[大数据]6-Kafka原理

Kafka原理

leader和follower

• Kafka中的leader和follower是相对分区有意义，不是相对broker
• Kafka在创建topic的时候，会尽量分配分区的leader在不同的broker中，其实就是负载均衡
• leader职责：读写数据
• follower职责：同步数据、参与选举（leader crash之后，会选举一个follower重新成为分区的leader
• 注意和ZooKeeper区分
  • ZK的leader负责读、写，follower可以读取
  • Kafka的leader负责读写、follower不能读写数据（确保每个消费者消费的数据是一致的），Kafka一个topic有多个分区leader，一样可以实现数据操作的负载均衡

AR\ISR\OSR

• AR表示一个topic下的所有副本
• ISR：In Sync Replicas，正在同步的副本（可以理解为当前有几个follower是存活的）
• OSR：Out of Sync Replicas，不再同步的副本
• AR = ISR + OSR

leader选举

• Controller：controller是kafka集群的老大，是针对Broker的一个角色

  • Controller是高可用的，是用过ZK来进行选举

• Leader：是针对partition的一个角色

  • Leader是通过ISR来进行快速选举

• 如果Kafka是基于ZK来进行选举，ZK的压力可能会比较大。例如：某个节点崩溃，这个节点上不仅仅只有一个leader，是有不少的leader需要选举。通过ISR快速进行选举。

• leader的负载均衡

  • 如果某个broker crash之后，就可能会导致partition的leader分布不均匀，就是一个broker上存在一个topic下不同partition的leader
  • 通过以下指令，可以将leader分配到优先的leader对应的broker，确保leader是均匀分配的

  bin/kafka-leader-election.sh --bootstrap-server node1.itcast.cn:9092 --topic test --partition=2 --election-type preferred
  

Kafka读写流程

• 写流程
  • 通过ZooKeeper找partition对应的leader，leader是负责写的
  • producer开始写入数据
  • ISR里面的follower开始同步数据，并返回给leader ACK
  • 返回给producer ACK
• 读流程
  • 通过ZooKeeper找partition对应的leader，leader是负责读的
  • 通过ZooKeeper找到消费者对应的offset
  • 然后开始从offset往后顺序拉取数据
  • 提交offset（自动提交——每隔多少秒提交一次offset、手动提交——放入到事务中提交）

Kafka的物理存储

• Kafka的数据组织结构
  • topic
  • partition
  • segment
    • .log数据文件
    • .index（稀疏索引）
    • .timeindex（根据时间做的索引）
• 深入了解读数据的流程
  • 消费者的offset是一个针对partition全局offset
  • 可以根据这个offset找到segment段
  • 接着需要将全局的offset转换成segment的局部offset
  • 根据局部的offset，就可以从（.index稀疏索引）找到对应的数据位置
  • 开始顺序读取

消息传递的语义性

Flink里面有对应的每种不同机制的保证，提供Exactly-Once保障（二阶段事务提交方式）

• At-most once：最多一次（只管把数据消费到，不管有没有成功，可能会有数据丢失）
• At-least once：最少一次（有可能会出现重复消费）
• Exactly-Once：仅有一次（事务性性的保障，保证消息有且仅被处理一次）

Kafka的消息不丢失

• broker消息不丢失：因为有副本relicas的存在，会不断地从leader中同步副本，所以，一个broker crash，不会导致数据丢失，除非是只有一个副本。
• 生产者消息不丢失：ACK机制（配置成ALL/-1）、配置0或者1有可能会存在丢失
• 消费者消费不丢失：重点控制offset
  • At-least once：一种数据可能会重复消费
  • Exactly-Once：仅被一次消费

数据积压

• 数据积压指的是消费者因为有一些外部的IO、一些比较耗时的操作（Full GC——Stop the world），就会造成消息在partition中一直存在得不到消费，就会产生数据积压
• 在企业中，我们要有监控系统，如果出现这种情况，需要尽快处理。虽然后续的Spark Streaming/Flink可以实现背压机制，但是数据累积太多一定对实时系统它的实时性是有说影响的

数据清理&配额限速

• 数据清理
  • Log Deletion（日志删除）：如果消息达到一定的条件（时间、日志大小、offset大小），Kafka就会自动将日志设置为待删除（segment端的后缀名会以 .delete结尾），日志管理程序会定期清理这些日志
    • 默认是7天过期
  • Log Compaction（日志合并）
    • 如果在一些key-value数据中，一个key可以对应多个不同版本的value
    • 经过日志合并，就会只保留最新的一个版本
• 配额限速
  • 可以限制Producer、Consumer的速率
  • 防止Kafka的速度过快，占用整个服务器（broker）的所有IO资源