1.0 Kafka简介

2016-03-01 21:17:47 27,326 1

QQ截图20170918231146.jpg

Kafka是一种高吞吐量的分布式发布订阅消息系统,使用Scala编写。

对于熟悉JMS(Java Message Service)规范的同学来说,消息系统已经不是什么新概念了(例如ActiveMQ,RabbitMQ等)。

Kafka拥有作为一个消息系统应该具备的功能,但是确有着独特的设计。可以这样来说,Kafka借鉴了JMS规范的思想,但是确并没有完全遵循JMS规范。

读者在学习本教程时,并不需要知道JMS规范,因为所有的概念都会进行详细的介绍。当然,如果知道,那么将会更加容易理解。

1.1 简介

kafka是一个分布式的,分区的消息(官方称之为commit log)服务。它提供一个消息系统应该具备的功能,但是确有着独特的设计。

首先,让我们来看一下基础的消息(Message)相关术语:

    Topic: Kafka按照Topic分类来维护消息

    Producer: 我们将发布(publish)消息到Topic的进程称之为生产者(producer)

    Consumer: 我们将订阅(subscribe)Topic并且处理Topic中消息的进程称之为消费者(consumer)

    Broker: Kafka以集群的方式运行,集群中的每一台服务器称之为一个代理(broker)。

因此,从一个较高的层面上来看,producers通过网络发送消息到Kafka集群,然后consumers来进行消费,如下图:

Image.png

服务端(brokers)和客户端(producer、consumer)之间通信通过TCP协议来完成。我们为Kafka提供了一个Java客户端,但是也可以使用其他语言编写的客户端。

Topic和Log

让我们首先深入理解Kafka提出一个高层次的抽象概念-Topic。

可以理解Topic是一个类别的名称,所有的message发送到Topic下面。对于每一个Topic,kafka集群按照如下方式维护一个分区(Partition,可以将消息就理解为一个队列Queue)日志文件:

Image.png

partition是一个有序的message序列,这些message按顺序添加到一个叫做commit log的文件中。每个partition中的消息都有一个唯一的编号,称之为offset,用来唯一标示某个分区中的message。

提示:每个partition,都对应一个commit-log。一个partition中的message的offset都是唯一的,但是不同的partition中的message的offset可能是相同的。

kafka集群,在配置的时间范围内,维护所有的由producer生成的消息,而不管这些消息有没有被消费。例如日志保留( log retention )时间被设置为2天。kafka会维护最近2天生产的所有消息,而2天前的消息会被丢弃。kafka的性能与保留的数据量的大小没有关系,因此保存大量的数据(日志信息)不会有什么影响。

每个consumer是基于自己在commit log中的消费进度(offset)来进行工作的。在kafka中,offset由consumer来维护:一般情况下我们按照顺序逐条消费commit log中的消息,当然我可以通过指定offset来重复消费某些消息,或者跳过某些消息。

这意味kafka中的consumer对集群的影响是非常小的,添加一个或者减少一个consumer,对于集群或者其他consumer来说,都是没有影响的,因此每个consumer维护各自的offset。

对log进行分区(partitioned),有以下目的。首先,当log文件大小超过系统文件系统的限制时,可以自动拆分。每个partition对应的log都受到所在机器的文件系统大小的限制,但是一个Topic中是可以有很多分区的,因此可以处理任意数量的数据。另一个方面,是为了提高并行度。

Distribution

log的partitions分布在kafka集群中不同的broker上,每个broker可以请求备份其他broker上partition上的数据。kafka集群支持配置一个partition备份的数量。

针对每个partition,都有一个broker起到“leader”的作用,0个多个其他的broker作为“follwers”的作用。leader处理所有的针对这个partition的读写请求,而followers被动复制leader的结果。如果这个leader失效了,其中的一个follower将会自动的变成新的leader。每个broker都是自己所管理的partition的leader,同时又是其他broker所管理partitions的followers,kafka通过这种方式来达到负载均衡

Producers

生产者将消息发送到topic中去,同时负责选择将message发送到topic的哪一个partition中。通过round-robin做简单的负载均衡。也可以根据消息中的某一个关键字来进行区分。通常第二种方式使用的更多。

Consumers

传统的消息传递模式有2种:队列( queuing)和( publish-subscribe)。

在queuing模式中,多个consumer从服务器中读取数据,消息只会到达一个consumer。在 publish-subscribe 模型中,消息会被广播给所有的consumer。Kafka基础基本这2种模式提供了一种consumer的抽象概念:consumer group

每个consumer都要标记自己属于哪一个consumer group。发布到topic中的message中message会被传递到consumer group中的一个consumer 实例。consumer实例可以运行在不同的进程上,也可以在不同的物理机器上。

如果所有的consumer都位于同一个consumer group 下,这就类似于传统的queue模式,并在众多的consumer instance之间进行负载均衡。

如果所有的consumer都有着自己唯一的consumer group,这就类似于传统的publish-subscribe模型。

更一般的情况是,通常一个topic会有几个consumer group,每个consumer group都是一个逻辑上的订阅者( logical subscriber )。每个consumer group由多个consumer instance组成,从而达到可扩展和容灾的功能。这并没有什么特殊的地方,仅仅是将publish-subscribe模型中的运行在单个进程上的consumers中的consumer替换成一个consumer group。如下图所示:

Image.png

说明:由2个broker组成的kafka集群,总共有4个Parition(P0-P3)。这个集群游2个Consumer Group, A有2个 consumer instances ,而B有四个.

消费顺序

Kafka比传统的消息系统有着更强的顺序保证。在传统的情况下,服务器按照顺序保留消息到队列,如果有多个consumer来消费队列中的消息,服务器 会接受消息的顺序向外提供消息。但是,尽管服务器是按照顺序提供消息,但是消息传递到每一个consumer是异步的,这可能会导致先消费的 consumer获取到消息时间可能比后消费的consumer获取到消息的时间长,导致不能保证顺序性。这表明,当进行并行的消费的时候,消息在多个 consumer之间可能会失去顺序性。消息系统通常会采取一种“ exclusive consumer ”的概念,来确保同一时间内只有一个consumer能够从队列中进行消费,但是这实际上意味着在消息处理的过程中是不支持并行的。

Kafka在这方面做的更好。通过Topic中并行度的概念,即partition,Kafka可以同时提供顺序性保证和多个consumer同时消费时的负载均衡。实现的原理是通过将一个topic中的partition分配给一个consumer group中的不同consumer instance。通过这种方式,我们可以保证一个partition在同一个时刻只有一个consumer instance在消息,从而保证顺序。虽然一个topic中有多个partition,但是一个consumer group中同时也有多个consumer instance,通过合理的分配依然能够保证负载均衡。需要注意的是,一个consumer group中的consumer instance的数量不能比一个Topic中的partition的数量多。

Kafka只在partition的范围内保证消息消费的局部顺序性,不能在同一个topic中的多个partition中保证总的消费顺序性。通常来说,这已经可以满足大部分应用的需求。但是,如果的确有在总体上保证消费的顺序的需求的话,那么我们可以通过将topic的partition数量设置为1,将consumer group中的consumer instance数量也设置为1.

Guarantees

从较高的层面上来说的话,Kafka提供了以下的保证:

发送到一个Topic中的message会按照发送的顺序添加到commit log中。意思是,如果消息 M1,M2由同一个producer发送,M1比M2发送的早的话,那么在commit log中,M1的offset就会commit 2的offset小。

一个consumer在commit log中可以按照发送顺序来消费message

如果一个topic的备份因子( replication factor )设置为N,那么Kafka可以容忍N-1一个服务器的失败,而存储在commit log中的消息不会丢失。

1.2 Kafka使用场景

以下介绍了kafka的典型的使用场景,从整体上对kafka在实际中能做什么有一个了解。

Messaging

Kafka可以作为传统的消息中间件的一个很好的替代品。使用消息中间件有很多种原因,例如将消息的处理逻辑与消息的发送方进行解耦,或者是为了缓存尚未被处理的信息等。Kafka与大多数消息系统相比来说,有着更高的吞吐量,内置分区、备份和容错的优点,这对需要处理大量消息的系统来说,是一种很好的解决方案。

从我们经验来说的话,作为消息系统来使用的话,系统的吞吐量通常是不大的,但是对低延迟特性要求比较高。在这类场景下,Kafka可以作为传统的消息处理系统ActiveMq或者RabbitMq的替代品。

Website Activity Tracking

Kafka的起源是应用需要创建一个追踪用户行为的出入口。用户行为最终体现在网站的PV、搜索使用或者用户进行的其他操作方面,不同的用户行为数据会被发送到不同的Topic。这个出入口要能为不同的使用场景提供订阅功能,用户行为数据的使用场景包括实时计算、实时监控,或者将数据导入hadoop等类似离线数据存储系统来进行离线计算和统计报表。

用户行为数据的量通常是非常大的,例如,一个用户可能就会产生许多page view的数据。

Metrics

Kafka通常也会用于运行数据的检测。这包括从分布式系统中搜集运行统计数据,并集中对外提供一个访问接口。

Log Aggregation

很多人把kafka当做其他日志收集方案的一个替代品。所谓日志收集,就是将不同物理机器上运行的应用所产生的日志文件放到一个公共的地方来进行处理,例如文件服务器或者HDFS。kafka对剥离了文件的概念,并提供了一种更简洁的日志文件的抽象,即将日志文件中的数据看做是message stream。这种方式让低延迟处理成为可能,并且更好的支持了多数据源,多消费者。通过与以日志处理为主的系统如flume、Scribe进行对比,kafka可以提供同等的性能,而备份机制可以提供更强的一致性保证,多partition提供了更低的延迟。 

Stream Processing

....

Event Sourcing

事件源是一种应用设计方式,当某些状态改变时,kafka按照变化的时间顺序将这些变化记录下来。应用通过消费事件信息从而确定不同的行为方式。

commit log

kafka可以作为分布式系统的一个外部commit-log系统。log在不同的节点之间进行的复制特性,可以作为一种同步备份机制。kafka的数据压缩机制在这里体现出其用途。