工作流程
如下图，topicA是一个3分区2副本的topic，2副本表示leader和follower加起来一共为2。注意leader和follower是不在一个broker的，即不在一台服务器，否则服务器故障时会一起挂掉，备份将没有意义。offset是每个分区独立的，而不是全局性的，如图可以看到每个分区中offset都是从0开始的。并且消费者组中的消费者不能消费同一个分区的内容。
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。
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。
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。
生产者
分区策略
分区的原因
- 提高集群的负载均衡能力，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。
- 提高并发读写能力，可以以 Partition 为单位进行读写。
分区的原则
-
指明 partition 的情况下，直接将指明的值直接作为 partiton 值
例如指定写到分区1，将写入分区1。
-
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 值例如没有指定分区，但key的hash值为5，分区数为3，将写入分区2
-
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 算法。例如第一次生成数3，可用分区数3，第一次写入分区0，下一次写入分区1。
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。
副本数据同步策略
| 方案 | 优点 | 缺点 |
|---|---|---|
| 半数以上完成同步，就发送 ack | 延迟低 | 选举新的 leader 时，容忍 n 台节点的故障，需要 2n+1 个副本 |
| 全部完成同步，才发送ack | 选举新的 leader 时，容忍 n 台节点的故障，需要 n+1 个副本 | 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（半数原则，所以需要2倍还多1台才能保证挂掉n台还有1台保证数据完整），而第二种方案只需要 n+1个副本（全部完成了同步，挂掉n台也可以保证剩下1台数据完整），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。
ISR
采用第二种方案之后，设想以下问题：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。
解决：Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 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。
0.9版本之前除了时间限制还有同步数据的限制，例如同步数据的差值超过指定最大值就会被踢出ISR，取消该限制的原因是当每次批量发送的暑假大于最大消息差值时所有follower都会被移除ISR，同步之后又会加入，频繁的移除加入ISR也会频繁操作zookeeper，影响系统性能。
ack 应答机制
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。 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。
acks 参数配置：
0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据。
1：producer 等待 broker 的 ack，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。
如下图，只需要leader写入数据后就会返回ack，但在leader将数据同步给follower之前leader可能挂掉，但此时由于已返回了ack所以不会重复数据，数据就丢失了。
-1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才返回 ack。当follower都不在ISR时相当于只有一个leader，会出现acks=1的问题。但多部分情况是数据重复的问题：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。
如下图，中间的leader结点写入hello，上下两个follower也完成了同步，但是在返回ack前leader挂掉了，于是上面的follower选举为leader，producer重新又发送了hello，这样就造成了数据重复。
消费数据一致性和副本数据一致性
LEO：指的是每个副本最大的 offset。
HW：指的是消费者能见到的最大的 offset（保证消费数据一致性），ISR 队列中最小的 LEO。
- 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 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。 - 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。
Exactly Once 语义
目的：保证在单次会话单分区中，数据精准一次性写入Kafka集群。
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 At Least Once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 At Most Once语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Most Once
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 Exactly Once 语义。
在 0.11 版本以前的 Kafka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 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。即：At Least Once + 幂等性 = Exactly Once。
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 。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，发往同一 Partition 的消息会附带 Sequence Number。而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 Exactly Once，只能保证同一次会话单分区的数据一次性写入。
消费者
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。
分区分配策略
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，一是 Range。
-
RoundRobin
轮询方式，按消费者组来分配，将消费者组定义的所有主题当作一个整体来进行处理，可能会产生消费自己未订阅消息的问题，例如消费者组包含消费者A和消费者B，消费者A只定义了TopicA，消费者B只订阅了TopicB，但该方式将TopicA和TopicB作为一个整体，进行hash排序后将分区轮询给消费者A和B来消费，A和B会消费到没有订阅的内容。优点是消费均衡，缺点是会消费到未订阅的内容。
-
Range
按范围分配，解决了轮询方式的问题，按照订阅的主题来分配，只会分配给订阅了该主题的消费者。缺点是消费有可能不均衡。
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。
消费者组案例
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。
先启动zookeeper集群
修改kafka1和kafka2的config中的consumer文件的组为任意名，一致即可
启动kafka集群
在kafka3创建一个分区2的topic data
bin/kafka-console-consumer.sh --topic data --bootstrap-server localhost:9092 --consumer.config config/consumer.properties
bin/kafka-console-consumer.sh --topic data --bootstrap-server localhost:9093 --consumer.config config/consumer.properties
在kafka1和kafka2分别创建comsumer进行读取
bin/kafka-console-producer.sh --topic data --broker-list localhost:9094
在kafka3创建producer向data这个topic写入数据，可以发现同一个消费者组是不能消费同一分区的，而是采用轮询的形式消费
Kafka高效读写数据
- Kafka是分布式消息队列，具有分区特征，并发读写能力强
- 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。 - 零复制技术
直接由操作系统内核来处理文件的读写，省去了跟用户空间交互的部分。
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：
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。
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 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 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。
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 Segment File 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。
