Kafka学习笔记（3）Kafaka中的存储机制

参考&＃xff1a;
https://blog.csdn.net/jewes/article/details/42970799

工作流程

Kafka 中消息是以 topic 进行分类的&＃xff0c;生产者生产消息&＃xff0c;消费者消费消息&＃xff0c;都是面向 topic的。

**topic 是逻辑上的概念&＃xff0c;而 partition 是物理上的概念&＃xff0c;每个 partition 对应于一个 log 文件&＃xff0c;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&＃xff0c;且每条数据都有自己的 offset。消费者组中的每个消费者&＃xff0c;都会实时记录自己
消费到了哪个 offset&＃xff0c;以便出错恢复时&＃xff0c;从上次的位置继续消费。

kafka中的副本数量包含leader和flower&＃xff0c;并且副本数不能超过机器数&＃xff0c;超过机器数就不能保证每一个副本在不同机器上

存储和查找过程

kafka的数据是以.log文件为结尾的。由于生产者生产的消息会不断追加到 log 文件末尾&＃xff0c;为防止 log 文件过大导致数据定位
效率低下&＃xff0c;Kafka 采取了分片和索引机制&＃xff0c;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。

这些文件位于一个文件夹下&＃xff0c;该文件夹的命名规则为&＃xff1a;topic 名称&＃43;分区序号。例如&＃xff0c;first 这个 topic 有三个分区&＃xff0c;则其对应的文件夹为 first-
0,first-1,first-2。数据存储分为两个部分&＃xff0c;数据分段和为数据文件建立索引。&＃xff08;.log文件和.index文件&＃xff09;

数据分段(.log文件)

Kafka解决查询效率的手段之一是将数据文件分段&＃xff0c;比如有100条Message&＃xff0c;它们的offset是从0到99。假设将数据文件分成5段&＃xff0c;第一段为0-19&＃xff0c;第二段为20-39&＃xff0c;以此类推&＃xff0c;每段放在一个单独的数据文件&＃xff08;.log&＃xff09;里面&＃xff0c;数据文件以该段中最小的offset命名。这样在查找指定offset的Message的时候&＃xff0c;用二分查找就可以定位到该Message在哪个段中。

建立索引(.index文件)

数据文件分段使得可以在一个较小的数据文件中查找对应offset的Message了&＃xff0c;但是这依然需要顺序扫描才能找到对应offset的Message。为了进一步提高查找的效率&＃xff0c;Kafka为每个分段后的数据文件建立了索引文件&＃xff0c;文件名与数据文件的名字是一样的&＃xff0c;只是文件扩展名为.index。
索引文件中包含若干个索引条目&＃xff0c;每个条目表示数据文件中一条Message的索引。索引包含两个部分&＃xff08;均为4个字节的数字&＃xff09;&＃xff0c;分别为相对offset和position。

• 相对offset&＃xff1a;因为数据文件分段以后&＃xff0c;每个数据文件的起始offset不为0&＃xff0c;相对offset表示这条Message相对于其所属数据文件中最小的offset的大小。举例&＃xff0c;分段后的一个数据文件的offset是从20开始&＃xff0c;那么offset为25的Message在index文件中的相对offset就是25-20 &＃61; 5。存储相对offset可以减小索引文件占用的空间。
• position&＃xff0c;表示该条Message在数据文件中的绝对位置。只要打开文件并移动文件指针到这个position就可以读取对应的Message了。

index文件中并没有为数据文件中的每条Message建立索引&＃xff0c;而是采用了稀疏存储的方式&＃xff0c;每隔一定字节的数据建立一条索引。这样避免了索引文件占用过多的空间&＃xff0c;从而可以将索引文件保留在内存中。但缺点是没有建立索引的Message也不能一次定位到其在数据文件的位置&＃xff0c;从而需要做一次顺序扫描&＃xff0c;但是这次顺序扫描的范围就很小了。

小结

Message是按照topic来组织&＃xff0c;每个topic可以分成多个的partition&＃xff0c;比如&＃xff1a;有5个partition的名为为page_visits的topic的目录结构为&＃xff1a;

partition是分段的&＃xff0c;每个段叫LogSegment&＃xff0c;包括了一个数据文件和一个索引文件&＃xff0c;下图是某个partition目录下的文件&＃xff1a;

可以看到&＃xff0c;这个partition有4个LogSegmen

一张图来展示是如何查找Message的

比如&＃xff1a;要查找绝对offset为7的Message&＃xff1a;

1. 首先是用二分查找确定它是在哪个LogSegment中&＃xff0c;自然是在第一个Segment中。
2. 打开这个Segment的index文件&＃xff0c;也是用二分查找找到offset小于或者等于指定offset的索引条目中最大的那个offset。自然offset为6的那个索引是我们要找的&＃xff0c;通过索引文件我们知道offset为6的Message在数据文件中的位置为9807。
3. 打开数据文件&＃xff0c;从位置为9807的那个地方开始顺序扫描直到找到offset为7的那条Message。
   这套机制是建立在offset是有序的。索引文件被映射到内存中&＃xff0c;所以查找的速度还是很快的。

一句话&＃xff0c;Kafka的Message存储采用了分区(partition)&＃xff0c;分段(LogSegment)和稀疏索引这几个手段来达到了高效性。

分区策略

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&＃xff0c;直接将指明的值直接作为 partiton 值&＃xff1b;
2. 没有指明 partition 值但有 key 的情况下&＃xff0c;将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值&＃xff1b;
3. 既没有 partition 值又没有 key 值的情况下&＃xff0c;第一次调用时随机生成一个整数&＃xff08;后面每次调用在这个整数上自增&＃xff09;&＃xff0c;将这个值与 topic 可用的 partition 总数取余得到 partition 值&＃xff0c;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&＃xff0c;能可靠的发送到指定的 topic&＃xff0c;topic 的每个 partition 收到producer 发送的数据后&＃xff0c;都需要向 producer 发送 ack&＃xff08;acknowledgement 确认收到&＃xff09;&＃xff0c;如果producer 收到 ack&＃xff0c;就会进行下一轮的发送&＃xff0c;否则重新发送数据。

副本数据同步策略

Kafka 选择了第二种方案&＃xff0c;原因如下&＃xff1a;

1.同样为了容忍 n 台节点的故障&＃xff0c;第一种方案需要 2n&＃43;1 个副本&＃xff0c;而第二种方案只需要 n&＃43;1个副本&＃xff0c;而 Kafka 的每个分区都有大量的数据&＃xff0c;第一种方案会造成大量数据的冗余。这里可能有一点歧义&＃xff0c;解释举例如下&＃xff1a;

例如&＃xff0c;第一种方案&＃xff0c;假设有5个机器宕机了&＃xff0c;那么有5个副本无法使用&＃xff0c;但必须保证半数以上的副本完成同步&＃xff0c;才能发送ack&＃xff0c;所以这时候就总共需要11台机器&＃xff0c;11个副本才能容忍5台机器宕机才能正常使用。反之&＃xff0c;11台机器&＃xff0c;11个副本&＃xff0c;最多也就允许5个副本&＃xff0c;5个机器宕机。

例如&＃xff0c;第二种方案&＃xff0c;假设有5个机器宕机了&＃xff0c;那么有5个副本无法使用&＃xff0c;但是只要全部副本同步就可以完成同步&＃xff0c;发送ack&＃xff0c;所以&＃xff0c;这时候就需要6台机器&＃xff0c;6个副本才能容忍5台机器宕机。反之&＃xff0c;6台机器&＃xff0c;6个副本&＃xff0c;最多也就允许5个副本&＃xff0c;5个机器宕机。

对比以上两种&＃xff0c;相同容错率的情况下&＃xff0c;第二种方案明显使用更少的机器&＃xff0c;第一种会使用更多的机器&＃xff0c;造成冗余。

2.虽然第二种方案的网络延迟会比较高&＃xff0c;但网络延迟对 Kafka 的影响较小。

ISR

采用第二种方案之后&＃xff0c;设想以下情景&＃xff1a;leader 收到数据&＃xff0c;所有 follower 都开始同步数据&＃xff0c;但有一个 follower&＃xff0c;因为某种故障&＃xff0c;迟迟不能与 leader 进行同步&＃xff0c;那 leader 就要一直等下去&＃xff0c;直到它完成同步&＃xff0c;才能发送 ack。这个问题怎么解决呢&＃xff1f;

Leader 维护了一个动态的 in-sync replica set (ISR)&＃xff0c;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&＃xff0c;leader 就会给 follower 发送 ack。如果 follower长时间未向leader 同 步 数 据 &＃xff0c; 则 该 follower 将 被 踢 出 ISR &＃xff0c; 该时间阈值由replica.lag.time.max.ms 参数设定。Leader 发生故障之后&＃xff0c;就会从 ISR 中选举新的 leader。

ack 应答机制

对于某些不太重要的数据&＃xff0c;对数据的可靠性要求不是很高&＃xff0c;能够容忍数据的少量丢失&＃xff0c;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&＃xff0c;用户根据对可靠性和延迟的要求进行权衡&＃xff0c;选择以下的配置

acks 参数配置&＃xff1a;

acks&＃xff1a;

0&＃xff1a;producer 不等待 broker 的 ack&＃xff0c;这一操作提供了一个最低的延迟&＃xff0c;broker 一接收到还没有写入磁盘就已经返回&＃xff0c;当 broker 故障时有可能丢失数据&＃xff1b;

1&＃xff1a;producer 等待 broker 的 ack&＃xff0c;partition 的 leader 落盘成功后返回 ack&＃xff0c;如果在 follower同步成功之前 leader 故障&＃xff0c;那么将会丢失数据&＃xff1b;

-1&＃xff08;all&＃xff09;&＃xff1a;producer 等待 broker 的 ack&＃xff0c;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&＃xff0c;broker 发送 ack 之前&＃xff0c;leader 发生故障&＃xff0c;那么会收不到producer的ack&＃xff0c;ISR中的flower开始重新选举leader&＃xff0c;然后producer就重新发送数据&＃xff0c;造成数据重复。

故障处理细节

LEO&＃xff1a;指的是每个副本最大的 offset&＃xff1b;
HW&＃xff1a;指的是消费者能见到的最大的 offset&＃xff0c;ISR 队列中最小的 LEO。

&＃xff08;1&＃xff09;follower 故障

follower 发生故障后会被临时踢出 ISR&＃xff0c;待该 follower 恢复后&＃xff0c;follower 会读取本地磁盘记录的上次的 HW&＃xff0c;并将 log 文件高于 HW 的部分截取掉&＃xff0c;从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW&＃xff0c;即 follower 追上 leader 之后&＃xff0c;就可以重
新加入 ISR 了。

&＃xff08;2&＃xff09;leader 故障

leader 发生故障之后&＃xff0c;会从 ISR 中选出一个新的 leader&＃xff0c;之后&＃xff0c;为保证多个副本之间的数据一致性&＃xff0c;其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉&＃xff0c;然后从新的 leader同步数据。

这只能保证副本之间的数据一致性&＃xff0c;并不能保证数据不丢失或者不重复

Exactly Once 语义

将服务器的 ACK 级别设置为-1&＃xff0c;可以保证 Producer 到 Server 之间不会丢失数据&＃xff0c;即 At Least Once 语义。相对的&＃xff0c;将服务器 ACK 级别设置为 0&＃xff0c;可以保证生产者每条消息只会被发送一次&＃xff0c;即 At Most Once 语义。

At Least Once 可以保证数据不丢失&＃xff0c;但是不能保证数据不重复&＃xff1b;相对的&＃xff0c;At Most Once可以保证数据不重复&＃xff0c;但是不能保证数据不丢失。但是&＃xff0c;对于一些非常重要的信息&＃xff0c;比如说交易数据&＃xff0c;下游数据消费者要求数据既不重复也不丢失&＃xff0c;即 Exactly Once 语义。在 0.11 版
本以前的 Kafka&＃xff0c;对此是无能为力的&＃xff0c;只能保证数据不丢失&＃xff0c;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&＃xff0c;每个都需要单独做全局去重&＃xff0c;这就对性能造成了很大影响。

0.11 版本的 Kafka&＃xff0c;引入了一项重大特性&＃xff1a;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&＃xff0c;Server 端都只会持久化一条。幂等性结合 At Least Once 语义&＃xff0c;就构成了 Kafka 的 Exactly Once 语义。即&＃xff1a;

At Least Once &＃43; 幂等性 &＃61; Exactly Once

要启用幂等性&＃xff0c;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&＃xff0c;发往同一 Partition 的消息会附带 Sequence Number。而
Broker 端会对做缓存&＃xff0c;当具有相同主键的消息提交时&＃xff0c;Broker 只会持久化一条。
但是 PID 重启就会变化&＃xff0c;同时不同的 Partition 也具有不同主键&＃xff0c;所以幂等性无法保证跨分区跨会话的 Exactly Once。
比如&＃xff0c;leader和flower也都写入了hello这一条数据&＃xff0c;返回ack的时候&＃xff0c;producer挂了&＃xff0c;没收到ack&＃xff0c;再次建立producer会话的时候&＃xff0c;又重新发送hello&＃xff0c;数据重复