保存 初始 name 偏移量 tran one zookeeper request 增加

首先Kafka是一個分布式消息隊列中間件，Apache頂級項目，https://kafka.apache.org/ 高性能、持久化、多副本備份、橫向擴展。

生產者Producer往隊列裏發送消息，消費者Consumer從隊列裏消費消息，然後進行業務邏輯。應用場景主要有：解耦、削峰（緩沖）、異步處理、排隊、分布式事務控制等等。

1. Kafka對外使用Topic(主題)的概念，生產者往Topic裏寫消息，消費者從Topic中消費讀消息。
2. 為了實現水平擴展，一個Topic實際是由多個Partition（分區）組成的，遇到瓶頸時，可以通過增加Partition的數量來進行橫向擴容。
3. 單個Parition內是保證消息有序
   。持久化時，每收到一條消息，Kafka就是在對應的日誌文件Append寫，所以性能非常高。

Kafka Data Flow 消息流轉圖

上圖中，消息生產者Producers往Brokers裏面的指定Topic中寫消息，消息消費者Consumers從Brokers裏面消費指定Topic的消息，然後進行業務處理。

在實際的部署架構中，Broker、Topic、Partition這些元數據保存在ZooKeeper中，Kafka的監控、消息路由（分區）由ZooKeeper控制。0.8版本的OffSet也由ZooKeeper控制。

一、消息生產/發送過程

Kafka創建Message、發送時要指定對應的Topic和Value（消息體），Key（分區鍵）和Partition（分區）是可選參數。

調用Producer的Send()方法後，消息先進行序列化（消息序列化器可自定義實現：例如：Protobuf），然後按照Topic和Partition，臨時放到內存中指定的發送隊列中。達到閾值後，然後批量發送。

發送時，當Partition沒設置時，如果設置了Key-分區鍵（例如：單據類型），按照Key進行Hash取模，保證相同的Key發送到指定的分區Partition。如果未設置分區鍵Key，使用Round-Robin輪詢隨機選分區Partition。

二、分區Partition的高可用和選舉機制

分區有副本的概念，保證消息不丟失。當存在多副本的情況下，會盡量把多個副本，分配到不同的broker上。

Kafka會為Partition選出一個Leader Broker（通過ZooKeeper），之後所有該Partition的請求，實際操作的都是Leader，然後再同步到其他的Follower。

當一個Kafka Broker宕機後，所有Leader在該Broker上的Partition都會重新選舉，在剩余的Follower中選出一個Leader，繼續提供服務。

正如上面所講：Kafka使用ZooKeeper在多個Broker中選出一個Controller，用於Partition分配和Leader選舉。以下是Partition的分配機制：

• 將所有Broker（假設共n個Broker）和待分配的Partition排序
• 將第i個Partition分配到第（i mod n）個Broker上 （這個就是leader）
• 將第i個Partition的第j個Replica分配到第（(i + j) mode n）個Broker上

Controller會在ZooKeeper的/brokers/ids節點上註冊Watch，一旦有broker宕機，它就能知道。

當Broker宕機後，Controller就會給受到影響的Partition選出新Leader。

Controller從ZooKeeper的/brokers/topics/[topic]/partitions/[partition]/state中，讀取對應Partition的ISR（in-sync replica已同步的副本）列表，選一個出來做Leader。

選出Leader後，更新ZooKeeper的存儲，然後發送LeaderAndISRRequest給受影響的Broker進行通知。

如果ISR列表是空，那麽會根據配置，隨便選一個replica做Leader，或者幹脆這個partition就是宕機了。

如果ISR列表的有機器，但是也宕機了，那麽還可以等ISR的機器活過來。

多副本同步：

服務端這邊的處理是Follower從Leader批量拉取數據來同步。但是具體的可靠性，是由生產者來決定的。

生產者生產消息的時候，通過request.required.acks參數來設置數據的可靠性。

在acks=-1的時候，如果ISR少於min.insync.replicas指定的數目，那麽就會返回不可用。

這裏ISR列表中的機器是會變化的，根據配置replica.lag.time.max.ms，多久沒同步，就會從ISR列表中剔除。以前還有根據落後多少條消息就踢出ISR，在1.0版本後就去掉了，因為這個值很難取，在高峰的時候很容易出現節點不斷的進出ISR列表。

從ISA中選出leader後，follower會從把自己日誌中上一個高水位後面的記錄去掉，然後去和leader拿新的數據。因為新的leader選出來後，follower上面的數據，可能比新leader多，所以要截取。這裏高水位的意思，對於partition和leader，就是所有ISR中都有的最新一條記錄。消費者最多只能讀到高水位；

從leader的角度來說高水位的更新會延遲一輪，例如寫入了一條新消息，ISR中的broker都fetch到了，但是ISR中的broker只有在下一輪的fetch中才能告訴leader。

也正是由於這個高水位延遲一輪，在一些情況下，kafka會出現丟數據和主備數據不一致的情況，0.11開始，使用leader epoch來代替高水位。

三、消息消費過程 訂閱topic是以一個消費組來訂閱的，一個消費組裏面可以有多個消費者。同一個消費組中的兩個消費者，不會同時消費一個partition。 換句話來說，就是一個partition，只能被消費組裏的一個消費者消費，但是可以同時被多個消費組消費。因此，如果消費組內的消費者如果比partition多的話，那麽就會有個別消費者一直空閑。 消息Offset偏移量(消息的順序號)管理 一個消費組消費partition，需要保存offset記錄消費到哪，以前保存在zk中，由於zk的寫性能不好，以前的解決方法都是consumer每隔一分鐘上報一次。 ZooKeeper的性能嚴重影響了消費的速度，而且很容易出現重復消費。 在0.10版本後，Kafka把這個offset的保存，從ZooKeeper總剝離，保存在一個名叫__consumeroffsets topic的Topic中。 消息的key由groupid、topic、partition組成，value是偏移量offset。topic配置的清理策略是compact。總是保留最新的key，其余刪掉。 一般情況下，每個key的offset都是緩存在內存中，查詢的時候不用遍歷partition，如果沒有緩存，第一次就會遍歷partition建立緩存，然後查詢返回。 Partitin的Rebalance 生產過程中broker要分配partition，消費過程這裏，也要分配partition給消費者。類似broker中選了一個controller出來，消費也要從broker中選一個coordinator，用於分配partition。 coordinator的選舉過程

1. 看offset保存在那個partition
2. 該partition leader所在的broker就是被選定的coordinator

交互流程

1. consumer啟動、或者coordinator宕機了，consumer會任意請求一個broker，發送ConsumerMetadataRequest請求，broker會按照上面說的方法，選出這個consumer對應coordinator的地址。
2. consumer 發送heartbeat請求給coordinator，返回IllegalGeneration的話，就說明consumer的信息是舊的了，需要重新加入進來，進行reblance。返回成功，那麽consumer就從上次分配的partition中繼續執行。

Rebalance

1. consumer給coordinator發送JoinGroupRequest請求。
2. 這時其他consumer發heartbeat請求過來時，coordinator會告訴他們，要reblance了。
3. 其他consumer發送JoinGroupRequest請求。
4. 所有記錄在冊的consumer都發了JoinGroupRequest請求之後，coordinator就會在這裏consumer中隨便選一個leader。然後回JoinGroupRespone，這會告訴consumer你是follower還是leader，對於leader，還會把follower的信息帶給它，讓它根據這些信息去分配partition
5. consumer向coordinator發送SyncGroupRequest，其中leader的SyncGroupRequest會包含分配的情況。
6. coordinator回包，把分配的情況告訴consumer，包括leader。

當partition或者消費者的數量發生變化時，都得進行reblance。
列舉一下會reblance的情況：

1. 增加Partition
2. 增加消費者
3. 消費者主動關閉
4. 消費者宕機
5. coordinator宕機

四、消息投遞語義

kafka支持3種消息投遞語義，
At most once：最多一次，消息可能會丟失，但不會重復
At least once：最少一次，消息不會丟失，可能會重復
Exactly once：只且一次，消息不丟失不重復，只且消費一次（0.11中實現，僅限於下遊也是kafka）

At least once：（業務中使用比較多）

先獲取數據，再進行業務處理，業務處理成功後commit offset。

1. 生產者生產消息異常，消息是否成功寫入不確定，重做，可能寫入重復的消息
2. 消費者處理消息，業務處理成功後，更新offset失敗，消費者重啟的話，會重復消費

At most once：

先獲取數據，再commit offset，最後進行業務處理。

1. 生產者生產消息異常，不管，生產下一個消息，消息就丟了
2. 消費者處理消息，先更新offset，再做業務處理，做業務處理失敗，消費者重啟，消息就丟了。

Exactly once：

首先要保證消息不丟，再去保證不重復。所以盯著At least once的原因來搞。

1. 生產者重做導致重復寫入消息----生產保證冪等性
2. 消費者重復消費---消滅重復消費，或者業務接口保證冪等性重復消費也沒問題

業務處理的冪等性非常重要。Kafka控制不了，需要業務來實現。比如所判斷消息是否已經處理。

解決重復消費有兩個方法：

1. 下遊系統保證冪等性，重復消費也不會導致多條記錄。
2. 把commit offset和業務處理綁定成一個事務。

生產的冪等性：

為每個producer分配一個pid，作為該producer的唯一標識。producer會為每一個<topic,partition>維護一個單調遞增的seq。類似的，broker也會為每個<pid,topic,partition>記錄下最新的seq。當req_seq == broker_seq+1時，broker才會接受該消息。因為：

1. 消息的seq比broker的seq大超過時，說明中間有數據還沒寫入，即亂序了。

2. 消息的seq不比broker的seq小，那麽說明該消息已被保存。

事務性和原子性

場景是這樣的：

1. 先從多個源topic中獲取數據。
2. 做業務處理，寫到下遊的多個目的topic。
3. 更新多個源topic的offset。

其中第2、3點作為一個事務，要麽全成功，要麽全失敗。這裏得益與offset實際上是用特殊的topic去保存，這兩點都歸一為寫多個topic的事務性處理。

引入tid（transaction id），和pid不同，這個id是應用程序提供的，用於標識事務，和producer是誰並沒關系。就是任何producer都可以使用這個tid去做事務，這樣進行到一半就死掉的事務，可以由另一個producer去恢復。
同時為了記錄事務的狀態，類似對offset的處理，引入transaction coordinator用於記錄transaction log。在集群中會有多個transaction coordinator，每個tid對應唯一一個transaction coordinator。
註：transaction log刪除策略是compact，已完成的事務會標記成null，compact後不保留。
啟動事務時，先標記開啟事務，寫入數據，全部成功就在transaction log中記錄為prepare commit狀態，否則寫入prepare abort的狀態。之後再去給每個相關的partition寫入一條marker（commit或者abort）消息，標記這個事務的message可以被讀取或已經廢棄。成功後 在transaction log記錄下commit/abort狀態，至此事務結束。

整體的數據流是這樣的：

1. 首先使用tid請求任意一個broker（代碼中寫的是負載最小的broker），找到對應的transaction coordinator。
2. 請求transaction coordinator獲取到對應的pid，和pid對應的epoch，這個epoch用於防止僵死進程復活導致消息錯亂，當消息的epoch比當前維護的epoch小時，拒絕掉。tid和pid有一一對應的關系，這樣對於同一個tid會返回相同的pid。
3. client先請求transaction coordinator記錄<topic,partition>的事務狀態，初始狀態是BEGIN，如果是該事務中第一個到達的<topic,partition>，同時會對事務進行計時；client輸出數據到相關的partition中；client再請求transaction coordinator記錄offset的<topic,partition>事務狀態；client發送offset commit到對應offset partition。
4. client發送commit請求，transaction coordinator記錄prepare commit/abort，然後發送marker給相關的partition。全部成功後，記錄commit/abort的狀態，最後這個記錄不需要等待其他replica的ack，因為prepare不丟就能保證最終的正確性了。

這裏prepare的狀態主要是用於事務恢復，例如給相關的partition發送控制消息，沒發完就宕機了，備機起來後，producer發送請求獲取pid時，會把未完成的事務接著完成。

當partition中寫入commit的marker後，相關的消息就可被讀取。所以kafka事務在prepare commit到commit這個時間段內，消息是逐漸可見的，而不是同一時刻可見。

消息消費事務

消費時，partition中會存在一些消息處於未commit狀態，即業務方應該看不到的消息，需要過濾這些消息不讓業務看到，kafka選擇在消費者進程中進行過來，而不是在broker中過濾，主要考慮的還是性能。kafka高性能的一個關鍵點是zero copy，如果需要在broker中過 濾，那麽勢必需要讀取消息內容到內存，就會失去zero copy的特性。
五、 Kafka文件組織 kafka的數據，實際上是以文件的形式存儲在文件系統的。topic下有partition，partition下有segment，segment是實際的一個個文件，topic和partition都是抽象概念。

在目錄/${topicName}-{$partitionid}/下，存儲著實際的log文件（即segment），還有對應的索引文件。

每個segment文件大小相等，文件名以這個segment中最小的offset命名，文件擴展名是.log；segment對應的索引的文件名字一樣，擴展名是.index。有兩個index文件，一個是offset index用於按offset去查message，一個是time index用於按照時間去查，其實這裏可以優化合到一起，下面只說offset index。總體的組織是這樣的：

為了減少索引文件的大小，降低空間使用，方便直接加載進內存中，這裏的索引使用稀疏矩陣，不會每一個message都記錄下具體位置，而是每隔一定的字節數，再建立一條索引。 索引包含兩部分，分別是baseOffset，還有position。

baseOffset：意思是這條索引對應segment文件中的第幾條message。這樣做方便使用數值壓縮算法來節省空間。例如kafka使用的是varint。

position：在segment中的絕對位置。

查找offset對應的記錄時，會先用二分法，找出對應的offset在哪個segment中，然後使用索引，在定位出offset在segment中的大概位置，再遍歷查找message。

六、Kafka常用配置項
Broker配置 Topic配置 參考鏈接：123archu 鏈接：https://www.jianshu.com/p/d3e963ff8b70 來源：簡書

Kafka基本知識整理