应大部分的小伙伴的要求，今日这篇咱们用大白话带你知道 Kafka。

图片来自 Pexels

Kafka 根底

音讯体系的作用

大部分小伙伴应该都清楚，这儿用机油装箱举个比方：

所以音讯体系便是如上图咱们所说的库房，能在中心进程作为缓存，并且完成解耦合的作用。

引进一个场景，咱们知道中国移动，中国联通，中国电信的日志处理，是交给外包去做大数据剖析的，假定现在它们的日志都交给了你做的体系去做用户画像剖析。

依照刚刚前面说到的音讯体系的作用，咱们知道了音讯体系其实便是一个模仿缓存，且仅仅是起到了缓存的作用而并不是真实的缓存，数据仍然是存储在磁盘上面而不是内存。

Topic 主题

Kafka 学习了数据库里边的规划，在里边规划了 Topic(主题)，这个东西类似于联络型数据库的表：

此刻我需求获取中国移动的数据，那就直接监听 TopicA 即可。

Partition 分区

Kafka 还有一个概念叫 Partition(分区)，分区详细在服务器上面体现起先便是一个目录。

一个主题下面有多个分区，这些分区会存储到不同的服务器上面，或者说，其实便是在不同的主机上建了不同的目录。

这些分区首要的信息就存在了 .log 文件里边。跟数据库里边的分区差不多，是为了进步功能。

至于为什么进步了功能，很简略，多个分区多个线程，多个线程并行处理必定会比单线程好得多。

Topic 和 Partition 像是 HBase 里的 Table 和 Region 的概念，Table 仅仅一个逻辑上的概念，真实存储数据的是 Region。

这些 Region 会分布式地存储在各个服务器上面，对应于 Kafka，也是相同，Topic 也是逻辑概念，而 Partition 便是分布式存储单元。

这个规划是确保了海量数据处理的根底。咱们能够比照一下，假如 HDFS 没有 Block 的规划，一个 100T 的文件也只能独自放在一个服务器上面，那就直接占满整个服务器了，引进 Block 后，大文件能够涣散存储在不同的服务器上。

留意：

分区会有单点故障问题，所以咱们会为每个分区设置副本数。

分区的编号是从 0 开端的。

Producer 生产者

往音讯体系里边发送数据的便是生产者：

Consumer 顾客

从 Kafka 里读取数据的便是顾客：

Message 音讯

Kafka 里边的咱们处理的数据叫做音讯。

Kafka 的集群架构

创立一个 TopicA 的主题，3 个分区别离存储在不同的服务器，也便是 Broker 下面。

Topic 是一个逻辑上的概念，并不能直接在图中把 Topic 的相关单元画出：

需求留意：Kafka 在 0.8 版别曾经是没有副本机制的，所以在面临服务器宕机的突发状况时会丢掉数据，所以尽量防止运用这个版别之前的 Kafka。

Replica 副本

Kafka 中的 Partition 为了确保数据安全，所以每个 Partition 能够设置多个副本。

此刻咱们对分区 0，1，2 别离设置 3 个副本(其实设置两个副本是比较适宜的)：

并且其实每个副本都是有人物之分的，它们会选取一个副本作为 Leader，而其他的作为 Follower。

咱们的生产者在发送数据的时分，是直接发送到 Leader Partition 里边，然后 Follower Partition 会去 Leader 那里自行同步数据，顾客消费数据的时分，也是从 Leader 那去消费数据的。

Consumer Group 顾客组

咱们在消费数据时会在代码里边指定一个 group.id，这个 id 代表的是消费组的姓名，并且这个 group.id 就算不设置，体系也会默许设置：

conf.setProperty("group.id","tellYourDream")

咱们所熟知的一些音讯体系一般来说会这样规划，便是只需有一个顾客去消费了音讯体系里边的数据，那么其他一切的顾客都不能再去消费这个数据。

可是 Kafka 并不是这样，比方现在 ConsumerA 去消费了一个 TopicA 里边的数据：

consumerA:
group.id=a
consumerB:
group.id=a
consumerC:
group.id=b
consumerD:
group.id=b

再让 ConsumerB 也去消费 TopicA 的数据，它是消费不到了，可是咱们在 ConsumerC 中从头指定一个别的的 group.id，ConsumerC 是能够消费到 TopicA 的数据的。

而 ConsumerD 也是消费不到的，所以在 Kafka 中，不同组可有仅有的一个顾客去消费同一主题的数据。

所以顾客组便是让多个顾客并行消费信息而存在的，并且它们不会消费到同一个音讯。

如下，ConsumerA，B，C 是不会相互搅扰的：

consumergroup:a
consumerA
consumerB
consumerC

如图，由于前面说到过了顾客会直接和 Leader 树立联络，所以它们别离消费了三个 Leader，所以一个分区不会让顾客组里边的多个顾客去消费，可是在顾客不饱和的状况下，一个顾客是能够去消费多个分区的数据的。

Controller

熟知一个规矩：在大数据分布式文件体系里边，95% 的都是主从式的架构，个别是对等式的架构，比方 ElasticSearch。

Kafka 也是主从式的架构，主节点就叫 Controller，其他的为从节点，Controller 是需求和 Zookeeper 进行合作办理整个 Kafka 集群。

Kafka 和 Zookeeper 怎么合作作业

Kafka 严峻依赖于 Zookeeper 集群，一切的 Broker 在发动的时分都会往 Zookeeper 进行注册，意图便是推举出一个 Controller。

这个推举进程十分简略粗犷，便是一个谁先谁当的进程，不触及什么算法问题。

那成为 Controller 之后要做啥呢，它会监听 Zookeeper 里边的多个目录，例如有一个目录 /brokers/，其他从节点往这个目录上**注册(便是往这个目录上创立归于自己的子目录罢了)**自己。

这时命名规矩一般是它们的 id 编号，比方 /brokers/0,1,2。注册时各个节点必定会露出自己的主机名，端口号等等的信息。

此刻 Controller 就要去读取注册上来的从节点的数据(经过监听机制)，生成集群的元数据信息，之后把这些信息都分发给其他的服务器，让其他服务器能感知到集群中其它成员的存在。

此刻模仿一个场景，咱们创立一个主题(其实便是在 Zookeeper 上 /topics/topicA 这样创立一个目录罢了)，Kafka 会把分区计划生成在这个目录中。

此刻 Controller 就监听到了这一改动，它会去同步这个目录的元信息，然后相同下放给它的从节点，经过这个办法让整个集群都得知这个分区计划，此刻从节点就各自创立好目录等候创立分区副本即可。这也是整个集群的办理机制。

加餐时刻

Kafka 功能好在什么地方?

①次序写

操作体系每次从磁盘读写数据的时分，需求先寻址，也便是先要找到数据在磁盘上的物理方位，然后再进行数据读写，假如是机械硬盘，寻址就需求较长的时刻。

Kafka 的规划中，数据其实是存储在磁盘上面，一般来说，会把数据存储在内存上面功能才会好。

可是 Kafka 用的是次序写，追加数据是追加到结尾，磁盘次序写的功能极高，在磁盘个数必定，转数到达必定的状况下，根本和内存速度共同。

随机写的话是在文件的某个方位修正数据，功能会较低。

②零复制

先来看看非零复制的状况：

能够看到数据的复制从内存复制到 Kafka 服务进程那块，又复制到 Socket 缓存那块，整个进程消耗的时刻比较高。

Kafka 利用了 Linux 的 sendFile 技能(NIO)，省去了进程切换和一次数据复制，让功能变得更好。

日志分段存储

Kafka 规则了一个分区内的 .log 文件最大为 1G，做这个约束意图是为了方便把 .log 加载到内存去操作：

00000000000000000000.index00000000000000000000.log00000000000000000000.timeindex00000000000005367851.index00000000000005367851.log00000000000005367851.timeindex00000000000009936472.index00000000000009936472.log00000000000009936472.timeindex

这个 9936472 之类的数字，便是代表了这个日志段文件里包括的开始 Offset，也就阐明这个分区里至少都写入了挨近 1000 万条数据了。

Kafka Broker 有一个参数，log.segment.bytes，约束了每个日志段文件的巨细，最大便是 1GB。

一个日志段文件满了，就主动开一个新的日志段文件来写入，防止单个文件过大，影响文件的读写功能，这个进程叫做 log rolling，正在被写入的那个日志段文件，叫做 active log segment。

假如咱们有了解 HDFS 就会发现 NameNode 的 edits log 也会做出约束，所以这些结构都是会考虑到这些问题。

Kafka 的网络规划

Kafka 的网络规划和 Kafka 的调优有关，这也是为什么它能支撑高并发的原因：

首要客户端发送恳求全部会先发送给一个 Acceptor，Broker 里边会存在 3 个线程(默许是 3 个)。

这 3 个线程都是叫做 Processor，Acceptor 不会对客户端的恳求做任何的处理，直接封装成一个个 socketChannel 发送给这些 Processor 构成一个行列。

发送的方法是轮询，便是先给第一个 Processor 发送，然后再给第二个，第三个，然后又回到第一个。

顾客线程去消费这些 socketChannel 时，会获取一个个 Request 恳求，这些 Request 恳求中就会伴随着数据。

线程池里边默许有 8 个线程，这些线程是用来处理 Request 的，解析恳求，假如 Request 是写恳求，就写到磁盘里。读的话回来成果。

Processor 会从 Response 中读取呼应数据，然后再回来给客户端。这便是 Kafka 的网络三层架构。

所以假如咱们需求对 Kafka 进行增着重优，添加 Processor 并添加线程池里边的处理线程，就能够到达作用。

Request 和 Response 那一块部分其实便是起到了一个缓存的作用，是考虑到 Processor 们生成恳求太快，线程数不行不能及时处理的问题。

所以这便是一个加强版的 Reactor 网络线程模型。

总结

集群的建立会再找时刻去提及。这一篇简略地从人物到一些规划的方面叙述了 Kafka 的一些根底，在之后的更新中会持续逐步推进，进行愈加浅显易懂的解说。