kafka全面认知 kafka全称

什么是Kafka

Kafka是?款分布式消息发布和订阅系统，它的特点是?性能、?吞吐量。

最早设计的?的是作为LinkedIn的活动流和运营数据的处理管道。这些数据主要是?来对?户做?户画像分析以及服务器性能数据的?些监控。

所以kafka?开始设计的?标就是作为?个分布式、?吞吐量的消息系统，所以适合运?在?数据传输场景

Kafka的应?场景

由于kafka具有更好的吞吐量、内置分区、冗余及容错性的优点(kafka每秒可以处理??万消息)，让kafka成为了?个很好的?规模消息处理应?的解决?案。所以在企业级应??，主要会应?于如下?个??:

?为跟踪：kafka可以?于跟踪?户浏览??、搜索及其他?为。通过发布-订阅模式实时记录到对应的topic中，通过后端?数据平台接?处理分析，并做更进?步的实时处理和监控

?志收集：?志收集??，有很多?较优秀的产品，?如Apache Flume，很多公司使?kafka代理?志聚合。?志聚合表示从服务器上收集?志?件，然后放到?个集中的平台（?件服务器）进?处理。在实际应?开发中，我们应?程序的log都会输出到本地的磁盘上，排查问题的话通过linux命令来搞定，如果应?程序组成了负载均衡集群，并且集群的机器有??台以上，那么想通过?志快速定位到问题，就是很麻烦的事情了。所以?般都会做?个?志统?收集平台管理log?志?来快速查询重要应?的问题。所以很多公司的套路都是把应??志集中到kafka上，然后分别导?到es和hdfs上，?来做实时检索分析和离线统计数据备份等。?另???，kafka本身?提供了很好的api来集成?志并且做?志收集。

Kafka的架构

?个典型的kafka集群包含若?Producer（可以是应?节点产?的消息，也可以是通过Flume收集?志产?的事件），若?个Broker（kafka?持?平扩展）、若?个Consumer Group，以及?个zookeeper集群。kafka通过zookeeper管理集群配置及服务协同。Producer使?push模式将消息发布到broker，consumer通过监听使?pull模式从broker订阅并消费消息。

多个broker协同?作，producer和consumer部署在各个业务逻辑中。三者通过zookeeper管理协调请求和转发。这样就组成了?个?性能的分布式消息发布和订阅系统。

图上有?个细节是和其他mq中间件不同的点，producer 发送消息到broker的过程是push，?consumer从broker消费消息的过程是pull，主动去拉数据。?不是broker把数据主动发送给consumer。

名词解释

1）Broker

Kafka集群包含?个或多个服务器，这种服务器被称为broker。broker端不维护数据的消费状态，提升了性能。直接使?磁盘进?存储，线性读写，速度快：避免了数据在JVM内存和系统内存之间的复制，减少耗性能的创建对象和垃圾回收。

2）Producer

负责发布消息到Kafka broker

3）Consumer

消息消费者，向Kafka broker读取消息的客户端，consumer从broker拉取(pull)数据并进?处理。

4）Topic

每条发布到Kafka集群的消息都有?个类别，这个类别被称为Topic。（物理上不同Topic的消息分开存储，逻辑上?个Topic的消息虽然保存于?个或多个broker上但?户只需指定消息的Topic即可?产或消费数据?不必关?数据存于何处）

5）Partition

Parition是物理上的概念，每个Topic包含?个或多个Partition.

6）Consumer Group

每个Consumer属于?个特定的Consumer Group（可为每个Consumer指定group name，若不指定group name则属于默认的group）

7）Topic & Partition

Topic在逻辑上可以被认为是?个queue，每条消费都必须指定它的Topic，可以简单理解为必须指明把这条消息放进哪个queue?。为了使得Kafka的吞吐率可以线性提?，物理上把Topic分成?个或多个Partition，每个Partition在物理上对应?个?件夹，该?件夹下存储这个Partition的所有消息和索引?件。若创建topic1和topic2两个topic，且分别有13个和19个分区，则整个集群上会相应会?成共32个?件夹（本?所?集群共8个节点，此处topic1和topic2 replication-factor均为1）。

Java中使?kafka进?通信

依赖

发送端代码:

<dependency>
     <groupId>org.apache.kafka</groupId>
     <artifactId>kafka-clients</artifactId>
     <version>2.0.0</version>
</dependency>

发送端代码

public class Producer extends Thread{
      private final KafkaProducer<Integer,String> producer;
      private final String topic;

      public Producer(String topic) {
          Properties properties=new Properties();
          properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"192.168.13.102:9092,192.168.13.103
          properties.put(ProducerConfig.CLIENT_ID_CONFIG,"practice-producer");
          properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,
          IntegerSerializer.class.getName());
          properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,
          StringSerializer.class.getName());
          producer=new KafkaProducer<Integer, String>(properties);
          this.topic = topic;
      }

      @Override
      public void run() {
          int num=0;
          while(num<50){
              String msg="pratice test message:"+num;
          try {
              producer.send(new ProducerRecord<Integer, String>
              (topic,msg)).get();
              TimeUnit.SECONDS.sleep(2);
              num++;
          } catch (InterruptedException e) {
              e.printStackTrace();
          } catch (ExecutionException e) {
             e.printStackTrace();
          }
         }
      }

      public static void main(String[] args) {
          new Producer("test").start();
      }
}

消费端代码

public class Consumer extends Thread{
      private final KafkaConsumer<Integer,String> consumer;
      private final String topic;

      public Consumer(String topic){
          Properties properties=new Properties();
          properties.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG,"192.168.13.102:9092,192
          .168.13.103:9092,192.168.13.104:9092");
          properties.put(ConsumerConfig.GROUP_ID_CONFIG, "practice-consumer");
          properties.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, "true");
          //设置offset?动提交
          properties.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG, "1000");
          //?动提交间隔时间
          properties.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, "30000");
          properties.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
          "org.apache.kafka.common.serialization.IntegerDeserializer");
          properties.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
          "org.apache.kafka.common.serialization.StringDeserializer");
          properties.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG,"earliest");
          //对于当前groupid来说，消息的offset从最早的消息开始消费
          consumer= new KafkaConsumer<>(properties);
          this.topic=topic;
       }

      @Override
      public void run() {
          while(true) {
              consumer.subscribe(Collections.singleton(this.topic));
              ConsumerRecords<Integer, String> records =
              consumer.poll(Duration.ofSeconds(1));
              records.forEach(record -> {
              System.out.println(record.key() + " " + record.value() + " ->
              offset:" + record.offset());
              });
          }
      }
      
      public static void main(String[] args) {
          new Consumer("test").start();
      }
}

异步发送

kafka对于消息的发送，可以?持同步和异步，前?演示的案例中，我们是基于同步发送消息。同步会需要阻塞，?异步不需要等待阻塞的过程。

从本质上来说，kafka都是采?异步的?式来发送消息到broker，但是kafka并不是每次发送消息都会直接发送到broker上，?是把消息放到了?个发送队列中，然后通过?个后台线程不断从队列取出消息进?发送，发送成功后会触发callback。kafka客户端会积累?定量的消息统?组装成?个批量消息发送出去，触发条件是前?提到的batch.size和linger.ms。

?同步发送的?法，??就是通过future.get()来等待消息的发送返回结果，但是这种?法会严重影响消息发送的性能。

public void run() {
    int num=0;
    while(num<50){
        String msg="pratice test message:"+num;
        try {
            producer.send(new ProducerRecord<>(topic, msg), new Callback() {
            @Override
            public void onCompletion(RecordMetadata recordMetadata, Exception e) {
                  System.out.println("callback: "+recordMetadata.offset()+"->"+recordMetadata.partition());
            }});
            TimeUnit.SECONDS.sleep(2);
            num++;
          } catch (InterruptedException e) {
              e.printStackTrace();
          }
     }
}

batch.size

?产者发送多个消息到broker上的同?个分区时，为了减少?络请求带来的性能开销，通过批量的?式来提交消息，可以通过这个参数来控制批量提交的字节数??，默认??是16384byte,也就是16kb，意味着当?批消息??达到指定的batch.size的时候会统?发送。

linger.ms

Producer默认会把两次发送时间间隔内收集到的所有Requests进??次聚合然后再发送，以此提?吞吐量，?linger.ms就是为每次发送到broker的请求增加?些delay，以此来聚合更多的Message请求。这个有点想TCP??的Nagle算法，在TCP协议的传输中，为了减少?量?数据包的发送，采?了Nagle算法，也就是基于?包的等-停协议。

batch.size和linger.ms这两个参数是kafka性能优化的关键参数，batch.size和linger.ms这两者的作?是?样的，如果两个都配置了，那么怎么?作的呢？实际上，当?者都配置的时候，只要满?其中?个要求，就会发送请求到broker上。

?些基础配置分析

group.id

consumer group是kafka提供的可扩展且具有容错性的消费者机制。既然是?个组，那么组内必然可以有多个消费者或消费者实例(consumer instance)，它们共享?个公共的ID，即group ID。组内的所有消费者协调在?起来消费订阅主题(subscribed topics)的所有分区(partition)。当然，每个分区只能由同?个消费组内的?个consumer来消费.如下图所示，分别有三个消费者，属于两个不同的group，那么对于firstTopic这个topic来说，这两个组的消费者都能同时消费这个topic中的消息，对于此时的架构来说，这个firstTopic就类似于ActiveMQ中的topic概念。如右图所示，如果3个消费者都属于同?个group，那么此时firstTopic就是?个Queue的概念。

enable.auto.commit

消费者 消费位移 的提交?式， true 为?动提交，即consumer poll消息后?动提交上次之前poll的所有消息位移，若为 false 则需要?动提交，即consumer poll出的消息需要?动提交消息位移，提交消息位移的?式有同步提交和异步提交。

auto.commit.interval.ms

在enable.auto.commit 为true的情况下， ?动提交消费位移的间隔，默认值5000ms。那么消费者会在poll?法调?后每隔5000ms（由auto.commit.interval.ms指定）提交?次位移。和很多其 他操作?样， ?动提交消费位移也是由poll()?法来驱动的 ；在调?poll()时，消费者判断是否到达提交时间（auto.commit.interval.ms指定的值），如果是则提交 上?次poll返回的最?位移。 具体什么时候提交消息位移，请看这篇[?章]。(https://zhuanlan.zhihu.com/p/112745985)

auto.offset.reset

这个参数是针对新的groupid中的消费者??的，当有新groupid的消费者来消费指定的topic时，对于该参数的配置，会有不同的语义。

auto.offset.reset=latest情况下，新的消费者将会从其他消费者最后消费的offset处开始消费Topic下的消息。

auto.offset.reset= earliest情况下，新的消费者会从该topic最早的消息开始消费。

auto.offset.reset=none情况下，新的消费者加?以后，由于之前不存在offset，则会直接抛出异常。

max.poll.records

consumer是通过 轮训的?式使?poll()?法不断获取消息的 ，max.poll.records参数可以限制每次调?poll返回的消息数，默认是500条。

max.poll.interval.ms

默认值5分钟，表示若5分钟之内consumer没有消费完上?次poll的消息， 也就是在5分钟之内没有调?下次的poll()函数 ，那么kafka会认为consumer已经宕机,所以会将该consumer踢出consumer group, 紧接着就会发?rebalance，发?rebalance可能会发?重复消费的情况。

正常消费端伪代码如下

while (true) {
    //取出消息
    ConsumerRecords<String,String> records = consumer.poll(100);
    for (ConsumerRecord<String,String> record : records) {
    //执?消费消息
    dosomething
    }
}

看到这?需要保证poll出的所有消息消费时间总和不能?于 max.poll.interval.ms ,如果?于则会将consumer踢出consumer group，会进?rebalance操作了，所有 每次poll消息的数量不能太?,避免发?rebalance。

关于Topic和Partition

Topic

在kafka中，topic是?个存储消息的逻辑概念，可以认为是?个消息集合。每条消息发送到kafka集群的消息都有?个类别。物理上来说，不同的topic的消息是分开存储的，每个topic可以有多个?产者向它发送消息，也可以有多个消费者去消费其中的消息。

Partition（分区）

每个topic可以划分多个分区（每个Topic?少有?个分区），同?topic下的不同分区包含的消息是不同的，那么为什么要设置多partition呢？第?分区存储可以存储更多的消息，其次是为了提?吞吐量，如果只有?个partition，则所有消息只能存储在该partition内，消费时不管有多少个消费者也只能顺序读取该partition内的消息，如果是多个partition，那么消费者就可以同时从多个partition内并发读取消息，正是这个原因才提?了吞吐量。

每个消息在被添加到分区时，都会被分配?个offset（称之为偏移量），它是消息在此分区中的唯?编号，kafka通过offset保证消息在分区内的顺序，offset的顺序不跨分区，即kafka只保证在同?个分区内的消息是有序的。在多partition和多consumer的情况下，?产的消息是具有顺序性的，且根据partition的分发策略依次插?到相应的partition中，但是由于kafak只保证同?个partition内的消息输出有序性，所以多partition依次输出的消息顺序并不能保证和?产消息写?的顺序是?样的。

下图中，对于名字为test的topic，做了3个分区，分别是p0、p1、p2.

每?条消息发送到broker时，会根据partition的规则选择存储到哪?个partition。如果partition规则设置合理，那么所有的消息会均匀的分布在不同的partition中，这样就有点类似数据库的分库分表的概念，把数据做了分?处理。

Topic&Partition的存储

Partition是以?件的形式存储在?件系统中，?如创建?个名为firstTopic的topic，其中有3个partition，那么在kafka的数据?录（/tmp/kafka-log）中就有3个?录，firstTopic-0~3， 命名规则是<topic_name>-<partition_id>

sh kafka-topics.sh --create --zookeeper 192.168.11.156:2181 --replication-factor 1 --partiti

关于消息分发

kafka消息分发策略

消息是kafka中最基本的数据单元，在kafka中，?条消息由key、value两部分构成，在发送?条消息时，我们可以指定这个key，那么producer会根据key和partition机制来判断当前这条消息应该发送并存储到哪个partition中。我们可以根据需要进?扩展producer的partition机制。

?定义Partitioner

public class MyPartitioner implements Partitioner {
      private Random random = new Random();
     
      @Override
      public int partition(String s, Object o, byte[] bytes, Object o1, byte[] bytes1, Clust
          //获取集群中指定topic的所有分区信息
          List<PartitionInfo> partitionInfos=cluster.partitionsForTopic(s);
          int numOfPartition=partitionInfos.size();
          int partitionNum=0;
          if(o==null){
               //key没有设置
               partitionNum=random.nextint(numOfPartition);
               //随机指定分区
          } else{
               partitionNum=Math.abs((o1.hashCode()))%numOfPartition;
          }
          System.out.println("key->"+o+",value->"+o1+"->send to partition:"+partitionNum)
          return partitionNum;
      }
}

发送端代码添加?定义分区

public KafkaProducerDemo(String topic,Boolean isAysnc){
      Properties properties=new Properties();
      properties.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,
      "192.168.13.102:9092,192.168.13.103:9092,192.168.13.104:9092");
      properties.put(ProducerConfig.CLIENT_ID_CONFIG,"KafkaProducerDemo");
      properties.put(ProducerConfig.ACKS_CONFIG,"-1");
      properties.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG,
      "org.apache.kafka.common.serialization.IntegerSerializer");
      properties.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,
      "org.apache.kafka.common.serialization.StringSerializer");
      properties.put(ProducerConfig.PARTITIONER_CLASS_CONFIG,"com.wei.kafka.MyPartitioner");
      producer=new KafkaProducer<Integer, String>(properties);
      this.topic = topic;
      this.isAysnc = isAysnc;   
}

消息默认的分发机制

默认情况下，kafka采?的是hash取模的分区算法。如果Key为null，则会随机分配?个分区。这个随机是在这个参数”metadata.max.age.ms”的时间范围内随机选择?个。对于这个时间段内，如果key为null，则只会发送到唯?的分区。这个值值哦默认情况下是10分钟更新?次。关于Metadata，这个之前没讲过，简单理解就是Topic/Partition和broker的映射关系，每?个topic的每?个partition，需要知道对应的broker列表是什么，leader是谁、follower是谁。这些信息都是存储在Metadata这个类??。

消费端如何消费指定的分区

通过下?的代码，就可以消费指定该topic下的0号分区。其他分区的数据就?法接收

//消费指定分区的时候，不需要再订阅
//kafkaConsumer.subscribe(Collections.singletonList(topic));
//消费指定的分区
TopicPartition topicPartition=new TopicPartition(topic,0);
kafkaConsumer.assign(Arrays.asList(topicPartition));

消息的消费原理

在实际?产过程中，每个topic都会有多个partitions，多个partitions的好处在于，???能够对broker上的数据进?分?有效减少了消息的容量从?提升io性能。另外???，提?了消费端的消费能?，如果只有?个partitions，那么多consumer也只能顺序读取该partitions内的消息，如果是多个partitions的话，那么多consumer就可以从多partitions并发?读取topic消息，这样就提?了消息断的消费能?，所以?般会 设置多个consumer去消费同?个topic的多个partitions ， 也就是消费端的负载均衡机制。

这也就是我们接下来要了解的，在多个partition以及多个consumer的情况下，消费者是如何消费消息的。

kafka存在consumer group的概念，也就是group.id?样的consumer，这些consumer属于?个consumer group，组内的所有消费者协调在?起来消费订阅主题的所有分区。 当然每?个分区只能由同?个消费组内的consumer来消费 ，那么同?个consumergroup??的consumer是怎么去分配该消费哪个分区?的数据呢？如下图所示，3个分区，3个消费者，那么哪个消费者消分哪个分区？

对于上?这个图来说，这3个消费者会分别消费test这个topic 的3个分区，也就是每个consumer消费?个partition。

演示1（3个partiton对应3个consumer）

? 创建?个带3个分区的topic

? 启动3个消费者消费同?个topic，并且这3个consumer属于同?个组

? 启动发送者进?消息发送

演示结果：consumer1会消费partition0分区、consumer2会消费partition1分区、consumer3会消费partition2分区如果是2个consumer消费3个partition呢？会是怎么样的结果？

演示2（3个partiton对应2个consumer）

? 基于上?演示的案例的topic不变

? 启动2个消费这消费该topic

? 启动发送者进?消息发送

演示结果：consumer1会消费partition0/partition1分区、consumer2会消费partition2分区

演示3（3个partition对应4个或以上consumer）

演示结果：仍然只有3个consumer对应3个partition，其他的consumer?法消费消息

通过这个演示的过程，引出接下来需要了解的kafka的分区分配策略(Partition Assignment

Strategy)

consumer和partition的数量建议

1. 如果consumer?partition多，是浪费， 因为kafka的设计是在?个partition上是不允许并发的，所以consumer数不要?于partition数

2. 如果consumer?partition少，?个consumer会对应于多个partitions，这?主要合理分配consumer数和partition数，否则会导致partition??的数据被取的不均匀， 被取的不均匀也就代表是消费能?不均匀 。 最好partiton数?是consumer数?的整数倍 ，所以partition数?很重要，?如取24，就很容易设定consumer数?

3. 如果consumer从多个partition读到数据，不保证数据间的顺序性，kafka只保证在?个partition上数据是有序的，但多个partition，根据你读的顺序会有不同

4. 增减consumer，broker，partition会导致rebalance，所以rebalance后consumer对应的partition会发?变化

什么是分区分配策略

通过前?的案例演示，我们应该能猜到，同?个group中的消费者对于?个topic中的多个partition，存在?定的分区分配策略,每个消费者都可以设置??的分区分配策略，对于消费组??，会从各个消费者上报过来的分区分配策略中选举?个彼此都赞同的策略来实现整体的分区分配，这个"赞同"的规则请继续往下看。

在kafka中，存在三种分区分配策略，?种是Range(默认)、 另?种是RoundRobin（轮询）、StickyAssignor(粘性)。 在消费端中的ConsumerConfig中，通过这个属性来指定分区分配策略

public static final String PARTITION_ASSIGNMENT_STRATEGY_CONFIG = "partition.assignment.stra

RangeAssignor（范围分区）

Range策略是对每个主题??的，?先对同?个主题??的分区按照序号进?排序，并对消费者按照字?顺序进?排序。

假设n = 分区数／消费者数量 m= 分区数％消费者数量 , 那么前m个消费者每个分配n+1个分区，后?的（消费者数量-m)个消费者每个分配n个分区

假设我们有10个分区，3个消费者，排完序的分区将会是0, 1, 2, 3, 4, 5, 6, 7, 8, 9；消费者线程排完序将会是C1-0, C2-0, C3-0。然后将partitions的个数除于消费者线程的总数来决定每个消费者线程消费?个分区。如果除不尽，那么前??个消费者线程将会多消费?个分区。在我们的例???，我们有10个分区，3个消费者线程， 10 / 3 = 3，?且除不尽，那么消费者线程 C1-0 将会多消费?个分区.

结果看起来是这样的：

C1-0 将消费 0, 1, 2, 3 分区

C2-0 将消费 4, 5, 6 分区

C3-0 将消费 7, 8, 9 分区

假如我们有11个分区，那么最后分区分配的结果看起来是这样的：

C1-0 将消费 0, 1, 2, 3 分区

C2-0 将消费 4, 5, 6, 7 分区

C3-0 将消费 8, 9, 10 分区

假如我们有2个主题(T1和T2)，分别有10个分区，那么最后分区分配的结果看起来是这样的：

C1-0 将消费 T1主题的 0, 1, 2, 3 分区以及 T2主题的 0, 1, 2, 3分区

C2-0 将消费 T1主题的 4, 5, 6 分区以及 T2主题的 4, 5, 6分区

C3-0 将消费 T1主题的 7, 8, 9 分区以及 T2主题的 7, 8, 9分区

可以看出，C1-0 消费者线程?其他消费者线程多消费了2个分区，这种分配?式明显的?个问题是随着消费者订阅的Topic的数量的增加，不均衡的问题会越来越严重， 也就代表着C1-0这个消费者的消费能?会低于C2-0和C3-0消费者，导致的问题直接点说就是消费者的消费能?不平衡 ，所以最好的情况就是 partiton数?是consumer数?的整数倍,可以有效避免这个弊端。

RoundRobinAssignor（轮询分区）

轮询分区策略是把所有partition和所有consumer线程都列出来，然后按照hashcode进?排序，注意上?种range分区是针对每?个topic??的，?轮训分区是相对于所有的partition和consumer??的，最后通过轮询算法分配partition给消费线程。如果消费组内，所有消费者订阅的Topic列表是相同的（每个消费者都订阅了相同的Topic），那么分配结果是尽量均衡的（消费者之间分配到的分区数的差值不会超过1）。如果订阅的Topic列表是不同的，那么分配结果是不保证“尽量均衡”的，因为某些消费者不参与?些Topic的分配。

在我们的例???，假如按照 hashCode 排序完的topic-partitions组依次为T1-5, T1-3, T1-0, T1-8,

T1-2, T1-1, T1-4, T1-7, T1-6, T1-9，我们的消费者线程排序为C1-0, C1-1, C2-0, C2-1（c1和c2consumer group都订阅了t1），最后分区分配的结果为：

C1-0 将消费 T1-5, T1-2, T1-6 分区；

C1-1 将消费 T1-3, T1-1, T1-9 分区；

C2-0 将消费 T1-0, T1-4 分区；

C2-1 将消费 T1-8, T1-7 分区；

相对于RangeAssignor，在订阅多个Topic的情况下，RoundRobinAssignor的?式能消费者之间尽量均衡的分配到分区（分配到的分区数的差值不会超过1——RangeAssignor的分配策略可能随着订阅的Topic越来越多，差值越来越?）

对于订阅组内消费者订阅Topic不?致的情况：假设有三个消费者分别为C1-0、C2-0、C3-0，有3个Topic T1、T2、T3，分别拥有1、2、3个分区，并且C1-0订阅T1，C2-0订阅T1和T2，C3-0订阅T1、T2、T3，那么RoundRobinAssignor的分配结果如下：

看上去分配已经尽量的保证均衡了，不过可以发现C3-0承担了4个分区的消费?C2-0和C1-0都是承担?个分区,如果T2-1分配给c2-0，均衡性是不是更好呢？带个这个问题，继续下?的这次策略。

StrickyAssignor 分配策略

背景

尽管RoundRobinAssignor已经在RangeAssignor上做了?些优化来更均衡的分配分区，但是在?些情况下依旧会产?严重的分配偏差，?如消费组中订阅的Topic列表不相同的情况下。 更核?的问题是?论是RangeAssignor，还是RoundRobinAssignor，当前的分区分配算法都没有考虑上?次的分配结果 。显然，在执??次新的分配之前，如果能考虑到上?次分配的结果，尽量少的调整分区分配的变动，显然是能节省很多开销的。

kafka在0.11.x版本?持了StrickyAssignor, 翻译过来叫 粘性策略 ，可以理解为分配结果是带“粘性的”

——每?次分配变更相对上?次分配做最少的变动（上?次的结果是有粘性的），它主要有两个?的:

1. 分区的分配尽可能的均匀
2. 分区的分配尽可能和上次分配保持相同，也就是 rebalance 之后分区的分配尽量和之前的分区分配相同

当两者发?冲突时， 第 ? 个?标优先于第?个?标。 第?个?标是每个分配算法都尽量尝试去完成的，?第?个?标才真正体现出StickyAssignor特性的。

我们举俩个例?来体现StickyAssignor特性

第?个例?：所有consumer订阅的topic都相同的情况：

• 有3个Consumer：C0、C1、C2
• 有4个Topic：T0、T1、T2、T3，每个Topic有2个分区
• 所有Consumer都订阅了这4个分区

StickyAssignor的分配结果如下图所示（增加RoundRobinAssignor分配作为对?）：

上?的例?中，删除C1 consumerre然后balance，RoundRobin策略会将所有分区重新进??遍分配，可以看到变动较?，?Sticky模式原来分配给C0、C2的分区都没有发?变动，且最终C0、C1达到的均衡的?的，这就体现了 StickyAssignor策略的优越性 。

再举?个例?：所有consumer订阅的topic不相同的情况：

• 有3个Consumer：C0、C1、C2
• 3个Topic：T0、T1、T2，它们分别有1、2、3个分区
• C0订阅T0；C1订阅T0、T1；C2订阅T0、T1、T2

分配结果如下图所示：

?先在所有consumer订阅的topic不相同的情况下，可以看出StickyAssignor策略相?于

RoundRobin策略均衡性更好，体现了StickyAssignor策略的第?个特点： 分区的分配尽可能的均匀 ,看到这?也解决了我们上节留下的疑问。

其次是，在删除C0消费者进?rebalance之后,可以看出使?RoundRobin策略的分区会重新进??遍RoundRobin，?使?StickyAssignor策略的分区分配尽可能的和上次保持了最?变动。

以上俩个例?，完美体现了StickyAssignor策略的优越性。

rebalance触发的场景

在上?的例?中可以看到rebalance触发的场景?致有如下三种情况：

（1）Consumer增加或删除会触发 Consumer Group的Rebalance

（2）Broker的增加或者减少都会触发 Consumer Rebalance

（3）consumer在超过max.poll.interval.ms时间后没有再次poll的操作，kafka会认为该consumer宕机，也就会将该consumer踢出group，触发rebalance

谁来执?Rebalance以及管理consumer的group呢？

Kafka提供了?个??：coordinator来执?对于consumer group的管理，当consumer group的第?个consumer启动的时候，它会去和kafka server确定谁是它们组的coordinator。之后该group内的所有成员都会和该coordinator进?协调通信

如何确定coordinator

consumer group如何确定??的coordinator是谁呢, 消费者向kafka集群中的任意?个broker发送?个GroupCoordinatorRequest请求，服务端会返回?个负载最?的broker节点的id，并将该broker设置为coordinator

JoinGroup的过程

在rebalance之前，需要保证coordinator是已经确定好了的，整个rebalance的过程分为两个步骤， Join 和 Sync

join: 表示加?到consumer group中，在这?步中，所有的成员都会向coordinator发送joinGroup的请求。?旦所有成员都发送了joinGroup请求，那么coordinator会选择?个consumer担任leader??，并把组成员信息和订阅信息发送消费者

leader选举算法?较简单，如果消费组内没有leader，那么第?个加?消费组的消费者就是消费者leader，如果这个时候leader消费者退出了消费组，那么重新选举?个leader，这个选举很随意，类似于随机算法

protocol_metadata: 序列化后的消费者的订阅信息

leader_id： 消费组中的消费者，coordinator会选择?个座位leader，对应的就是member_id

member_metadata 对应消费者的订阅信息

members：consumer group中全部的消费者的订阅信息

generation_id： 年代信息，类似于之前讲解zookeeper的时候的epoch是?样的，对于每?轮

rebalance，generation_id都会递增。主要?来保护consumer group。隔离?效的offset提交。也就

是上?轮的consumer成员?法提交offset到新的consumer group中

每个消费者都可以设置??的分区分配策略，对于消费组??，会从各个消费者上报过来的分区分配策略中选举?个彼此都赞同的策略来实现整体的分区分配，这个"赞同"的规则是，消费组内的各个消费者会通过投票来决定

• 在joingroup阶段，每个consumer都会把???持的分区分配策略发送到coordinator
• coordinator?机到所有消费者的分配策略，组成?个候选集
• 每个消费者需要从候选集?找出?个???持的策略，并且为这个策略投票
• 最终计算候选集中各个策略的选票数，票数最多的就是当前消费组的分配策略

Synchronizing Group State阶段

完成分区分配之后，就进?了Synchronizing Group State阶段，主要逻辑是向GroupCoordinator发送SyncGroupRequest请求，并且处理SyncGroupResponse响应，简单来说，就是leader将消费者对应的partition分配?案同步给consumer group 中的所有consumer

每个消费者都会向coordinator发送syncgroup请求，不过只有leader节点会发送分配?案，其他消费者只是打打酱油?已。当leader把?案发给coordinator以后，coordinator会把结果设置到SyncGroupResponse中。这样所有成员都知道??应该消费哪个分区。

consumer group的分区分配?案是在客户端执?的！Kafka将这个权利下放给客户端主要是因为这样做可以有更好的灵活性

总结

我们再来总结?下consumer group rebalance的过程

? 对于每个consumer group?集，都会在服务端对应?个GroupCoordinator进?管理，GroupCoordinator会在zookeeper上添加watcher，当消费者加?或者退出consumer group时，会修改zookeeper上保存的数据，从?触发GroupCoordinator开始Rebalance操作

? 当消费者准备加?某个Consumer group或者GroupCoordinator发?故障转移时，消费者并不知道GroupCoordinator的在?络中的位置，这个时候就需要确定GroupCoordinator，消费者会向集群中的任意?个Broker节点发送ConsumerMetadataRequest请求，收到请求的broker会返回?个response作为响应，其中包含管理当前ConsumerGroup的GroupCoordinator，

? 消费者会根据broker的返回信息，连接到groupCoordinator，并且发送HeartbeatRequest，发送?跳的?的是要要奥噶苏GroupCoordinator这个消费者是正常在线的。当消费者在指定时间内没有发送?跳请求，则GroupCoordinator会触发Rebalance操作。

? 发起join group请求，两种情况

如果GroupCoordinator返回的?跳包数据包含异常，说明GroupCoordinator因为前?说的?种情况导致了Rebalance操作，那这个时候，consumer会发起join group请求新加?到consumer group的consumer确定好了GroupCoordinator以后消费者会向GroupCoordinator发起join group请求，GroupCoordinator会收集全部消费者信息之后，来确认可?的消费者，并从中选取?个消费者成为group_leader。并把相应的信息（分区分配策略、leader_id、…）封装成response返回给所有消费者，但是只有group leader会收到当前consumergroup中的所有消费者信息。当消费者确定??是group leader以后，会根据消费者的信息以及选定分区分配策略进?分区分配接着进?Synchronizing Group State阶段，每个消费者会发送SyncGroupRequest请求到GroupCoordinator，但是只有Group Leader的请求会存在分区分配结果，GroupCoordinator会根据Group Leader的分区分配结果形成SyncGroupResponse返回给所有的Consumer。consumer根据分配结果，执?相应的操作

到这?为?，我们已经知道了消息的发送分区策略，以及消费者的分区消费策略和rebalance。对于应?层?来说，还有?个最重要的东?没有讲解，就是offset，他类似?个游标，表示当前消费的消息的位置。

如何保存消费端的消费位置

什么是offset

前?在讲解partition的时候，提到过offset， 每个topic可以划分多个分区（每个Topic?少有?个分区），同?topic下的不同分区包含的消息是不同的。每个消息在被添加到分区时，都会被分配?个offset（称之为偏移量），它是消息在此分区中的唯?编号，kafka通过offset保证消息在分区内的顺序，offset的顺序不跨分区，即kafka只保证在同?个分区内的消息是有序的； 对于应?层的消费来说，每次消费?个消息并且提交以后，会保存当前消费到的最近的?个offset。那么offset保存在哪?？

offset在哪?维护？

在kafka中，提供了?个consumer_offsets_* 的?个topic，把offset信息写?到这个topic中。

consumer_offsets——按保存了每个consumer group某?时刻提交的offset信息。

__consumer_offsets 默认有50个分区。

根据前?我们演示的案例，我们设置了?个KafkaConsumerDemo的groupid。?先我们需要找到这个consumer_group保存在哪个分区中

properties.put(ConsumerConfig.GROUP_ID_CONFIG,"KafkaConsumerDemo");

计算公式:

Math.abs(“groupid”.hashCode())%groupMetadataTopicPartitionCount ; 由于默认情况下

groupMetadataTopicPartitionCount有50个分区，计算得到的结果为:35, 意味着当前的

consumer_group的位移信息保存在__consumer_offsets的第35个分区

执?如下命令，可以查看当前consumer_goup中的offset位移提交的信息

kafka-console-consumer.sh --topic __consumer_offsets --partition 15 --bootstrap-server 192.1
--formatter
'kafka.coordinator.group.GroupMetadataManager$OffsetsMessageFormatter'

从输出结果中，我们就可以看到test这个topic的offset的位移?志

分区的副本机制

我们已经知道Kafka的每个topic都可以分为多个Partition，并且 同?topic的多个partition会均匀分布在集群的各个节点下 。虽然这种?式能够有效的对数据进?分?，但是对于每个partition来说，都是单点的，当其中?个partition不可?的时候，那么这部分消息就没办法消费。所以kafka为了提?partition的可靠性?提供了副本的概念（Replica）,通过副本机制来实现冗余备份。

每个分区可以有多个副本，并且在副本集合中会存在?个leader的副本，所有的读写请求都是由leader副本来进?处理。剩余的其他副本都作为follower副本，follower副本会从leader副本同步消息?志, 和redis cluster中的节点概念相同,leader副本为redis cluster中的主节点，follower副本为redis cluster中的备节点 。

?般情况下，同?个分区的多个副本会被均匀分配到集群中的不同broker上，当leader副本所在的broker出现故障后，可以重新选举新的leader副本继续对外提供服务。通过这样的副本机制来提?kafka集群的可?性。

创建?个带副本机制的topic

通过下?的命令去创建带2个副本的topic

sh kafka-topics.sh --create --zookeeper 192.168.11.156:2181 --replication-factor 3 --partiti

然后我们可以在/tmp/kafka-log路径下看到对应topic的副本信息了。我们通过?个图形的?式来表达。

针对secondTopic这个topic的3个分区对应的3个副本

通常follower副本和leader副本不会在同?个broker上，这种是为了保证当leader副本所在broker宕机后，follower副本可继续提供服务。

如何知道哪个各个分区中对应的leader是谁呢？

在zookeeper服务器上，通过如下命令去获取对应分区的信息, ?如下?这个是获取secondTopic第1个分区的状态信息。

get /brokers/topics/secondTopic/partitions/1/state

{"controller_epoch":12,"leader":0,"version":1,"leader_epoch":0,"isr":[0,1]} 或通过这个命令

sh kafka-topics.sh --zookeeper 192.168.13.106:2181 --describe --topic test_partition

leader表示当前分区的leader是那个broker-id。下图中。绿?线条的表示该分区中的leader节点。其他节点就为follower

需要注意的是，kafka集群中的?个broker中最多只能有?个副本，leader副本所在的broker节点的分区叫leader节点，follower副本所在的broker节点的分区叫follower节点

副本的leader选举机制

Kafka提供了数据复制算法保证，如果leader副本所在的broker节点宕机或者出现故障，或者分区的leader节点发?故障，这个时候怎么处理呢？

那么，kafka必须要保证从follower副本中选择?个新的leader副本。那么kafka是如何实现选举的呢？

要了解leader选举，我们需要了解?个概念

Kafka分区下有可能有很多个副本(replica)?于实现冗余，从?进?步实现?可?。副本根据??的不同，可分为3类：

• leader副本：响应clients端读写请求的副本
• follower副本：被动地备份leader副本中的数据，不能响应clients端读写请求。
• ISR副本：Zookeeper中为每?个partition动态的维护了?个ISR，这个ISR?的所有replica都跟上了leader，只有ISR?的成员才能有被选为leader的可能，ISR副本包含了leader副本和所有与leader副本 保持同步 的follower副本,注意是和 保持同步 ,不包含和leader副本 没保持同步 的follower副本

副本协同机制

刚刚提到了，消息的读写操作都只会由leader节点来接收和处理。follower副本只负责同步数据以及

当leader副本所在的broker挂了以后，会从ISR副本中的follower副本中选取新的leader。

写请求?先由Leader副本处理，之后follower副本会从leader上拉取写?的消息，这个过程会有?定的延迟，导致follower副本中保存的消息略少于leader副本，但是只要没有超出阈值都可以容忍。但是如果?个follower副本出现异常，?如宕机、?络断开等原因?时间没有同步到消息，那这个时候，leader就会把它踢出去。kafka通过ISR集合来维护?个分区副本信息。

?个新leader被选举并被接受客户端的消息成功写?。Kafka确保从同步副本列表中选举?个副本为leader；leader负责维护和跟踪ISR(in-Sync replicas ， 副本同步队列)中所有follower滞后的状态。

当producer发送?条消息到broker后，leader写?消息并复制到所有follower。消息提交之后才被成功复制到所有的同步副本。

ISR

ISR表示?前 可?且消息量与leader相差不多的副本集合，这是整个副本集合的?个?集 。怎么去理解可?和相差不多这两个词呢？具体来说，ISR集合中的副本必须满?两个条件：

• 副本所在节点必须维持着与zookeeper的连接
• 副本最后?条消息的offset与leader副本的最后?条消息的offset之间的差值不能超过指定的阈值。(replica.lag.time.max.ms) replica.lag.time.max.ms：如果该follower在此时间间隔内?直没有追上过leader的所有消息，则该follower就会被剔除isr列表,ISR数据保存在Zookeeper的 /brokers/topics/<topic>/partitions/<partitionId>/state 节点中。

follower副本把leader副本前的?志全部同步完成时，则认为follower副本已经追赶上了leader副本，这个时候会更新这个副本的lastCaughtUpTimeMs标识，kafka副本管理器会启动?个副本过期检查的定时任务，这个任务会定期检查当前时间与副本的lastCaughtUpTimeMs的差值是否?于参数replica.lag.time.max.ms 的值，如果?于，则会把这个副本踢出ISR集合。

如何处理所有的Replica不?作的情况，也可以理解为leader的选举

在ISR中?少有?个follower时，Kafka可以确保已经commit的数据不丢失，但如果某个Partition的所有Replica都宕机了，就?法保证数据不丢失了。这种情况下有两种可?的?案：

1. N. 等待ISR中的任?个Replica“活”过来，并且选它作为Leader
2. O. 选择第?个“活”过来的Replica（不?定是ISR中的）作为Leader，默认配置。

这就需要在可?性和?致性当中作出?个简单的折中。

如果?定要等待ISR中的Replica“活”过来，那不可?的时间就可能会相对较?。?且如果ISR中的所有Replica都?法“活”过来了，或者数据都丢失了，这个Partition将永远不可?。

选择第?个“活”过来的Replica作为Leader，?这个Replica不是ISR中的Replica，那即使它并不保证已经包含了所有已commit的消息，它也会成为Leader?作为consumer的数据源（所有读写都由Leader完成）。

默认情况下Kafka采?第?种策略，即 unclean.leader.election.enable=true ，也可以将此参数设置为 false 来启?第?种策略。

副本数据同步原理

了解了副本的协同过程以后，还有?个最重要的机制，就是数据的同步过程。

下图中，深红?部分表示test_replica分区的leader副本，另外两个节点上浅?部分表示follower副本

Producer在发布消息到某个Partition时

1. 先通过ZooKeeper找到该Partition的Leader get /brokers/topics/<topic>/partitions/2/state ，然后?论该Topic的Replication Factor为多少（也即该Partition有多少个Replica），Producer只将该消息发送到该Partition的Leader。
2. Leader会将该消息写?其本地Log。每个Follower都从Leader pull数据。这种?式上，Follower存储的数据顺序与Leader保持?致。
3. Follower在收到该消息并写?其Log后，向Leader发送ACK。
4. ?旦Leader收到了ISR中的所有Replica的ACK，该消息就被认为已经commit了，Leader将增加HW(HighWatermark)并且向Producer发送ACK。

LEO：即?志末端位移(log end offset)，记录了该副本底层?志(log)中下?条消息的位移值。注意是下?条消息！也就是说，如果LEO=10，那么表示该副本保存了10条消息，位移值范围是[0, 9]。另外，leader LEO和follower LEO的更新是有区别的，可以看出leader副本和follower副本都有LEO。

HW：即所有follower副本中相对于leader副本最?的LEO值。HW是相对leader副本??的，其HW值不会?于LEO值。?于等于HW值的所有消息都被认为是“已备份”的（replicated）。同理，leader副本和follower副本的HW更新是有区别的

通过下?这幅图来表达LEO、HW的含义，随着follower副本不断和leader副本进?数据同步，follower副本的LEO主键会后移并且追赶到leader副本，这个追赶上的判断标准是当前副本的LEO是否?于或者等于leader副本的HW，如果follower在 replica.lag.time.max.ms 时间范围内追赶上了leader副本，该follower副本则加?到ISR副本内，也可以使得之前被踢出的follower副本重新加?到ISR集合中；如果在 replica.lag.time.max.ms 时间范围内follower副本没追赶上leader副本，该follower副本会被从ISR副本范围内踢出,可以看出 ISR副本是?个由zookerper动态监控的变化的副本 。另外， 假如说下图中的最右侧的follower副本被踢出ISR集合，也会导致这个分区的HW发?变化，变成了3

数据可靠性和持久性保证

producer数据不丢失

当producer向leader发送数据时，可以通过 request.required.acks 参数来设置数据可靠性的级别：

1、request.required.acks=0，producer写?的?条消息会?即返回ack确认消息，不管leader副本是否同步完或者ISR中的follower副本是否同步完，此配置丢失数据?险很?，?产环境很少使?。

2、request.required.acks=1（默认配置）

producer写?的?条消息后会等到leader副本同步完成(不需要等到ISR内的follower副本同步完成)后?即返回给客户端ack消息。该配置的?险是如果ISR内的follower副本还没有完成信息同步时，leader节点宕机了，然后通过选举?个follower副本做为新的节点，此时就会有数据丢失的问题，相当于mysql的主从同步，优点就是可?性强，缺点就是弱?致性，可能造成数据丢失。

3、request.required.acks=-1

producer写?的? 条消息需要等到分区的leader 副本完成同步，且需要等待 ISR集合中的所有follower副本都同步完 之后才能返回producer确认的ack,这样就避免了部分数据被写进了leader，还没来得及被任何follower复制就宕机了，?造成数据丢失,类似于强?致性，追求强?致性也就意味着可?性(响应时间)会降低。设置成-1就可以保证写?的数据不丢失了吗？不?定，`?如当ISR中只有leader副本时（前?ISR那?节讲到，ISR副本中的成员由于某些情况会增加也会减少，最少就只剩?个leader），当leader副本宕机后，所有数据丢失。

为了避免数据的丢失，提?可靠性，避免ISR副本中只有?个leader副本情况的发?，可以使?参数min.insync.replicas 来约束，该参数的意思是 设定ISR中的最?副本数是多少,总数包含leader副本和follower副本之和 ，如果ISR中的副本数不够参数 min.insync.replicas 所设定的值，客户端会返回异常。

如果由于?络原因导致producer push数据失败了，我们可以设置 retries 参数来进?重试，总结：

producer消息不丢失需要下?3中措施

1. request.required.acks=-1
2. 设置min.insync.replicas参数
3. 设置retries参数

broker数据不丢失

上?已经介绍过 unclean.leader.election.enable=false 参数。

这?设置 unclean.leader.election.enable=false ,表示：如果ISR副本全部宕机后， 等到ISR副本中的??个副本启动之后，并将他作为leader副本.

consumer数据不丢失

enable.auto.commit 该参数默认为true，表明consumer在下次poll消息时?动提交上次poll出的所有消息的消费位移，如果设置为false,则需要?户?动提交?动提交所有消息的消费位移。

消息重复消费和消息丢失的场景

当 enable.auto.commit设置为true的时候会有消息重复消费和消息丢失的场景。

当应?端消费消息时，还没有提交消费位移的时候，此时kafka出现宕机，那么在kafka恢复之后，这些消息将会重新被消费?遍，这就造成了重复消费。

?如consumer第?次poll出n条消息进?消费，达到auto.commit.interval.ms时间后，cosumer会进?下?次poll并提交上次poll出的n条消息的消费位移。如果第?次poll出的n条消息客户端还没有消费完，此时客户端宕机了，当客户端重启后，将会从第?次poll的位置开始拉取消息，从?丢失第?次未提交消费位移的消息，这就造成了数据丢失。

只能避免数据丢失?不能解决数据重复

当设置enable.auto.commit为false时，所有的消息位移提交都为?动提交了，所有可以避免上?提到的数据丢失问题，可以保证consumer消息时数据不会丢失。

?动提交有同步提交和异步提交，我们可以选择在应?端处理完消息后?动提交消费位移。如果在消费完消息准备提交消息位移的时候，应?端发?了宕机，那么重启之后这些消息还是会被重新消费?遍，所以通过配置 enable.auto.commit参数为false只能避免消费端丢失消息?不能避免消费端重复消费消息.

Kafka消费者push消息的模式

Kafka的发送模式由producer端的配置参数 producer.type 来设置，这个参数指定了在后台线程中消息的发送?式是同步的还是异步的，默认是同步的?式，即 producer.type=sync 。如果设置成异步的模式，即 producer.type=async ，可以是producer以 batch 的形式push数据，就是将消息按批量的?式发送，?不是?条?条的发送，这样会极?的提?broker的性能，但是这样会增加丢失数据的?险。 如果需要确保消息的可靠性，必须要将producer.type设置为sync。

?可靠性配置

要保证数据写?到Kafka是安全的，?可靠的，需要如下的配置：

分区副本， 你可以创建分区副本来提升数据的可靠性，避免数据丢失，但是分区数过多也会带来性能上的开销，?般来说，3个副本就能满?对?部分场景的可靠性要求

topic的配置：replication.factor>=3,指 副本数 ?少是3个； 2<=min.insync.replicas<=replication.factor,指 ISR中的副本数 ?于等于2，且?于等于3

broker的配置：leader的选举条件unclean.leader.election.enable=false

producer的配置：request.required.acks=-1(all)，producer.type=sync

消息的存储，消息的持久化

消息发送端发送消息到broker上以后，消息是如何持久化的呢？那么接下来去分析下消息的存储?先我们需要了解的是，kafka是使??志?件的?式来保存?产者和发送者的消息，每条消息都有?个offset值来表示它在分区中的偏移量。Kafka中存储的?般都是海量的消息数据，为了避免?志?件过?，Log并不是直接对应在?个磁盘上的?志?件，?是对应磁盘上的?个?录，这个?录的命名规则是<topic_name>_<partition_id>

消息的?件存储机制

?个topic的多个partition在物理磁盘上的保存路径，路径保存在 /tmp/kafka-logs/topic_partition，包含?志?件、索引?件和时间索引?件

kafka是通过分段的?式将Log分为多个LogSegment，LogSegment是?个逻辑上的概念，?个LogSegment对应磁盘上的?个?志?件和?个索引?件，其中?志?件是?来记录消息的。索引?件是?来保存消息的索引。那么这个LogSegment是什么呢？

LogSegment

假设kafka以partition为最?存储单位，那么我们可以想象当kafka producer不断发送消息，必然会引起partition?件的?线扩张，这样对于消息?件的维护以及被消费的消息的清理带来?常?的挑战，所以kafka 以segment为单位?把partition进?细分。每个partition相当于?个巨型?件被平均分配到多个??相等的segment数据?件中（每个segment?件中的消息不?定相等），这种特性?便已经被消费的消息的清理，提?磁盘的利?率。

• log.segment.bytes=107370 (设置分段??),默认是1gb，我们把这个值调?以后，可以看到?志分段的效果
• 抽取其中3个分段来进?分析

segment file由2?部分组成，分别为index file和data file，此2个?件??对应，成对出现，后缀".index"和“.log”分别表示为segment索引?件、数据?件.

segment?件命名规则：partion全局的第?个segment从0开始，后续每个segment?件名为上?个segment?件最后?条消息的offset值进?递增。数值最?为64位long??，20位数字字符?度，没有数字?0填充

查看segment?件命名规则

通过下?这条命令可以看到kafka消息?志的内容

sh kafka-run-class.sh kafka.tools.DumpLogSegments --files /tmp/kafka-logs/test-0/00000000000

假如第?个log?件的最后?个offset为:5376,所以下?个segment的?件命名为:

00000000000000005376.log。对应的index为00000000000000005376.index

segment中index和log的对应关系

从所有分段中，找?个分段进?分析为了提?查找消息的性能，为每?个?志?件添加2个索引索引?件：OffsetIndex 和 TimeIndex，分别对应.index以及.timeindex, TimeIndex索引?件格式：它是映射时间戳和相对offset，查看索引内容：

sh kafka-run-class.sh kafka.tools.DumpLogSegments --files /tmp/kafka-logs/test-0/00000000000

如图所示，index中存储了索引以及物理偏移量。 log存储了消息的内容。索引?件的元数据执?对应数据?件中message的物理偏移地址。举个简单的案例来说，以[4053,80899]为例，在log?件中，对应的是第4053条记录，物理偏移量（position）为80899. position是ByteBuffer的指针位置

在partition中如何通过offset查找message

查找的算法是

1. 根据offset的值，查找segment段中的index索引?件。由于索引?件命名是以上?个?件的最后?个offset进?命名的，所以，使??分查找算法能够根据offset快速定位到指定的索引?件。

2. 找到索引?件后，根据offset进?定位，找到索引?件中的符合范围的索引。（kafka采?稀疏索引的?式来提?查找性能）

3. 得到position以后，再到对应的log?件中，从position出开始查找offset对应的消息，将每条消息的offset与?标offset进??较，直到找到消息

?如说，我们要查找offset=2490这条消息，那么先找到00000000000000000000.index, 然后找到[2487,49111]这个索引，再到log?件中，根据49111这个position开始查找，?较每条消息的offset是否?于等于2490。最后查找到对应的消息以后返回

Log?件的消息内容分析

前?我们通过kafka提供的命令，可以查看?进制的?志?件信息，?条消息，会包含很多的字段。

offset和position这两个前?已经讲过了、 createTime表示创建时间、keysize和valuesize表示key和value的??、 compresscodec表示压缩编码、payload:表示消息的具体内容

?志的清除策略以及压缩策略

?志清除策略

前?提到过，?志的分段存储，???能够减少单个?件内容的??，另???，?便kafka进??志清理。?志的清理策略有两个:

1. 根据消息的保留时间，当消息在kafka中保存的时间超过了指定的时间，就会触发清理过程

2. 根据topic存储的数据??，当topic所占的?志?件???于?定的阀值，则可以开始删除最旧的消息。kafka会启动?个后台线程，定期检查是否存在可以删除的消息

通过log.retention.bytes和log.retention.hours这两个参数来设置，当其中任意?个达到要求，都会执?删除。默认的保留时间是：7天

?志压缩策略

Kafka还提供了“?志压缩（Log Compaction）”功能，通过这个功能可以有效的减少?志?件的??，缓解磁盘紧张的情况，在很多实际场景中，消息的key和value的值之间的对应关系是不断变化的，就像数据库中的数据会不断被修改?样，消费者只关?key对应的最新的value。因此，我们可以开启kafka的?志压缩功能，服务端会在后台启动启动Cleaner线程池，定期将相同的key进?合并，只保留最新的value值。?志的压缩原理是

磁盘存储的性能问题

磁盘存储的性能优化

我们现在?部分企业仍然?的是机械结构的磁盘，如果把消息以随机的?式写?到磁盘，那么磁盘?先要做的就是寻址，也就是定位到数据所在的物理地址，在磁盘上就要找到对应的柱?、磁头以及对应的扇区；这个过程相对内存来说会消耗?量时间，为了规避随机读写带来的时间消耗，kafka采?顺序写的?式存储数据。即使是这样，但是频繁的I/O操作仍然会造成磁盘的性能瓶颈

零拷?

消息从发送到落地保存，broker维护的消息?志本身就是?件?录，每个?件都是?进制保存，?产者和消费者使?相同的格式来处理。在消费者获取消息时，服务器先从硬盘读取数据到内存，然后把内存中的数据原封不动的通过socket发送给消费者。虽然这个操作描述起来很简单，但实际上经历了很多步骤。

操作系统将数据从磁盘读?到内核空间的?缓存：

? 应?程序将数据从内核空间读?到?户空间缓存中

? 应?程序将数据写回到内核空间到socket缓存中

? 操作系统将数据从socket缓冲区复制到?卡缓冲区，以便将数据经?络发出

通过“零拷?”技术，可以去掉这些没必要的数据复制操作，同时也会减少上下?切换次数。现代的unix操作系统提供?个优化的代码路径，?于将数据从?缓存传输到socket；在Linux中，是通过sendfile系统调?来完成的。Java提供了访问这个系统调?的?法：FileChannel.transferTo API使?sendfile，只需要?次拷?就?，允许操作系统将数据直接从?缓存发送到?络上。所以在这个优化的路径中，只有最后?步将数据拷?到?卡缓存中是需要的

?缓存

?缓存是操作系统实现的?种主要的磁盘缓存，但凡设计到缓存的，基本都是为了提升i/o性能，所以?缓存是?来减少磁盘I/O操作的。

磁盘?速缓存有两个重要因素：

第?，访问磁盘的速度要远低于访问内存的速度，若从处理器L1和L2?速缓存访问则速度更快。

第?，数据?旦被访问，就很有可能短时间内再次访问。正是由于基于访问内存?磁盘快的多，所以磁盘的内存缓存将给系统存储性能带来质的?越。

当 ? 个进程准备读取磁盘上的?件内容时， 操作系统会先查看待读取的数据所在的?(page)是否在?缓存(pagecache)中，如果存在（命中）则直接返回数据， 从?避免了对物理磁盘的I/0操作；如果没有命中， 则操作系统会向磁盘发起读取请求并将读取的数据?存??缓存， 之后再将数据返回给进程。

同样，如果 ? 个进程需要将数据写?磁盘， 那么操作系统也会检测数据对应的?是否在?缓存中，如果不存在， 则会先在?缓存中添加相应的?， 最后将数据写?对应的?。 被修改过后的?也就变成了脏?， 操作系统会在合适的时间把脏?中的数据写?磁盘， 以保持数据的 ? 致性Kafka中?量使?了?缓存， 这是Kafka实现?吞吐的重要因素之 ? 。 虽然消息都是先被写??缓存，然后由操作系统负责具体的刷盘任务的， 但在Kafka中同样提供了同步刷盘及间断性强制刷盘(fsync),可以通过 log.flush.interval.messages 和 log.flush.interval.ms 参数来控制。

同步刷盘能够保证消息的可靠性，避免因为宕机导致?缓存数据还未完成同步时造成的数据丢失。但是实际使?上，我们没必要去考虑这样的因素以及这种问题带来的损失，消息可靠性可以由多副本来解决，同步刷盘会带来性能的影响。 刷盘的操作由操作系统去完成即可