全網最通俗易懂的Kafka入門

只有光頭才能變強。

文字已收錄至我的GitHub倉庫，歡迎Star：https://github.com/ZhongFuCheng3y/3y

眾所周知，訊息佇列的產品有好幾種，這裡我選擇學習Kafka的原因，無他，公司在用。

我司使用的是Kafka和自研的訊息佇列(Kafka和RocketMQ)改版，於是我就想學學Kafka這款訊息佇列啦。本篇文章對Kafka入門，希望對大家有所幫助。

本文知識點提前預覽：

這篇文章花了我很長時間畫圖，目的是希望以最通俗易懂的方式帶大家入門，如果覺得不錯，希望能給我點個贊！

一、什麼是Kafka？

首先我們得去官網看看是怎麼介紹Kafka的：

• https://kafka.apache.org/intro

在收集資料學習的時候，已經發現有不少的前輩對官網的介紹進行翻譯和總結了，所以我這裡就不重複了，貼下地址大家自行去學習啦：

• https://scala.cool/2018/03/learning-kafka-1/

• https://colobu.com/2014/08/06/kafka-quickstart/

我之前寫過的訊息佇列入門文章也提到了，要做一個訊息佇列可能要考慮到以下的問題：

• 使用訊息佇列不可能是單機的（必然是分散式or叢集）

• 資料寫到訊息佇列，可能會存在資料丟失問題，資料在訊息佇列需要持久化(磁碟？資料庫？Redis？分散式檔案系統？)

• 想要保證訊息（資料）是有序的，怎麼做？

• 為什麼在訊息佇列中重複消費了資料

下面我以Kafka為例對這些問題進行簡單的解答，進而入門Kafka。

1.1 Kafka入門

眾所周知，Kafka是一個訊息佇列，把訊息放到佇列裡邊的叫生產者，從佇列裡邊消費的叫消費者。

一個訊息中介軟體，佇列不單單隻有一個，我們往往會有多個佇列，而我們生產者和消費者就得知道：把資料丟給哪個佇列，從哪個佇列訊息。我們需要給佇列取名字，叫做topic(相當於資料庫裡邊表的概念)

現在我們給佇列取了名字以後，生產者就知道往哪個佇列丟資料了，消費者也知道往哪個佇列拿資料了。我們可以有多個生產者往同一個佇列(topic)丟資料，多個消費者往同一個佇列(topic)拿資料

為了提高一個佇列(topic)的吞吐量，Kafka會把topic進行分割槽(Partition)

所以，生產者實際上是往一個topic名為Java3y中的分割槽(Partition)丟資料，消費者實際上是往一個topic名為Java3y的分割槽(Partition)取資料

一臺Kafka伺服器叫做Broker，Kafka叢集就是多臺Kafka伺服器：

一個topic會分為多個partition，實際上partition會分佈在不同的broker中，舉個例子：

由此得知：Kafka是天然分散式的。

如果不瞭解分散式/叢集，以及基本的分散式概念的同學，可以關注我的GitHub：https://github.com/ZhongFuCheng3y/3y

關鍵字：分散式、SpringCloud 保證能讓你搞懂。覺得我寫得不錯，就給我點個贊！

現在我們已經知道了往topic裡邊丟資料，實際上這些資料會分到不同的partition上，這些partition存在不同的broker上。分散式肯定會帶來問題：“萬一其中一臺broker(Kafka伺服器)出現網路抖動或者掛了，怎麼辦？”

Kafka是這樣做的：我們資料存在不同的partition上，那kafka就把這些partition做備份。比如，現在我們有三個partition，分別存在三臺broker上。每個partition都會備份，這些備份散落在不同的broker上。

紅色塊的partition代表的是主分割槽，紫色的partition塊代表的是備份分割槽。生產者往topic丟資料，是與主分割槽互動，消費者消費topic的資料，也是與主分割槽互動。

備份分割槽僅僅用作於備份，不做讀寫。如果某個Broker掛了，那就會選舉出其他Broker的partition來作為主分割槽，這就實現了高可用。

另外值得一提的是：當生產者把資料丟進topic時，我們知道是寫在partition上的，那partition是怎麼將其持久化的呢？（不持久化如果Broker中途掛了，那肯定會丟資料嘛)。

Kafka是將partition的資料寫在磁碟的(訊息日誌)，不過Kafka只允許追加寫入(順序訪問)，避免緩慢的隨機 I/O 操作。

• Kafka也不是partition一有資料就立馬將資料寫到磁碟上，它會先快取一部分，等到足夠多資料量或等待一定的時間再批量寫入(flush)。

上面balabala地都是講生產者把資料丟進topic是怎麼樣的，下面來講講消費者是怎麼消費的。既然資料是儲存在partition中的，那麼消費者實際上也是從partition中取資料。

生產者可以有多個，消費者也可以有多個。像上面圖的情況，是一個消費者消費三個分割槽的資料。多個消費者可以組成一個消費者組。

本來是一個消費者消費三個分割槽的，現在我們有消費者組，就可以每個消費者去消費一個分割槽（也是為了提高吞吐量）

按圖上所示的情況，這裡想要說明的是：

• 如果消費者組中的某個消費者掛了，那麼其中一個消費者可能就要消費兩個partition了

• 如果只有三個partition，而消費者組有4個消費者，那麼一個消費者會空閒

• 如果多加入一個消費者組，無論是新增的消費者組還是原本的消費者組，都能消費topic的全部資料。（消費者組之間從邏輯上它們是獨立的）

前面講解到了生產者往topic裡丟資料是存在partition上的，而partition持久化到磁碟是IO順序訪問的，並且是先寫快取，隔一段時間或者資料量足夠大的時候才批量寫入磁碟的。

消費者在讀的時候也很有講究：正常的讀磁碟資料是需要將核心態資料拷貝到使用者態的，而Kafka 通過呼叫sendfile()直接從核心空間（DMA的）到核心空間（Socket的），少做了一步拷貝的操作。

有的同學可能會產生疑問：消費者是怎麼知道自己消費到哪裡的呀？Kafka不是支援回溯嗎？那是怎麼做的呀？

• 比如上面也提到：如果一個消費者組中的某個消費者掛了，那掛掉的消費者所消費的分割槽可能就由存活的消費者消費。那存活的消費者是需要知道掛掉的消費者消費到哪了，不然怎麼玩。

這裡要引出offset了，Kafka就是用offset來表示消費者的消費進度到哪了，每個消費者會都有自己的offset。說白了offset就是表示消費者的消費進度。

在以前版本的Kafka，這個offset是由Zookeeper來管理的，後來Kafka開發者認為Zookeeper不合適大量的刪改操作，於是把offset在broker以內部topic(__consumer_offsets)的方式來儲存起來。

每次消費者消費的時候，都會提交這個offset，Kafka可以讓你選擇是自動提交還是手動提交。

既然提到了Zookeeper，那就多說一句。Zookeeper雖然在新版的Kafka中沒有用作於儲存客戶端的offset，但是Zookeeper是Kafka一個重要的依賴。

• 探測broker和consumer的新增或移除。

• 負責維護所有partition的領導者/從屬者關係（主分割槽和備份分割槽），如果主分割槽掛了，需要選舉出備份分割槽作為主分割槽。

• 維護topic、partition等元配置資訊

• ….

最後

通過這篇文章，文章開頭那幾個問題估計多多少少都懂一些啦。我來簡要回答一下：

使用訊息佇列不可能是單機的（必然是分散式or叢集）

Kafka天然是分散式的，往一個topic丟資料，實際上就是往多個broker的partition儲存資料

資料寫到訊息佇列，可能會存在資料丟失問題，資料在訊息佇列需要持久化(磁碟？資料庫？Redis？分散式檔案系統？)

Kafka會將partition以訊息日誌的方式(落磁碟)儲存起來，通過 順序訪問IO和快取(等到一定的量或時間)才真正把資料寫到磁碟上，來提高速度。

想要保證訊息（資料）是有序的，怎麼做？

Kafka會將資料寫到partition，單個partition的寫入是有順序的。如果要保證全域性有序，那隻能寫入一個partition中。如果要消費也有序，消費者也只能有一個。

為什麼在訊息佇列中重複消費了資料

凡是分散式就無法避免網路抖動/機器當機等問題的發生，很有可能消費者A讀取了資料，還沒來得及消費，就掛掉了。Zookeeper發現消費者A掛了，讓消費者B去消費原本消費者A的分割槽，等消費者A重連的時候，發現已經重複消費同一條資料了。(各種各樣的情況，消費者超時等等都有可能…)

如果業務上不允許重複消費的問題，最好消費者那端做業務上的校驗（如果已經消費過了，就不消費了）

這篇文章主要是Kafka入門，Kafka還涉及到別的概念，以及還有別的東西。在我感覺中，很多的面試題都跟配置有關，所以在解決某些問題的時候，先看看能不能通過現有配置解決掉（學多了框架，你就會發現很多官方的就已經支援解決了，你做的可能改改配置/引數就完事了）。