kafka笔记——入门介绍

中文文档

kafka的优势

---

1. 构建实时的流数据管道，可靠的获取系统和应用程序之间产生的数据
2. 构建实时流的应用程序，对数据流进行转换或者反应

首先几个概念

---

1. kafka作为一个集群运行在一个或者多个服务器上
2. kafka集群存储的消息是以topic为类别记录的
3. 每个消息是以key，value，时间戳组成

kafka的四大核心API

---

1. Producer API：应用程序使用这个API发布消息到一个或者多个topic中
2. Consumer API：应用程序使用这个API订阅一个或者多个topic，并处理产生的数据
3. Stream API:应用程序使用这个API充当一个流处理器，从一个或者多个topic消费输入流，并生产一个输出流到一个或者多个输出topic，将输入流转化成输出流
4. Connector API：可构建或运行可重用的生产者或者消费者，将topic连接到现有的应用程序或数据系统，例如连接到关系数据库的连接器可以捕获表的每个变更

Client和Service之间通过一条简单的，高性能的并且和开发环境无关的TCP协议进行通信，kafka提供了Java Client（客户端），此外还有其他语言的客户端

kafka的基本术语

---

1. Topic

kafka将消息分类，每个类叫做一个主题（Topic）

2. Producer

发布消息的对象称为消息生产者（Producer）

3. Consumer

订阅消息并处理消息的对象称为消息消费者（Consumer）

4. Broker

已发布的消息保存在一组服务器中，这个服务器称为kafka集群，集群中的每个服务器都是一个代理（Broker），消费者可以订阅一个或者多个主题，并从Broker中拉取数据，从而消费这些消息。

主题和日志（Topic和Log）

---

Topic是发布消息的类别名，对于每个topic，kafka会维护一个分区log，每个分区log中有多个分区（partition），

每个分区都是一个顺序的，不可变的队列，并且可以持续的添加，分区中的每个消息都被分配了一个偏移量（offset），相当于下标，在每个分区中这个偏移量都是唯一的

kafka集群保持所有的消息直到他们过期，无论是否被消费过，一个消费者持有一个offset的值，当消费消息的时候，offset可以线性的增加，消费者也可以控制偏移量重置为更早的位置，读取到更早的消息，并且一个消费者的操作不会影响到其他消费者对这个分区的处理。

kafka分区的设计有几个目的

1. 可以处理更多的消息，不受单台服务器的限制，topic拥有更多的分区意味着它可以不受限制的处理更多的数据，提高队列的吞吐量
2. topic分区可以作为并行处理的单元

kafka集群的图示

---

kafka集群的主分区和备份

---

根据上面的介绍，生产者在topic中存入数据，数据实际上会分布在不同的partition中，这些partition分布在不同的broker（服务器）上，那么当一个服务器宕机了该怎么办

对于这个问题，当我们存储数据时，kafka会将数据存储在一个的broker的主分区中，并且将数据备份到其他broker的备份分区中，每个broker都会有其他的broker的主分区的备份，服务器中生产者和消费者是和主分区进行交互，备份区只是起到备份数据的功能，不做读写。如果某个broker挂了，kafka就会选举出其他broker中的备份分区来作为主分区，这就实现了高可用。

pritition如何持久化数据

kafka会将数据存储在磁盘的消息日志中，不过kafka只允许追加写入，（顺序访问），避免了缓慢的随机IO操作，kafka也不是partition一有数据就立即写入的，他会先缓存一部分，等有足够多的数据或者等一段时间之后，就会一次性将数据写入磁盘。

消费者组

---

之前是一个消费者消费一个三个分区（一个topic），kafka中有消费者组，所有group.id相同的消费者在一个消费者组中

group.id表示消费者组标识，consumer.id非强制性，目前我也没明白啥意思。

当三个消费者的group.id一样时，就会形成一个消费者组，一个partition只能被消费者组中的一个消费者消费，
所以，现在就可以每个消费者消费一个partition，提高了吞吐量

• 当一个消费者组中的消费者挂掉时，那么其他消费者会分担它的partition
• 当新增一个消费者时，这个消费者会分担其他消费者的partition，而且当消费者多于partition时，会有消费者空闲
• 各个消费者组之间相互独立，彼此不影响

分布式（Distribution）

---

Leader和follower就是上面提到的主分区和备份分区，这样可以平衡负载，避免所有的请求都只让一台或者某几台服务器处理。

Geo-Replication(异地数据同步技术)

---

Kafka MirrorMaker为群集提供geo-replication支持。借助MirrorMaker，消息可以跨多个数据中心或云区域进行复制。 您可以在active/passive场景中用于备份和恢复; 或者在active/passive方案中将数据置于更接近用户的位置，或数据本地化。
不懂。。。。

生产者（Producers）

---

生产者往某个Topic上发布消息。生产者也负责选择发布到Topic上的哪一个分区。最简单的方式从分区列表中轮流选择。也可以根据某种算法依照权重选择分区。开发者负责如何选择分区的算法。

消费者（Consumers）

---

通常来讲，消息模型可以分为两种， 队列和发布-订阅式。 队列的处理方式是 一组消费者从服务器读取消息，一条消息只有其中的一个消费者来处理。在发布-订阅模型中，消息被广播给所有的消费者，接收到消息的消费者都可以处理此消息。

kafka的保证

• 生产者发送消息到一个topic上，消息会按他们发送的顺序依次加入，消费者收到的消息也是这个顺序
• 如果一个topic配置了复制因子为N，那么可以允许N-1个服务器宕机而不丢失数据

kafka作为一个消息队列

1. kafka相对于传统消息队列
   传统的消息系统有两种模式，队列和发布订阅模式，队列模式中，消费者池从服务器读取数据，每个消费者只能被其中一个读取，如果读取过程中出现错误，数据丢失之后就无法恢复，在发布订阅模式中允许广播数据给多个订阅者，但是不能缩放处理。
   kafka中的消费者组中有两个概念，消费者组中的所有消费者从队列读取数据，相当于队列模式，而不同的消费者组订阅不同的topic，允许广播数据给多个消费者组，各个消费者组之间互不干扰，相当于发布订阅模式。

2. kafka有更强的消息顺序保证

传统的消息系统按顺序保存数据，如果多个消费者从队列消费，则服务器按存储的顺序发送消息，但是，尽管服务器按顺序发送，消息异步传递到消费者，因此消息可能乱序到达消费者。这意味着消息存在并行消费的情况，顺序就无法保证。消息系统常常通过仅设1个消费者来解决这个问题，但是这意味着没用到并行处理。

kafka做的更好。通过并行topic的parition —— kafka提供了顺序保证和负载均衡。每个partition仅由同一个消费者组中的一个消费者消费到。并确保消费者是该partition的唯一消费者，并按顺序消费数据。每个topic有多个分区，则需要对多个消费者做负载均衡，但请注意，相同的消费者组中不能有比分区更多的消费者，否则多出的消费者一直处于空等待，不会收到消息。

kafka作为一个存储系统

---

所有发布消息到消息队列和消费分离的系统，实际上都充当了一个存储系统（发布的消息先存储起来）。Kafka比别的系统的优势是它是一个非常高性能的存储系统。
写入到kafka的数据将写到磁盘并复制到集群中保证容错性。并允许生产者等待消息应答，直到消息完全写入。
kafka的磁盘结构 - 无论你服务器上有50KB或50TB，执行是相同的。
client来控制读取数据的位置。你还可以认为kafka是一种专用于高性能，低延迟，提交日志存储，复制，和传播特殊用途的分布式文件系统

kafka的流处理

---

仅仅读，写和存储是不够的，kafka的目标是实时的流处理。
在kafka中，流处理持续获取输入topic的数据，进行处理加工，然后写入输出topic。例如，一个零售APP，接收销售和出货的输入流，统计数量或调整价格后输出。
可以直接使用producer和consumer API进行简单的处理。对于复杂的转换，Kafka提供了更强大的Streams API。可构建聚合计算或连接流到一起的复杂应用程序。
助于解决此类应用面临的硬性问题：处理无序的数据，代码更改的再处理，执行状态计算等。
Sterams API在Kafka中的核心：使用producer和consumer API作为输入，利用Kafka做状态存储，使用相同的组机制在stream处理器实例之间进行容错保障。

一个简单的kafka项目：链接，有时间学习下