一、Kafka基礎
訊息系統的作用
應該大部份小夥伴都清楚，用機油裝箱舉個例子
所以訊息系統就是如上圖我們所說的倉庫，能在中間過程作為快取，並且實現解耦合的作用。
引入一個場景，我們知道中國移動，中國聯通，中國電信的日誌處理，是交給外包去做大資料分析的，假設現在它們的日誌都交給了你做的系統去做使用者畫像分析。
按照剛剛前面提到的訊息系統的作用，我們知道了訊息系統其實就是一個模擬快取 ，且僅僅是起到了快取的作用 而並不是真正的快取，資料仍然是儲存在磁碟上面而不是記憶體。
1.Topic 主題
kafka學習了資料庫裡面的設計，在裡面設計了topic（主題），這個東西類似於關係型資料庫的表
此時我需要獲取中國移動的資料，那就直接監聽TopicA即可
2.Partition 分割槽
kafka還有一個概念叫Partition（分割槽），分割槽具體在伺服器上面表現起初就是一個目錄，一個主題下面有多個分割槽，這些分割槽會儲存到不同的伺服器上面，或者說，其實就是在不同的主機上建了不同的目錄。這些分割槽主要的資訊就存在了.log檔案裡面。跟資料庫裡面的分割槽差不多，是為了提高效能。
至於為什麼提高了效能，很簡單，多個分割槽多個執行緒，多個執行緒並行處理肯定會比單執行緒好得多
Topic和partition像是HBASE裡的table和region的概念，table只是一個邏輯上的概念，真正儲存資料的是region，這些region會分散式地儲存在各個伺服器上面，對應於kafka，也是一樣，Topic也是邏輯概念 ，而partition就是分散式儲存單元。這個設計是保證了海量資料處理的基礎。我們可以對比一下，如果HDFS沒有block的設計，一個100T的檔案也只能單獨放在一個伺服器上面，那就直接佔滿整個伺服器了，引入block後，大檔案可以分散儲存在不同的伺服器上。
注意：1.分割槽會有單點故障問題，所以我們會為每個分割槽設定副本數
2.分割槽的編號是從0開始的
3.Producer - 生產者
往訊息系統裡面傳送資料的就是生產者
4.Consumer - 消費者
從kafka裡讀取資料的就是消費者
5.Message - 訊息
kafka裡面的我們處理的資料叫做訊息
二、kafka的叢集架構
建立一個TopicA的主題，3個分割槽分別儲存在不同的伺服器，也就是broker下面。Topic是一個邏輯上的概念 ，並不能直接在圖中把Topic的相關單元畫出
需要注意：kafka在0.8版本以前是沒有副本機制的，所以在面對伺服器當機的突發情況時會丟失資料，所以儘量避免使用這個版本之前的kafka
Replica - 副本
kafka中的partition為了保證資料安全，所以每個partition可以設定多個副本。
此時我們對分割槽0,1,2分別設定3個副本（其實設定兩個副本是比較合適的）
而且其實每個副本都是有角色之分的，它們會選取一個副本作為leader，而其餘的作為follower，我們的生產者在傳送資料的時候，是直接傳送到leader partition裡面 ，然後follower partition會去leader那裡自行同步資料，消費者消費資料的時候，也是從leader那去消費資料的 。
Consumer Group - 消費者組
我們在消費資料時會在程式碼裡面指定一個group.id,這個id代表的是消費組的名字，而且這個group.id就算不設定，系統也會預設設定
conf.setProperty("group.id","tellYourDream")
我們所熟知的一些訊息系統一般來說會這樣設計，就是隻要有一個消費者去消費了訊息系統裡面的資料，那麼其餘所有的消費者都不能再去消費這個資料。可是kafka並不是這樣,比如現在consumerA去消費了一個topicA裡面的資料。
consumerA: group.id = a consumerB: group.id = a consumerC: group.id = b consumerD: group.id = b
再讓consumerB也去消費TopicA的資料，它是消費不到了，但是我們在consumerC中重新指定一個另外的group.id，consumerC是可以消費到topicA的資料的。而consumerD也是消費不到的，所以在kafka中，不同組可有唯一的一個消費者去消費同一主題的資料 。
所以消費者組就是讓多個消費者並行消費資訊而存在的，而且它們不會消費到同一個訊息，如下，consumerA，B，C是不會互相干擾的
consumer group:a
consumerA
consumerB
consumerC
如圖，因為前面提到過了消費者會直接和leader建立聯絡，所以它們分別消費了三個leader，所以一個分割槽不會讓消費者組裡面的多個消費者去消費 ，但是在消費者不飽和的情況下，一個消費者是可以去消費多個分割槽的資料的 。
Controller
熟知一個規律：在大資料分散式檔案系統裡面，95%的都是主從式的架構，個別是對等式的架構，比如ElasticSearch。
kafka也是主從式的架構，主節點就叫controller，其餘的為從節點，controller是需要和zookeeper進行配合管理整個kafka叢集。
kafka和zookeeper如何配合工作
kafka嚴重依賴於zookeeper叢集（所以之前的zookeeper文章還是有點用的）。所有的broker在啟動的時候都會往zookeeper進行註冊，目的就是選舉出一個controller，這個選舉過程非常簡單粗暴，就是一個誰先誰當的過程，不涉及什麼演算法問題。
那成為controller之後要做啥呢，它會監聽zookeeper裡面的多個目錄，例如有一個目錄/brokers/，其他從節點往這個目錄上註冊（就是往這個目錄上建立屬於自己的子目錄而已） 自己，這時命名規則一般是它們的id編號，比如/brokers/0,1,2
註冊時各個節點必定會暴露自己的主機名，埠號等等的資訊，此時controller就要去讀取註冊上來的從節點的資料（通過監聽機制），生成叢集的後設資料資訊，之後把這些資訊都分發給其他的伺服器，讓其他伺服器能感知到叢集中其它成員的存在 。
此時模擬一個場景，我們建立一個主題（其實就是在zookeeper上/topics/topicA這樣建立一個目錄而已），kafka會把分割槽方案生成在這個目錄中，此時controller就監聽到了這一改變，它會去同步這個目錄的元資訊，然後同樣下放給它的從節點，通過這個方法讓整個叢集都得知這個分割槽方案，此時從節點就各自建立好目錄等待建立分割槽副本即可。這也是整個叢集的管理機制。
加餐時間
1.Kafka效能好在什麼地方？
① 順序寫
作業系統每次從磁碟讀寫資料的時候，需要先定址，也就是先要找到資料在磁碟上的物理位置，然後再進行資料讀寫，如果是機械硬碟，定址就需要較長的時間。kafka的設計中，資料其實是儲存在磁碟上面，一般來說，會把資料儲存在記憶體上面效能才會好。但是kafka用的是順序寫，追加資料是追加到末尾，磁碟順序寫的效能極高，在磁碟個數一定，轉數達到一定的情況下，基本和記憶體速度一致
隨機寫的話是在檔案的某個位置修改資料，效能會較低。
② 零拷貝
先來看看非零拷貝的情況
可以看到資料的拷貝從記憶體拷貝到kafka服務程式那塊，又拷貝到socket快取那塊，整個過程耗費的時間比較高，kafka利用了Linux的sendFile技術（NIO），省去了程式切換和一次資料拷貝，讓效能變得更好。
2.日誌分段儲存
Kafka規定了一個分割槽內的.log檔案最大為1G，做這個限制目的是為了方便把.log載入到記憶體去操作
00000000000000000000.index 00000000000000000000.log 00000000000000000000.timeindex 00000000000005367851.index 00000000000005367851.log 00000000000005367851.timeindex 00000000000009936472.index 00000000000009936472.log 00000000000009936472.timeindex
這個9936472之類的數字，就是代表了這個日誌段檔案裡包含的起始offset，也就說明這個分割槽裡至少都寫入了接近1000萬條資料了。Kafka broker有一個引數，log.segment.bytes，限定了每個日誌段檔案的大小，最大就是1GB，一個日誌段檔案滿了，就自動開一個新的日誌段檔案來寫入，避免單個檔案過大，影響檔案的讀寫效能，這個過程叫做log rolling，正在被寫入的那個日誌段檔案，叫做active log segment。
如果大家有看前面的兩篇有關於HDFS的文章時，就會發現NameNode的edits log也會做出限制，所以這些框架都是會考慮到這些問題。
3.Kafka的網路設計
kafka的網路設計和Kafka的調優有關，這也是為什麼它能支援高併發的原因
首先客戶端傳送請求全部會先傳送給一個Acceptor，broker裡面會存在3個執行緒（預設是3個），這3個執行緒都是叫做processor，Acceptor不會對客戶端的請求做任何的處理，直接封裝成一個個socketChannel傳送給這些processor形成一個佇列，傳送的方式是輪詢，就是先給第一個processor傳送，然後再給第二個，第三個，然後又回到第一個。消費者執行緒去消費這些socketChannel時，會獲取一個個request請求，這些request請求中就會伴隨著資料。
執行緒池裡面預設有8個執行緒，這些執行緒是用來處理request的，解析請求，如果request是寫請求，就寫到磁碟裡。讀的話返回結果。processor會從response中讀取響應資料，然後再返回給客戶端。這就是Kafka的網路三層架構。
所以如果我們需要對kafka進行增強調優，增加processor並增加執行緒池裡面的處理執行緒，就可以達到效果。request和response那一塊部分其實就是起到了一個快取的效果，是考慮到processor們生成請求太快，執行緒數不夠不能及時處理的問題。
所以這就是一個加強版的reactor網路執行緒模型。