如何為Kafka叢集選擇合適的Topic/Partitions數量

這是許多kafka使用者經常會問到的一個問題。本文的目的是介紹與本問題相關的一些重要決策因素，並提供一些簡單的計算公式。

越多的分割槽可以提供更高的吞吐量

首先我們需要明白以下事實：在kafka中，單個patition是kafka並行操作的最小單元。在producer和broker端，向每一個分割槽寫入資料是可以完全並行化的，此時，可以通過加大硬體資源的利用率來提升系統的吞吐量，例如對資料進行壓縮。在consumer段，kafka只允許單個partition的資料被一個consumer執行緒消費。因此，在consumer端，每一個Consumer Group內部的consumer並行度完全依賴於被消費的分割槽數量。綜上所述，通常情況下，在一個Kafka叢集中，partition的數量越多，意味著可以到達的吞吐量越大。

我們可以粗略地通過吞吐量來計算kafka叢集的分割槽數量。假設對於單個partition，producer端的可達吞吐量為p，Consumer端的可達吞吐量為c，期望的目標吞吐量為t，那麼叢集所需要的partition數量至少為max(t/p,t/c)。在producer端，單個分割槽的吞吐量大小會受到批量大小、資料壓縮方法、 確認型別（同步/非同步）、複製因子等配置引數的影響。經過測試，在producer端，單個partition的吞吐量通常是在10MB/s左右。在consumer端，單個partition的吞吐量依賴於consumer端每個訊息的應用邏輯處理速度。因此，我們需要對consumer端的吞吐量進行測量。

雖然隨著時間的推移，我們能夠對分割槽的數量進行新增，但是對於基於Key來生成的這一類訊息需要我們重點關注。當producer向kafka寫入基於key的訊息時，kafka通過key的hash值來確定訊息需要寫入哪個具體的分割槽。通過這樣的方案，kafka能夠確保相同key值的資料可以寫入同一個partition。kafka的這一能力對於一部分應用是極為重要的，例如對於同一個key的所有訊息，consumer需要按訊息的順序進行有序消費。如果partition的數量發生改變，那麼上面的有序性保證將不復存在。為了避免上述情況發生，通常的解決辦法是多分配一些分割槽，以滿足未來的需求。通常情況下，我們需要根據未來1到2年的目標吞吐量來設計kafka的分割槽數量。

一開始，我們可以基於當前的業務吞吐量為kafka叢集分配較小的broker數量，隨著時間的推移，我們可以向叢集中增加更多的broker，然後線上方式將適當比例的partition轉移到新增加的broker中去。通過這樣的方法，我們可以在滿足各種應用場景（包括基於key訊息的場景）的情況下，保持業務吞吐量的擴充套件性。

在設計分割槽數時，除了吞吐量，還有一些其他因素值得考慮。正如我們後面即將看到的，對於一些應用場景，叢集擁有過的分割槽將會帶來負面的影響。

越多的分割槽需要開啟更多地檔案控制程式碼

在kafka的broker中，每個分割槽都會對照著檔案系統的一個目錄。在kafka的資料日誌檔案目錄中，每個日誌資料段都會分配兩個檔案，一個索引檔案和一個資料檔案。當前版本的kafka，每個broker會為每個日誌段檔案開啟一個index檔案控制程式碼和一個資料檔案控制程式碼。因此，隨著partition的增多，需要底層作業系統配置更高的檔案控制程式碼數量限制。這更多的是一個配置問題。我們曾經見到過，在生產環境Kafka叢集中，每個broker開啟的檔案控制程式碼數量超過30,000。

更多地分割槽會導致更高的不可用性

Kafka通過多副本複製技術，實現kafka叢集的高可用和穩定性。每個partition都會有多個資料副本，每個副本分別存在於不同的broker。所有的資料副本中，有一個資料副本為Leader，其他的資料副本為follower。在kafka叢集內部，所有的資料副本皆採用自動化的方式進行管理，並且確保所有的資料副本的資料皆保持同步狀態。不論是producer端還是consumer端發往partition的請求，皆通過leader資料副本所在的broker進行處理。當broker發生故障時，對於leader資料副本在該broker的所有partition將會變得暫時不可用。Kafka將會自動在其他資料副本中選擇出一個leader，用於接收客戶端的請求。這個過程由kafka controller節點broker自動完成，主要是從Zookeeper讀取和修改受影響partition的一些後設資料資訊。在當前的kafka版本實現中，對於zookeeper的所有操作都是由kafka controller來完成的（serially的方式）。

在通常情況下，當一個broker有計劃地停止服務時，那麼controller會在服務停止之前，將該broker上的所有leader一個個地移走。由於單個leader的移動時間大約只需要花費幾毫秒，因此從客戶層面看，有計劃的服務停機只會導致系統在很小時間視窗中不可用。（注：在有計劃地停機時，系統每一個時間視窗只會轉移一個leader，其他leader皆處於可用狀態。）

然而，當broker非計劃地停止服務時（例如，kill -9方式)，系統的不可用時間視窗將會與受影響的partition數量有關。假如，一個2節點的kafka叢集中存在2000個partition，每個partition擁有2個資料副本。當其中一個broker非計劃地當機，所有1000個partition同時變得不可用。假設每一個partition恢復時間是5ms，那麼1000個partition的恢復時間將會花費5秒鐘。因此，在這種情況下，使用者將會觀察到系統存在5秒鐘的不可用時間視窗。

更不幸的情況發生在當機的broker恰好是controller節點時。在這種情況下，新leader節點的選舉過程在controller節點恢復到新的broker之前不會啟動。Controller節點的錯誤恢復將會自動地進行，但是新的controller節點需要從zookeeper中讀取每一個partition的後設資料資訊用於初始化資料。例如，假設一個kafka叢集存在10,000個partition，從zookeeper中恢復後設資料時每個partition大約花費2ms，則controller的恢復將會增加約20秒的不可用時間視窗。

通常情況下，非計劃的當機事件發生的情況是很少的。如果系統可用性無法容忍這些少數情況的場景，我們最好是將每個broker的partition數量限制在2,000到4,000，每個kafka叢集中partition的數量限制在10,000以內。

越多的分割槽可能增加端對端的延遲

Kafka端對端延遲定義為producer端釋出訊息到consumer端接收訊息所需要的時間。即consumer接收訊息的時間減去producer釋出訊息的時間。Kafka只有在訊息提交之後，才會將訊息暴露給消費者。例如，訊息在所有in-sync副本列表同步複製完成之後才暴露。因此，in-sync副本複製所花時間將是kafka端對端延遲的最主要部分。在預設情況下，每個broker從其他broker節點進行資料副本複製時，該broker節點只會為此工作分配一個執行緒，該執行緒需要完成該broker所有partition資料的複製。經驗顯示，將1000個partition從一個broker到另一個broker所帶來的時間延遲約為20ms，這意味著端對端的延遲至少是20ms。這樣的延遲對於一些實時應用需求來說顯得過長。

注意，上述問題可以通過增大kafka叢集來進行緩解。例如，將1000個分割槽leader放到一個broker節點和放到10個broker節點，他們之間的延遲是存在差異的。在10個broker節點的叢集中，每個broker節點平均需要處理100個分割槽的資料複製。此時，端對端的延遲將會從原來的數十毫秒變為僅僅需要幾毫秒。

根據經驗，如果你十分關心訊息延遲問題，限制每個broker節點的partition數量是一個很好的主意：對於b個broker節點和複製因子為r的kafka叢集，整個kafka叢集的partition數量最好不超過100*b*r個，即單個partition的leader數量不超過100.

越多的partition意味著需要客戶端需要更多的記憶體

在最新發布的0.8.2版本的kafka中，我們開發了一個更加高效的Java producer。新版producer擁有一個比較好的特徵，他允許使用者為待接入訊息儲存空間設定記憶體大小上限。在內部實現層面，producer按照每一個partition來快取訊息。在資料積累到一定大小或者足夠的時間時，積累的訊息將會從快取中移除併發往broker節點。

如果partition的數量增加，訊息將會在producer端按更多的partition進行積累。眾多的partition所消耗的記憶體彙集起來，有可能會超過設定的內容大小限制。當這種情況發生時，producer必須通過訊息堵塞或者丟失一些新訊息的方式解決上述問題，但是這兩種做法都不理想。為了避免這種情況發生，我們必須重新將produder的記憶體設定得更大一些。

根據經驗，為了達到較好的吞吐量，我們必須在producer端為每個分割槽分配至少幾十KB的記憶體，並且在分割槽數量顯著增加時調整可以使用的記憶體數量。

類似的事情對於consumer端依然有效。Consumer端每次從kafka按每個分割槽取出一批訊息進行消費。消費的分割槽數越多，需要的記憶體數量越大。儘管如此，上述方式主要運用於非實時的應用場景。

總結

通常情況下，kafka叢集中越多的partition會帶來越高的吞吐量。但是，我們必須意識到叢集的partition總量過大或者單個broker節點partition過多，都會對系統的可用性和訊息延遲帶來潛在的影響。未來，我們計劃對這些限制進行一些改進，讓kafka在分割槽數量方面變得更加可擴充套件。