【原創】如何確定Kafka的分割槽數、key和consumer執行緒數

  在Kafak中國社群的qq群中，這個問題被提及的比例是相當高的，這也是Kafka使用者最常碰到的問題之一。本文結合Kafka原始碼試圖對該問題相關的因素進行探討。希望對大家有所幫助。   怎麼確定分割槽數？     “我應該選擇幾個分割槽？”——如果你在Kafka中國社群的群裡，這樣的問題你會經常碰到的。不過有些遺憾的是，我們似乎並沒有很權威的答案能夠解答這樣的問題。其實這也不奇怪，畢竟這樣的問題通常都是沒有固定答案的。Kafka官網上標榜自己是"high-throughput distributed messaging system"，即一個高吞吐量的分散式訊息引擎。那麼怎麼達到高吞吐量呢？Kafka在底層摒棄了Java堆快取機制，採用了作業系統級別的頁快取，同時將隨機寫操作改為順序寫，再結合Zero-Copy的特性極大地改善了IO效能。但是，這只是一個方面，畢竟單機優化的能力是有上限的。如何通過水平擴充套件甚至是線性擴充套件來進一步提升吞吐量呢？ Kafka就是使用了分割槽(partition)，通過將topic的訊息打散到多個分割槽並分佈儲存在不同的broker上實現了訊息處理(不管是producer還是consumer)的高吞吐量。     Kafka的生產者和消費者都可以多執行緒地並行操作，而每個執行緒處理的是一個分割槽的資料。因此分割槽實際上是調優Kafka並行度的最小單元。對於producer而言，它實際上是用多個執行緒併發地向不同分割槽所在的broker發起Socket連線同時給這些分割槽傳送訊息；而consumer呢，同一個消費組內的所有consumer執行緒都被指定topic的某一個分割槽進行消費(具體如何確定consumer執行緒數目我們後面會詳細說明)。所以說，如果一個topic分割槽越多，理論上整個叢集所能達到的吞吐量就越大。     但分割槽是否越多越好呢？顯然也不是，因為每個分割槽都有自己的開銷： 一、客戶端/伺服器端需要使用的記憶體就越多     先說說客戶端的情況。Kafka 0.8.2之後推出了Java版的全新的producer，這個producer有個引數batch.size，預設是16KB。它會為每個分割槽快取訊息，一旦滿了就打包將訊息批量發出。看上去這是個能夠提升效能的設計。不過很顯然，因為這個引數是分割槽級別的，如果分割槽數越多，這部分快取所需的記憶體佔用也會更多。假設你有10000個分割槽，按照預設設定，這部分快取需要佔用約157MB的記憶體。而consumer端呢？我們拋開獲取資料所需的記憶體不說，只說執行緒的開銷。如果還是假設有10000個分割槽，同時consumer執行緒數要匹配分割槽數(大部分情況下是最佳的消費吞吐量配置)的話，那麼在consumer client就要建立10000個執行緒，也需要建立大約10000個Socket去獲取分割槽資料。這裡面的執行緒切換的開銷本身已經不容小覷了。     伺服器端的開銷也不小，如果閱讀Kafka原始碼的話可以發現，伺服器端的很多元件都在記憶體中維護了分割槽級別的快取，比如controller，FetcherManager等，因此分割槽數越多，這種快取的成本越久越大。 二、檔案控制代碼的開銷     每個分割槽在底層檔案系統都有屬於自己的一個目錄。該目錄下通常會有兩個檔案： base_offset.log和base_offset.index。Kafak的controller和ReplicaManager會為每個broker都儲存這兩個檔案控制代碼(file handler)。很明顯，如果分割槽數越多，所需要保持開啟狀態的檔案控制代碼數也就越多，最終可能會突破你的ulimit -n的限制。 三、降低高可用性     Kafka通過副本(replica)機制來保證高可用。具體做法就是為每個分割槽儲存若干個副本(replica_factor指定副本數)。每個副本儲存在不同的broker上。期中的一個副本充當leader 副本，負責處理producer和consumer請求。其他副本充當follower角色，由Kafka controller負責保證與leader的同步。如果leader所在的broker掛掉了，contorller會檢測到然後在zookeeper的幫助下重選出新的leader——這中間會有短暫的不可用時間視窗，雖然大部分情況下可能只是幾毫秒級別。但如果你有10000個分割槽，10個broker，也就是說平均每個broker上有1000個分割槽。此時這個broker掛掉了，那麼zookeeper和controller需要立即對這1000個分割槽進行leader選舉。比起很少的分割槽leader選舉而言，這必然要花更長的時間，並且通常不是線性累加的。如果這個broker還同時是controller情況就更糟了。 　　說了這麼多“廢話”，很多人肯定已經不耐煩了。那你說到底要怎麼確定分割槽數呢？答案就是：視情況而定。基本上你還是需要通過一系列實驗和測試來確定。當然測試的依據應該是吞吐量。雖然LinkedIn這篇文章做了Kafka的基準測試，但它的結果其實對你意義不大，因為不同的硬體、軟體、負載情況測試出來的結果必然不一樣。我經常碰到的問題類似於，官網說每秒能到10MB，為什麼我的producer每秒才1MB？ —— 且不說硬體條件，最後發現他使用的訊息體有1KB，而官網的基準測試是用100B測出來的，因此根本沒有可比性。不過你依然可以遵循一定的步驟來嘗試確定分割槽數：建立一個只有1個分割槽的topic，然後測試這個topic的producer吞吐量和consumer吞吐量。假設它們的值分別是Tp和Tc，單位可以是MB/s。然後假設總的目標吞吐量是Tt，那麼分割槽數 =  Tt / max(Tp, Tc)     Tp表示producer的吞吐量。測試producer通常是很容易的，因為它的邏輯非常簡單，就是直接傳送訊息到Kafka就好了。Tc表示consumer的吞吐量。測試Tc通常與應用的關係更大， 因為Tc的值取決於你拿到訊息之後執行什麼操作，因此Tc的測試通常也要麻煩一些。     另外，Kafka並不能真正地做到線性擴充套件(其實任何系統都不能)，所以你在規劃你的分割槽數的時候最好多規劃一下，這樣未來擴充套件時候也更加方便。   訊息-分割槽的分配 預設情況下，Kafka根據傳遞訊息的key來進行分割槽的分配，即hash(key) % numPartitions，如下圖所示:

def partition(key: Any, numPartitions: Int): Int = {
    Utils.abs(key.hashCode) % numPartitions
}

　　這就保證了相同key的訊息一定會被路由到相同的分割槽。如果你沒有指定key，那麼Kafka是如何確定這條訊息去往哪個分割槽的呢？

if(key == null) {  // 如果沒有指定key
        val id = sendPartitionPerTopicCache.get(topic)  // 先看看Kafka有沒有快取的現成的分割槽Id
        id match {
          case Some(partitionId) =>  
            partitionId  // 如果有的話直接使用這個分割槽Id就好了
          case None => // 如果沒有的話，
            val availablePartitions = topicPartitionList.filter(_.leaderBrokerIdOpt.isDefined)  //找出所有可用分割槽的leader所在的broker
            if (availablePartitions.isEmpty)
              throw new LeaderNotAvailableException("No leader for any partition in topic " + topic)
            val index = Utils.abs(Random.nextInt) % availablePartitions.size  // 從中隨機挑一個
            val partitionId = availablePartitions(index).partitionId
            sendPartitionPerTopicCache.put(topic, partitionId) // 更新快取以備下一次直接使用
            partitionId
        }
      }

　　可以看出，Kafka幾乎就是隨機找一個分割槽傳送無key的訊息，然後把這個分割槽號加入到快取中以備後面直接使用——當然了，Kafka本身也會清空該快取（預設每10分鐘或每次請求topic元資料時）

如何設定consumer執行緒數     我個人的觀點，如果你的分割槽數是N，那麼最好執行緒數也保持為N，這樣通常能夠達到最大的吞吐量。超過N的配置只是浪費系統資源，因為多出的執行緒不會被分配到任何分割槽。讓我們來看看具體Kafka是如何分配的。     topic下的一個分割槽只能被同一個consumer group下的一個consumer執行緒來消費，但反之並不成立，即一個consumer執行緒可以消費多個分割槽的資料，比如Kafka提供的ConsoleConsumer，預設就只是一個執行緒來消費所有分割槽的資料。——其實ConsoleConsumer可以使用萬用字元的功能實現同時消費多個topic資料，但這和本文無關。     再討論分配策略之前，先說說KafkaStream——它是consumer的關鍵類，提供了遍歷方法用於consumer程式呼叫實現資料的消費。其底層維護了一個阻塞佇列，所以在沒有新訊息到來時，consumer是處於阻塞狀態的，表現出來的狀態就是consumer程式一直在等待新訊息的到來。——你當然可以配置成帶超時的consumer，具體參看引數consumer.timeout.ms的用法。     下面說說Kafka提供的兩種分配策略： range和roundrobin，由引數partition.assignment.strategy指定，預設是range策略。本文只討論range策略。所謂的range其實就是按照階段平均分配。舉個例子就明白了，假設你有10個分割槽，P0 ~ P9，consumer執行緒數是3， C0 ~ C2，那麼每個執行緒都分配哪些分割槽呢？   C0 消費分割槽 0, 1, 2, 3 C1 消費分割槽 4, 5, 6 C2 消費分割槽 7, 8, 9    具體演算法就是：

val nPartsPerConsumer = curPartitions.size / curConsumers.size // 每個consumer至少保證消費的分割槽數
val nConsumersWithExtraPart = curPartitions.size % curConsumers.size // 還剩下多少個分割槽需要單獨分配給開頭的執行緒們
...
for (consumerThreadId <- consumerThreadIdSet) {   // 對於每一個consumer執行緒
        val myConsumerPosition = curConsumers.indexOf(consumerThreadId)  //算出該執行緒在所有執行緒中的位置，介於[0, n-1]
        assert(myConsumerPosition >= 0)
// startPart 就是這個執行緒要消費的起始分割槽數
        val startPart = nPartsPerConsumer * myConsumerPosition + myConsumerPosition.min(nConsumersWithExtraPart)
// nParts 就是這個執行緒總共要消費多少個分割槽
        val nParts = nPartsPerConsumer + (if (myConsumerPosition + 1 > nConsumersWithExtraPart) 0 else 1)
...
}

針對於這個例子，nPartsPerConsumer就是10/3=3，nConsumersWithExtraPart為10%3=1，說明每個執行緒至少保證3個分割槽，還剩下1個分割槽需要單獨分配給開頭的若干個執行緒。這就是為什麼C0消費4個分割槽，後面的2個執行緒每個消費3個分割槽，具體過程詳見下面的Debug截圖資訊：

 ctx.myTopicThreadIds nPartsPerConsumer = 10 / 3  = 3 nConsumersWithExtraPart = 10 % 3 = 1 第一次： myConsumerPosition = 1 startPart = 1 * 3 + min(1, 1) = 4 ---也就是從分割槽4開始讀 nParts = 3 + (if (1 + 1 > 1) 0 else 1) = 3 讀取3個分割槽， 即4,5,6 第二次： myConsumerPosition = 0 startPart = 3 * 0 + min(1, 0) =0  --- 從分割槽0開始讀 nParts = 3 + (if (0 + 1 > 1) 0 else 1) = 4 讀取4個分割槽，即0,1,2,3 第三次： myConsumerPosition = 2 startPart = 3 * 2 + min(2, 1) = 7 --- 從分割槽7開始讀 nParts = 3 + if (2 + 1 > 1) 0 else 1) = 3 讀取3個分割槽，即7, 8, 9 至此10個分割槽都已經分配完畢   說到這裡，經常有個需求就是我想讓某個consumer執行緒消費指定的分割槽而不消費其他的分割槽。坦率來說，目前Kafka並沒有提供自定義分配策略。做到這點很難，但仔細想一想，也許我們期望Kafka做的事情太多了，畢竟它只是個訊息引擎，在Kafka中加入訊息消費的邏輯也許並不是Kafka該做的事情。 在Kafak中國社群的qq群中，這個問題被提及的比例是相當高的，這也是Kafka使用者最常碰到的問題之一。本文結合Kafka原始碼試圖對該問題相關的因素進行探討。希望對大家有所幫助。   怎麼確定分割槽數？     “我應該選擇幾個分割槽？”——如果你在Kafka中國社群的群裡，這樣的問題你會經常碰到的。不過有些遺憾的是，我們似乎並沒有很權威的答案能夠解答這樣的問題。其實這也不奇怪，畢竟這樣的問題通常都是沒有固定答案的。Kafka官網上標榜自己是"high-throughput distributed messaging system"，即一個高吞吐量的分散式訊息引擎。那麼怎麼達到高吞吐量呢？Kafka在底層摒棄了Java堆快取機制，採用了作業系統級別的頁快取，同時將隨機寫操作改為順序寫，再結合Zero-Copy的特性極大地改善了IO效能。但是，這只是一個方面，畢竟單機優化的能力是有上限的。如何通過水平擴充套件甚至是線性擴充套件來進一步提升吞吐量呢？ Kafka就是使用了分割槽(partition)，通過將topic的訊息打散到多個分割槽並分佈儲存在不同的broker上實現了訊息處理(不管是producer還是consumer)的高吞吐量。     Kafka的生產者和消費者都可以多執行緒地並行操作，而每個執行緒處理的是一個分割槽的資料。因此分割槽實際上是調優Kafka並行度的最小單元。對於producer而言，它實際上是用多個執行緒併發地向不同分割槽所在的broker發起Socket連線同時給這些分割槽傳送訊息；而consumer呢，同一個消費組內的所有consumer執行緒都被指定topic的某一個分割槽進行消費(具體如何確定consumer執行緒數目我們後面會詳細說明)。所以說，如果一個topic分割槽越多，理論上整個叢集所能達到的吞吐量就越大。     但分割槽是否越多越好呢？顯然也不是，因為每個分割槽都有自己的開銷： 一、客戶端/伺服器端需要使用的記憶體就越多     先說說客戶端的情況。Kafka 0.8.2之後推出了Java版的全新的producer，這個producer有個引數batch.size，預設是16KB。它會為每個分割槽快取訊息，一旦滿了就打包將訊息批量發出。看上去這是個能夠提升效能的設計。不過很顯然，因為這個引數是分割槽級別的，如果分割槽數越多，這部分快取所需的記憶體佔用也會更多。假設你有10000個分割槽，按照預設設定，這部分快取需要佔用約157MB的記憶體。而consumer端呢？我們拋開獲取資料所需的記憶體不說，只說執行緒的開銷。如果還是假設有10000個分割槽，同時consumer執行緒數要匹配分割槽數(大部分情況下是最佳的消費吞吐量配置)的話，那麼在consumer client就要建立10000個執行緒，也需要建立大約10000個Socket去獲取分割槽資料。這裡面的執行緒切換的開銷本身已經不容小覷了。     伺服器端的開銷也不小，如果閱讀Kafka原始碼的話可以發現，伺服器端的很多元件都在記憶體中維護了分割槽級別的快取，比如controller，FetcherManager等，因此分割槽數越多，這種快取的成本越久越大。 二、檔案控制代碼的開銷     每個分割槽在底層檔案系統都有屬於自己的一個目錄。該目錄下通常會有兩個檔案： base_offset.log和base_offset.index。Kafak的controller和ReplicaManager會為每個broker都儲存這兩個檔案控制代碼(file handler)。很明顯，如果分割槽數越多，所需要保持開啟狀態的檔案控制代碼數也就越多，最終可能會突破你的ulimit -n的限制。 三、降低高可用性     Kafka通過副本(replica)機制來保證高可用。具體做法就是為每個分割槽儲存若干個副本(replica_factor指定副本數)。每個副本儲存在不同的broker上。期中的一個副本充當leader 副本，負責處理producer和consumer請求。其他副本充當follower角色，由Kafka controller負責保證與leader的同步。如果leader所在的broker掛掉了，contorller會檢測到然後在zookeeper的幫助下重選出新的leader——這中間會有短暫的不可用時間視窗，雖然大部分情況下可能只是幾毫秒級別。但如果你有10000個分割槽，10個broker，也就是說平均每個broker上有1000個分割槽。此時這個broker掛掉了，那麼zookeeper和controller需要立即對這1000個分割槽進行leader選舉。比起很少的分割槽leader選舉而言，這必然要花更長的時間，並且通常不是線性累加的。如果這個broker還同時是controller情況就更糟了。 　　說了這麼多“廢話”，很多人肯定已經不耐煩了。那你說到底要怎麼確定分割槽數呢？答案就是：視情況而定。基本上你還是需要通過一系列實驗和測試來確定。當然測試的依據應該是吞吐量。雖然LinkedIn這篇文章做了Kafka的基準測試，但它的結果其實對你意義不大，因為不同的硬體、軟體、負載情況測試出來的結果必然不一樣。我經常碰到的問題類似於，官網說每秒能到10MB，為什麼我的producer每秒才1MB？ —— 且不說硬體條件，最後發現他使用的訊息體有1KB，而官網的基準測試是用100B測出來的，因此根本沒有可比性。不過你依然可以遵循一定的步驟來嘗試確定分割槽數：建立一個只有1個分割槽的topic，然後測試這個topic的producer吞吐量和consumer吞吐量。假設它們的值分別是Tp和Tc，單位可以是MB/s。然後假設總的目標吞吐量是Tt，那麼分割槽數 =  Tt / max(Tp, Tc)     Tp表示producer的吞吐量。測試producer通常是很容易的，因為它的邏輯非常簡單，就是直接傳送訊息到Kafka就好了。Tc表示consumer的吞吐量。測試Tc通常與應用的關係更大， 因為Tc的值取決於你拿到訊息之後執行什麼操作，因此Tc的測試通常也要麻煩一些。     另外，Kafka並不能真正地做到線性擴充套件(其實任何系統都不能)，所以你在規劃你的分割槽數的時候最好多規劃一下，這樣未來擴充套件時候也更加方便。   訊息-分割槽的分配 預設情況下，Kafka根據傳遞訊息的key來進行分割槽的分配，即hash(key) % numPartitions，如下圖所示:

def partition(key: Any, numPartitions: Int): Int = {
    Utils.abs(key.hashCode) % numPartitions
}

　　這就保證了相同key的訊息一定會被路由到相同的分割槽。如果你沒有指定key，那麼Kafka是如何確定這條訊息去往哪個分割槽的呢？

if(key == null) {  // 如果沒有指定key
        val id = sendPartitionPerTopicCache.get(topic)  // 先看看Kafka有沒有快取的現成的分割槽Id
        id match {
          case Some(partitionId) =>  
            partitionId  // 如果有的話直接使用這個分割槽Id就好了
          case None => // 如果沒有的話，
            val availablePartitions = topicPartitionList.filter(_.leaderBrokerIdOpt.isDefined)  //找出所有可用分割槽的leader所在的broker
            if (availablePartitions.isEmpty)
              throw new LeaderNotAvailableException("No leader for any partition in topic " + topic)
            val index = Utils.abs(Random.nextInt) % availablePartitions.size  // 從中隨機挑一個
            val partitionId = availablePartitions(index).partitionId
            sendPartitionPerTopicCache.put(topic, partitionId) // 更新快取以備下一次直接使用
            partitionId
        }
      }

　　可以看出，Kafka幾乎就是隨機找一個分割槽傳送無key的訊息，然後把這個分割槽號加入到快取中以備後面直接使用——當然了，Kafka本身也會清空該快取（預設每10分鐘或每次請求topic元資料時）

如何設定consumer執行緒數     我個人的觀點，如果你的分割槽數是N，那麼最好執行緒數也保持為N，這樣通常能夠達到最大的吞吐量。超過N的配置只是浪費系統資源，因為多出的執行緒不會被分配到任何分割槽。讓我們來看看具體Kafka是如何分配的。     topic下的一個分割槽只能被同一個consumer group下的一個consumer執行緒來消費，但反之並不成立，即一個consumer執行緒可以消費多個分割槽的資料，比如Kafka提供的ConsoleConsumer，預設就只是一個執行緒來消費所有分割槽的資料。——其實ConsoleConsumer可以使用萬用字元的功能實現同時消費多個topic資料，但這和本文無關。     再討論分配策略之前，先說說KafkaStream——它是consumer的關鍵類，提供了遍歷方法用於consumer程式呼叫實現資料的消費。其底層維護了一個阻塞佇列，所以在沒有新訊息到來時，consumer是處於阻塞狀態的，表現出來的狀態就是consumer程式一直在等待新訊息的到來。——你當然可以配置成帶超時的consumer，具體參看引數consumer.timeout.ms的用法。     下面說說Kafka提供的兩種分配策略： range和roundrobin，由引數partition.assignment.strategy指定，預設是range策略。本文只討論range策略。所謂的range其實就是按照階段平均分配。舉個例子就明白了，假設你有10個分割槽，P0 ~ P9，consumer執行緒數是3， C0 ~ C2，那麼每個執行緒都分配哪些分割槽呢？   C0 消費分割槽 0, 1, 2, 3 C1 消費分割槽 4, 5, 6 C2 消費分割槽 7, 8, 9    具體演算法就是：

val nPartsPerConsumer = curPartitions.size / curConsumers.size // 每個consumer至少保證消費的分割槽數
val nConsumersWithExtraPart = curPartitions.size % curConsumers.size // 還剩下多少個分割槽需要單獨分配給開頭的執行緒們
...
for (consumerThreadId <- consumerThreadIdSet) {   // 對於每一個consumer執行緒
        val myConsumerPosition = curConsumers.indexOf(consumerThreadId)  //算出該執行緒在所有執行緒中的位置，介於[0, n-1]
        assert(myConsumerPosition >= 0)
// startPart 就是這個執行緒要消費的起始分割槽數
        val startPart = nPartsPerConsumer * myConsumerPosition + myConsumerPosition.min(nConsumersWithExtraPart)
// nParts 就是這個執行緒總共要消費多少個分割槽
        val nParts = nPartsPerConsumer + (if (myConsumerPosition + 1 > nConsumersWithExtraPart) 0 else 1)
...
}

針對於這個例子，nPartsPerConsumer就是10/3=3，nConsumersWithExtraPart為10%3=1，說明每個執行緒至少保證3個分割槽，還剩下1個分割槽需要單獨分配給開頭的若干個執行緒。這就是為什麼C0消費4個分割槽，後面的2個執行緒每個消費3個分割槽，具體過程詳見下面的Debug截圖資訊：

 ctx.myTopicThreadIds nPartsPerConsumer = 10 / 3  = 3 nConsumersWithExtraPart = 10 % 3 = 1 第一次： myConsumerPosition = 1 startPart = 1 * 3 + min(1, 1) = 4 ---也就是從分割槽4開始讀 nParts = 3 + (if (1 + 1 > 1) 0 else 1) = 3 讀取3個分割槽， 即4,5,6 第二次： myConsumerPosition = 0 startPart = 3 * 0 + min(1, 0) =0  --- 從分割槽0開始讀 nParts = 3 + (if (0 + 1 > 1) 0 else 1) = 4 讀取4個分割槽，即0,1,2,3 第三次： myConsumerPosition = 2 startPart = 3 * 2 + min(2, 1) = 7 --- 從分割槽7開始讀 nParts = 3 + if (2 + 1 > 1) 0 else 1) = 3 讀取3個分割槽，即7, 8, 9 至此10個分割槽都已經分配完畢   說到這裡，經常有個需求就是我想讓某個consumer執行緒消費指定的分割槽而不消費其他的分割槽。坦率來說，目前Kafka並沒有提供自定義分配策略。做到這點很難，但仔細想一想，也許我們期望Kafka做的事情太多了，畢竟它只是個訊息引擎，在Kafka中加入訊息消費的邏輯也許並不是Kafka該做的事情。