1. kafka基础

1.1 定位和功能

kafka是一个分布式的消息系统，使用scala语言编写，现已经贡献给Apache基金会。主要有以下特点：

• 可以发布与订阅消息：消息可以细分为不同的主题，支持多种消息发布和订阅需求。
• 可以存储消息记录，并具有较好容错性：可以按时间或者容量大小清理旧消息。
• 支持弹性扩展，以支撑海量数据规模：kafka是分布式的，一方面可以提升系统吞吐，另一方面可以提升可用性。

1.2 消息

kafka的数据单元称为【消息】，可以理解为一条数据记录，由键和值组成。键值都是字节数组，其中键是可选的，kafka通过散列键取模后，控制消息写到主题的不同分区。

为了提高写入的效率，消息也会被分成一批写入kafka。

1.3 主题和分区

主题也叫Topic，是数据记录发布和订阅的地方。不同类型或者业务的数据，可以区分为不同的主题。一个Topic可以拥有一个或者多个消费者来订阅数据，也可以有一个或多个生产者生产数据。对每一个Topic，kafka集群会维护一个分区日志，如下所示：

每个分区都是有序并且顺序不可变的记录集合，新数据不断追加到结构化的commit log文件中。分区中的每一个数据记录都会配置一个ID号来表示顺序，也称之为offset。

消费者唯一保存的元数据是offset，在读取记录后，会以线性的方式增加偏移量。由于这个位置是消费者控制，所以消费者可以采用任何顺序来消费记录。比如重置到一个旧的偏移位置，从而达到数据回溯的目的。

Topic还有Partition（分区）的概念，一方面是扩展单台服务器的硬件限制，继而扩展Topic的日志量级，因为单独的分区都会受限于主机的文件限制。另一方面可以并行的处理以提高效率，比如并行的处理消费或者生产过程。

1.3 生产者和消费者

kafka的客户端分为生产者和消费者两种类型，其中生产者用于创建消息，将消息写入到kafka的某个主题。在大部分场景下，生产者不关注消息写到哪个分区，如果要控制部分消息写到相同的分区，需要自定义实现分区器，对消息的键做散列过程。

消费者从主题中订阅消息，它需要保存分区的offset。消费者从属于一个消费群组，一个或者多个消费群组可以订阅相同的主题，消费群组用来保证每个分区只能被一个消费者使用。例如：

消费群组A有两个消费者C1、C2，每个消费者均分两个分区。而消费群组B有四个消费者C3~C6，每个消费者均分1个分区。

kafka只能保证分区内的记录是有序的，而不保证不同分区的顺序。

1.4 broker和集群

一个独立的kafka服务器被称为broker，

• broker接收生产者消息，为消息设置偏移量，并提交到磁盘保存。
• broker为消费者提供服务，对读取分区的请求做出响应。

broker是集群的组成部分，每个集群都有一个broker充当集群控制器的角色，负责kafka管理工作，比如将分区分配给broker和监控broker等。为了提升可用性，分区还有副本的概念，每个分区副本都归属于不同的broker，如果一个副本挂掉，其他副本仍是可用的，这个得益于分区复制的特性。

kafka有两种消息保留策略，一种是设定过期时间，超时自动清理，一种是设置大小，当消息数量达到上限时，旧消息会过期会删除。

2. kafka API

2.1 The Produer API

允许应用程序发布一串流式的数据到一个或者多个kafka topic。

2.2 The Consumer API

允许应用程序订阅一个或者多个topic，并消费到相应topic中新发布的数据。

2.3 The Streams API

允许一个应用程序作为一个流处理器，消费一个或者多个topic，然后作为生产者输出到一个或者多个topic中。

2.4 The Connector API

允许构建并运行可重用的生产者或者消费者，将Kafka topics连接到已存在的应用程序或者数据系统。比如，连接到一个关系型数据库，捕捉表（table）的所有变更内容。

3. kafka概要

3.1 优缺点

优点：

• 高吞吐：充分利用磁盘顺序读写能力，单机吞吐性能卓越，每秒可处理数千条消息。
• 低延迟：毫秒级处理消息的能力。
• 容错性：部分分区挂掉的情况下，数据仍不会丢失。
• 持久化：kafka将消息持久化磁盘上，支持消息回溯、消息自动清理。
• 扩展性：支持弹性伸缩，以支撑更大规模的消息规模。
• 消息代理：kafka broker可以将发布者的消息传递协议转换为接受者的消息传递协议。
• 消费者友好型：kafka可以与各种消费者集成，根据消费者的不同，它可以表现或采取不同的行为。
• 批量处理能力：因为消息持久化，所以具有一定的批量处理能力。
• 丰富的项目示例：日志聚合、trace系统、流式系统等等。

缺点：

• 没有完善的监控工具集。
• 不支持通配符的方式选择主题。
• 消息调整：broker通过确定的系统调用来传递消息，如果消息未发生改变的时候，性能表现良好，如果消息发生更改或者调整，那么性能会下降的比较厉害。
• 不保证消息传递的稳定性：可能出现消息丢失、重复消息、消息乱序等。

3.2 性能表现

硬件配置：

• Intel Xeon 2.5 GHz processor with six cores
• Six 7200 RPM SATA drives
• 32GB of RAM
• 1Gb Ethernet

3台机器组成kafka集群，测试如下：

端到端的延迟：

• 平均：2ms
• 99分位：3ms
• 99.9分位: 14ms

数据来源：https://engineering.linkedin.com/kafka/benchmarking-apache-kafka-2-million-writes-second-three-cheap-machines

3.3 适用场景

消息传递系统
kafka可以很好的替代传统的消息队列，比如数据生成器与数据处理的解耦，缓冲未处理的消息以流量削峰等。相比传统的消息系统，kafka拥有更好的吞吐、内置分区、具有复制和容错的能力。

Trace系统
用户活动信息（点赞、收藏、评论等）发布到中心主题Topic，订阅源可以进行一系列的处理，包括实时监控、通知用户、生成报表等等。

日志聚合
服务器物理日志文件可以传输到kafka相应的主题中，可以抽象成一个更加清晰的数据流，方便后续日志分析、错误定位、报警等等。

流处理
kafka可以解耦数据产出和数据加工环节，并以毫秒级延迟传递消息，这种特性可以基于各个主题创建实时数据流图，实现数据的流式处理。举个简单的例子：用户的点击、浏览行为可以推送到主题A，行为分析模块从主题A中获取数据开始分析产生模型数据，并推到主题B，推荐模块从主题B中获取模型，以生效新的推荐模型等等。

等等

4. 参考

• kafka官网手册
• kafka权威指南