什么是Kafka？

通过Kafka的快速入门 https://www.cnblogs.com/tree1123/p/11150927.html

能了解到Kafka的基本部署，使用，但他和其他的消息中间件有什么不同呢？

Kafka的基本原理，术语，版本等等都是怎么样的？到底什么是Kafka呢？

一、Kafka简介

http://kafka.apache.org/intro

2011年，LinkIn开源， November 1, 2017 1.0版本发布 July 30, 2018 2.0版本发布

参考官网的图：

Kafka®用于构建实时数据管道和流式应用程序。它具有水平可扩展性、容错性、速度极快，并在数千家公司投入生产。

kafka官网最新的定义：Apache Kafka® is a distributed streaming platform

也就是分布式流式平台。

介绍：

三个特点：

• Publish and subscribe to streams of records, similar to a message queue or enterprise messaging system.
• Store streams of records in a fault-tolerant durable way.
• Process streams of records as they occur.

消息 持久化 流处理

两类应用：

• Building real-time streaming data pipelines that reliably get data between systems or applications

• Building real-time streaming applications that transform or react to the streams of data

  实时流数据管道 实时流应用程序

  ​

  几个概念

  • Kafka is run as a cluster on one or more servers that can span multiple datacenters.

  • The Kafka cluster stores streams of records in categories called topics.

  • Each record consists of a key, a value, and a timestamp

  集群 topic record

  ​

  四个核心api

  • The Producer API allows an application to publish a stream of records to one or more Kafka topics.
  • The Consumer API allows an application to subscribe to one or more topics and process the stream of records produced to them.
  • The Streams API allows an application to act as a stream processor, consuming an input stream from one or more topics and producing an output stream to one or more output topics, effectively transforming the input streams to output streams.
  • The Connector API allows building and running reusable producers or consumers that connect Kafka topics to existing applications or data systems. For example, a connector to a relational database might capture every change to a table.

  Producer API Consumer API Streams API Connector API

  ​

客户端服务器通过tcp协议 支持多种语言

主题和日志

一个主题可以有零个，一个或多个消费者订阅写入它的数据

对于每个主题，Kafka群集都维护一个分区日志

每个分区都是一个有序的，不可变的记录序列，不断附加到结构化的提交日志中。

分区中的记录每个都被分配一个称为偏移的顺序ID号，它唯一地标识分区中的每个记录。

Kafka集群持久地保留所有已发布的记录 - 无论它们是否已被消耗 - 使用可配置的保留期。可以配置这个时间。

Kafka的性能在数据大小方面实际上是恒定的，因此长时间存储数据不是问题。

每个消费者保留的唯一元数据是该消费者在日志中的偏移或位置。

这种偏移由消费者控制：通常消费者在读取记录时会线性地提高其偏移量，但事实上，由于消费者控制位置，它可以按照自己喜欢的任何顺序消费记录。例如，消费者可以重置为较旧的偏移量以重新处理过去的数据，或者跳到最近的记录并从"现在"开始消费。

这使得消费者特别容易使用。

生产者：

生产者将数据发布到他们选择的主题。

为了负载均衡，可以选择多个分区。

消费者：

消费者组

传统的消息队列 发布订阅 都有弊端

队列可以扩展但不是多用户，发布订阅每条消费发给每个消费者，无法扩展。

但是kafka这个模式 解决了这些问题

kafka确保使用者是该分区的唯一读者并按顺序使用数据，由于有许多分区，这仍然可以

平衡许多消费者实例的负载。

作为存储系统

作为流处理系统

二、常见使用

http://kafka.apache.org/uses

消息

Kafka可以替代更传统的消息代理。消息代理的使用有多种原因（将处理与数据生成器分离，缓冲未处理的消息等）。与大多数消息传递系统相比，Kafka具有更好的吞吐量，内置分区，复制和容错功能，这使其成为大规模消息处理应用程序的理想解决方案。

根据我们的经验，消息传递的使用通常相对较低，但可能需要较低的端到端延迟，并且通常取决于Kafka提供的强大的耐用性保证。

在这个领域，Kafka可与传统的消息传递系统（如ActiveMQ或 RabbitMQ）相媲美。

网站活动跟踪

站点活动（页面查看，搜索或用户可能采取的其他操作）发布到中心主题，每个活动类型包含一个主题。实时处理，实时监控以及加载到Hadoop或离线数据仓库系统以进行离线处理和报告。

度量

Kafka通常用于运营监控数据。

日志聚合

许多人使用Kafka作为日志聚合解决方案的替代品。日志聚合通常从服务器收集物理日志文件，并将它们放在中央位置（可能是文件服务器或HDFS）进行处理。Kafka抽象出文件的细节，并将日志或事件数据更清晰地抽象为消息流。

流处理

从0.10.0.0开始，这是一个轻量级但功能强大的流处理库，名为Kafka Streams

三、官方文档-核心机制

http://kafka.apache.org/documentation/

简介 使用 快速入门 都已经学习过了

生态：这里有一些kafka的生态，各种Connector 可以直接连接数据库 es等等 还可以连接其他的流处理 还有各种管理工具

confluent公司 专门做kafka的生态

https://cwiki.apache.org/confluence/display/KAFKA/Ecosystem

kafka connect stream management

kafka考虑的几个问题：

吞吐量： 用到了page cache 并不是硬盘读写

消息持久化： 这个还是靠他独特的offset设计

负载均衡：分区副本机制

由于应用 零拷贝技术 客户端应用epoll 所以kafka部署在linux上性能更高。

消息：kafka的消息由 key value timestamp组成 消息头里定义了一些压缩 版本号的信息

crc 版本号 属性 时间戳 长度 key长度 key value长度 value

用的是二进制 不用java类

topic和partition：

这是kafka最核心，也是最重要的机制，这个机制让他区别于其他。

offset是指某一个分区的偏移量。

topic partition offset 这三个唯一确定一条消息。

生产者的offset其实就是最新的offset。

消费者的offset是他自己维护的，他可以选择分区最开始，最新，也可以记住他消费到哪了。

消费者数大于分区，就会有消费者空着。 消费者数小于分区，就会均衡消费。

因为kafka的设计是在一个partition上是不允许并发的，所以consumer数不要大于partition数 ，浪费。

如果consumer从多个partition读到数据，不保证数据间的顺序性，kafka只保证在一个partition上数据是有序的，但多个partition，根据你读的顺序会有不同。

增减consumer，broker，partition会导致rebalance，所以rebalance后consumer对应的partition会发生变化 。

消费者组是为了不同组的消费者可以同时消费一个分区的消息。

replica

这是为了防止服务器挂掉。

分为两类 leader replica 和 follow replica

只有 leader replica会响应客户端。

一旦leader replica所在的broker宕机，会选出新的leader。

kafka保证一个partition的多个replica一定不会分配到同一台broker上。

follow与leader实时同步。

ISR

in-sync replica 与leader replica保持同步的replica集合

正常时，所有的replica都在ISR中，但如果响应太慢，就会踢出ISR。之后追上来再加进来。

ISR中至少有一个replica是活着的。

ISR中所有replica都收到消息，这个消息才是已提交状态。

更多实时计算相关技术博文，欢迎关注实时流式计算