区重新分配
Broker
一个独立的kafka服务器被称为broker
beoker为消费者提供服务，对读取分区的请求作出响应，返回已经提交到磁盘的消息
如果topic有N个partition，集群有N个broker，那么每个broker存储该topic的一个partition。
如果topic有N个partition，集群有（N+M）个broker，那么其中有N个broker存储该topic的一个partition，剩下的M个broker不存储该topic的partition数据
如果topic有N个partition，集群中的broker数目少于N个，那么一个broker存储该topic的一个或多个partition。在实际生产环境中，尽量避免这种情况发生，这种情况容易导致kafka集群数据不均衡
broker是集群的组成部分，每个集群都有一个broker，同时充当了集群控制器的角色（自动从集群的活跃成员中选举出来）
控制器负责管理工作，包括将分区分配给broker和监控broker
在集群中，一个分区从属于一个broker，该broker被称为分区首领
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
物理上不同的topic的消息分开存储
主题就好比数据库的表，尤其是分库分表之后的逻辑表
Partition
主题可以被分为若干个分区，一个分区就是一个提交日志
消息以追加的方式写入分区，然后以先入先出的顺序读取
无法在整个主题范围内保证消息的顺序，但可以保证消息在单个分区内的顺序
kafka通过分区来实现数据冗余和伸缩性
在需要严格保证消息的消费顺序的场景下，需要将partition的数目设为1
Replicas
kafka使用主题来组织数据，每个主题分为若干个分区，每个分区又有多个副本。哪些副本被保存在broker上，每个broker可以保存成千上百个属于不同主题和分区的副本
副本有以下俩种类型：
首领副本
每个分区都有一个首领副本，为了保证一致性，所有生产者请求和消费者请求都会经过这个副本
跟随者副本
首领以外的副本都是跟随者副本。跟随者副本不处理来自客户的的请求，它们唯一的任务就是从首领哪里复制消息，保持与首领一致的状态，如果首领发生崩溃，其中一个跟随者会被提升为新首领
Offset
生产者offset
消息写入的时候，每个分区都有一个offset，这个offset就是生产者offset，同时也是这个分区的最新最大的offset
有些时候没有指定某一个分区的offset，这个工作kafka帮我们完成
消费者offset
这是某一个分区offset情况，生产者写入的offset的最新最大值是12，而当客户a进行消费时，从0开始消费，一直消费到9，消费者的offset就是9，客户b消费到11，客户b的offset就是11，等他们下一次来消费时，他们可以选择从上次的offset接着向下消费，也可以选择从0开始消费，或者跳到最近的记录并从当前位置消费
名次解释
副本
Kafka通过副本保证⾼可⽤。副本分为⾸领副本(Leader)和跟随者副本(Follower)。
跟随者副本包括同步副本和不同步副本，在发⽣⾸领副本切换的时候，只有同步副本可以切换为⾸领副本。
AR
分区中的所有副本统称为AR（Assigned Repllicas）。
ISR
所有与leader副本保持⼀定程度同步的副本（包括Leader）组成ISR（In-Sync Replicas），ISR集合是AR集合中的⼀个⼦集。消息会先发送到leader副本，然后follower副本才能从leader副本中拉取消息进⾏同步，同步期间内 follower副本相对于leader副本⽽⾔会有⼀定程度的滞后。前⾯所说的“⼀定程度”是指可以忍受的滞后范围，这个范围 可以通过参数进⾏配置
OSR
与leader副本同步滞后过多的副本（不包括leader）副本，组成OSR(Out-Sync Relipcas)。在正常情况下，所有的follower副本都应该与leader副本保持⼀定程度的同步，即AR=ISR,OSR集合为空
HW
HW是High Watermak的缩写， 俗称⾼⽔位，它表示了⼀个特定消息的偏移量（offset），消费之只能拉取到这个offset之前的消息
LEO
LEO是Log End Offset的缩写，它表示了当前⽇志⽂件中下⼀条待写⼊消息的offset
