Kafka概述
消息队列
两种模式
1.点对点模式（一对一，消费者主动拉取数据，消息收到后消息清除）
生产者进入队列以后只为一个消费者服务，信息进入队列是先进先出的，消费者每消费一条则在消息队列中删除该条信息（队列中有顺序的）
2.发布/订阅模式（一对多，消费者消费数据之后不会清除消息）
生产者把消息发布到消息队列中，消息是被很多的消费者消费的，当c1消费1的时候，在消息队列中不能删除1，不然其他消费者就消费不到1这个数据，作为消费者1要记住自己的消费，好在下次在剩下的进行消费，消息周期是由服务端控制（kafka）
定义
Kafka是一个分布式的基于发布/订阅模式的消息队列，主要应用于大数据实时处理领域。
Kafka基础架构
Kafka是依赖与zookeeper执行的
Topic ：可以理解为一个队列，生产者和消费者面向的都是一个topic ，Kafka就是中间topic这个话题消息队列，一个topic可以分多个partition为了提高吞吐量和方便扩展，
Partition：分区把数据分成好多份
Consumer Group （CG）：消费者组在同一个组里每个消费者消费一个话题，这样三个人共同消费整个话题，这样消费效率最高（如果消费者组里的消费者比分区多，则多出的消费者不用工作），不同组也可以消费同一个订阅
Replica： 副本，不工作用来备份的（可以备份多个，但是不能把备份数量大于broker），假设broker0中p0挂了则在broker2中的p0副本就上位了（类似namenode中的 HA）
Broker：就是一台节点，一台kafka服务器就是一个broker。一个集群由多个broker组成。一个broker可以容纳多个topic。
leader：每个分区多个副本的“主”，生产者发送数据的对象，以及消费者消费数据的对象都是leader。（被消费者用的就是leader）
follower：每个分区多个副本中的“从”，实时从leader中同步数据，保持和leader数据的同步。leader发生故障时，某个follower会成为新的leader。
Kafka架构深入
Kafka工作流程及文件存储机制
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。
一个生产者不停的往topic发10条消息，这个消息会分布在不同的partition中，kafka逻辑上一个paritition就是不停的追加的文件，每当来了新的数据，就会把这个数据以追加的形式写在这个文件后面，partition会把数据存成大文件，其中每一个分区是数据文件和其中索引文件构成的一组文件，（有位置索引也有时间索引）一个配套数据文件和两个索引总共三个文件构成一组文件（partition），如果topic越来越多，会出现数据查找慢的问题，所以当文件很大的时候，会砍一刀然后新追加的数据会追加成新文件防止数据太大，同一个分区份很多segment（kafka分区存储：当一个segment达到1GB就生产新的segment，消费完的数据——老文件，默认只保存一星期，之后就会删掉，检查周期是5分钟一次），
00000000000000000000.index
00000000000000000000.log
00000000000000170410.index
00000000000000170410.log
00000000000000239430.index
00000000000000239430.log这条文件存储的是分区第几条消息，表示log是从哪个消息开始存储数据的。
作用：记录当前消息是第几条开始存储的
“.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。
Kafka生产者
分区策略
- 分区的原因
（1）方便在集群中扩展，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；
（2）可以提高并发，因为可以以Partition为单位读写了。
2）分区的原则
我们需要将producer发送的数据封装成一个ProducerRecord对象。
（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
（2）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；
（3）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。
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。
1）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：
（1）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，而第二种方案只需要n+1个副本，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。
（2）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。
2）ISR
采用第二种方案之后，设想以下情景：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。这个问题怎么解决呢？
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producer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。
3）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。
所以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，选择以下的配置。
acks参数配置：
acks：
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；
-1（all）：producer等待broker的ack，partition的leader和follower全部落盘成功后才返回ack。但是如果在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。
4）故障处理细节
（1）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。
（2）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。
消费者消费的数据是消费HW之前的数据
Exactly Once语义
At Least Once语义
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
At Most Once语义
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
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。
Exactly Once语义
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
幂等性
当producer向leader发数据的时候，发送重复数据无论发多少次都存一次。
At Least Once + 幂等性 = Exactly Once
启用幂等性
要启用幂等性，只需要将Producer的参数中enable.idompotence设置为true即可。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。
Kafka消费者
消费方式
consumer采用pull（拉）模式从broker中读取数据（主要靠拉数据）。
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是把partition按顺序分发，而range是把partition总和跟消费者总和进行取余，多个部分给开头的消费者
1）roundrobin
2）range
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。
Kafka高效读写数据
1）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。
2）应用Pagecache
Kafka数据持久化是直接持久化到Pagecache中，这样会产生以下几个好处：
- I/O Scheduler 会将连续的小块写组装成大块的物理写从而提高性能
- I/O Scheduler 会尝试将一些写操作重新按顺序排好，从而减少磁盘头的移动时间
- 充分利用所有空闲内存（非 JVM 内存）。如果使用应用层 Cache（即 JVM 堆内存），会增加 GC 负担
- 读操作可直接在 Page Cache 内进行。如果消费和生产速度相当，甚至不需要通过物理磁盘（直接通过 Page Cache）交换数据
- 如果进程重启，JVM 内的 Cache 会失效，但 Page Cache 仍然可用
尽管持久化到Pagecache上可能会造成宕机丢失数据的情况，但这可以被Kafka的Replication机制解决。如果为了保证这种情况下数据不丢失而强制将 Page Cache 中的数据 Flush 到磁盘，反而会降低性能。
3）零复制技术
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
Kafka会引入事务（给事务手起个名字）TransactionID，当启用事务时候，kafka会建立内部话题（Transaction state），内部话题存储一些状态，会把TransactionID和Producer获取的PID进行绑定，绑定之后写到Transaction state里面，而且还会把整个状态连同信息一起写到Transaction state里面，负责干这些事情的是Transaction Coordinator，假设任务Transaction state挂掉，在重启了以后TransactionID没有变，Producer会第一时间找Transaction Coordinator获取任务状态，能根据ID获取上次的PID和上一次的任务状态（断点续传），kafka不支持把数据删掉，当回滚的时候，kafka会标记默写数据consumer不可见，然后接着往后面写新数据
Consumer事务（很难精准一次性消费）
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。
如果想完成Consumer端的精准一次性消费，那么需要kafka消费端将消费过程和提交offset过程做原子绑定。此时我们需要将kafka的offset保存到支持事务的自定义介质中（比如mysql）。这部分知识会在后续项目部分涉及。