应用往 Kafka 写数据的原因有很多：用户行为分析、日志存储、异步通信 等。多样化的使用场景带来了多样化的需求：消息是否能丢失？是否容忍重复？消息的吞吐量？消息的延迟？

1.Kafka 介绍

Kafka 属于 Apache 组织，是一个高性能跨语言分布式发布订阅消息队列系统。它的主要特点有：

• 以时间复杂度 $O(1)$ 的方式提供消息持久化能力，并对大数据量能保证常数时间的访问性能。
• 高吞吐率，单台服务器可以达到每秒几十万的吞吐速率。
• 支持服务器间的消息分区，支持分布式消费，同时保证了每个分区内的消息顺序。
• 轻量级，支持实时数据处理和离线数据处理两种方式。

1.1. 主要功能

根据官网的介绍，Apache Kafka 是一个分布式流媒体平台，它主要有 3 种功能：

• 发布和订阅消息流，这个功能类似于消息队列，这也是 Kafka 归类为消息队列框架的原因。
• 以容错的方式记录消息流，Kafka 以文件的方式来存储消息流。
• 可以在消息发布的时候进行处理。

1.2. 使用场景

• 消息队列功能，在系统或应用程序之间构建可靠的用于传输实时数据的管道。
• 数据处理功能，构建实时的流数据处理程序来变换或处理数据流。

1.3 详细介绍

Kafka 目前主要作为一个分布式的发布订阅式的消息系统使用，下面简单介绍一下 Kafka 的基本机制。

1.3.1 消息传输流程

Producer：生产者。生产者向 Kafka 集群发送消息，在发送消息之前，会对消息进行分类，即 Topic。上图展示了两个 producer 发送了分类为 topic1 的消息，另外一个发送了 topic2 的消息。

Topic：主题。通过对消息指定主题可以将消息分类，消费者可以只关注自己需要的 Topic 中的消息。

Consumer：消费者。消费者通过与 Kafka 集群建立长连接的方式，不断地从集群中拉取消息，然后可以对这些消息进行处理。

从上图中就可以看出同一个 Topic 下的消费者和生产者的数量并不是对应的。

1.3.2 Kafka 服务器消息存储策略

谈到 Kafka 的存储，就不得不提到分区，即 Partitions，创建一个 Topic 时，同时可以指定分区数目，分区数越多，其吞吐量也越大，但是需要的资源也越多，同时也会导致更高的不可用性，Kafka 在接收到生产者发送的消息之后，会根据均衡策略将消息存储到不同的分区中。

在每个分区中，消息以顺序存储，最晚接收的的消息会最后被消费。

Kafka 中的 Message 以 Topic 的形式存在，Topic 在物理上又分为很多的 Partition，Partition 物理上由很多 Segment 组成，Segment 是存放 Message 的真正载体。

下面具体介绍下 Segment 文件：

• 每个 Partition（目录）相当于一个巨型文件被平均分配到多个大小相等 Segment（段）数据文件中。但每个段 Segment File 消息数量不一定相等，这种特性方便 Old Segment File 快速被删除。
• 每个 Partiton 只需要支持顺序读写就行了，Segment 文件生命周期由服务端配置参数决定。
• Segment File 组成：由 2 大部分组成，分别为 index file 和 data file，此 2 个文件一一对应，成对出现，后缀 .index 和 .log 分别表示为 Segment 索引文件、数据文件。
• Segment 文件命名规则：Partion 全局的第一个 Segment 从 $0$ 开始，后续每个 Segment 文件名为上一个 Segment 文件最后一条消息的 Offset 值。数值最大为 $64$ 位 long 大小，$19$ 位数字字符长度，没有数字用 $0$ 填充。

.index 文件存放的是 Message 逻辑相对偏移量（$相对offset=绝对offset-baseoffset$）以及在相应的 .log 文件中的物理位置（Position）。

但 .index 并不是为每条 Message 都指定到物理位置的映射，而是以 entry 为单位，每条 entry 可以指定连续 $n$ 条消息的物理位置映射。

例如：假设有 20000 ~ 20009 共 10 条消息，.index 文件可配置为每条 entry 指定连续 $10$ 条消息的物理位置映射，该例中，index entry 会记录偏移量为 20000 的消息到其物理文件位置，一旦该条消息被定位，20001 ~ 20009 可以很快查到。

每个 entry 大小 $8$ 字节，前 $4$ 个字节是这个 Message 相对于该 log segment 第一个消息 offset（base offset）的相对偏移量，后 $4$ 个字节是这个消息在 .log 文件中的物理位置。

1.3.3 与生产者的交互

生产者在向 Kafka 集群发送消息的时候，可以通过指定分区来发送到指定的分区中。也可以通过指定均衡策略来将消息发送到不同的分区中。如果不指定，就会采用默认的随机均衡策略，将消息随机的存储到不同的分区中。

1.3.4 与消费者的交互

在消费者消费消息时，Kafka 使用 Offset 来记录当前消费的位置。

在 Kafka 的设计中，可以有多个不同的 Group 来同时消费同一个 Topic 下的消息。如上图，我们有两个不同的 Group 同时消费，他们的消费的记录位置 Offset 各不项目，不互相干扰。

对于一个 Group 而言，消费者的数量不应该多于分区的数量，因为在一个 Group 中，每个分区至多只能绑定到一个消费者上，即一个消费者可以消费多个分区，一个分区只能给一个消费者消费。因此，若一个 Group 中的消费者数量大于分区数量的话，多余的消费者将不会收到任何消息。

2.Kafka 生产者

首先，创建 ProducerRecord 必须包含 Topic 和 Value，Key 和 Partition 可选。然后，序列化 Key 和 Value 对象为 ByteArray，并发送到网络。

接下来，消息发送到 Partitioner。如果创建 ProducerRecord 时指定了 Partition，此时 Partitioner 啥也不用做，简单的返回指定的 Partition 即可。如果未指定 Partition，Partitioner 会基于 ProducerRecord 的 Key 生成 Partition。Producer 选择好 Partition后，增加 record 到对应 Topic 和 Partition 的 Batch Record。最后，专有线程负责发送 Batch Record 到合适的 Kafka Broker。

当 Broker 收到消息时，它会返回一个应答（response）。如果消息成功写入 Kafka，Broker 将返回 RecordMetadata 对象（包含 Topic，Partition 和 Offset）；相反，Broker 将返回 error。这时 Producer 收到 error 会尝试重试发送消息几次，直到 Producer 返回 error。

实例化 Producer 后，接着发送消息。这里主要有 3 种发送消息的方法：

• 立即发送：只管发送消息到 Server 端，不关心消息是否成功发送。大部分情况下，这种发送方式会成功，因为 Kafka 自身具有高可用性，Producer 会自动重试，但有时也会丢失消息。
• 同步发送：通过 send() 方法发送消息，并返回 Future 对象。get() 方法会等待 Future 对象，看 send() 方法是否成功。
• 异步发送：通过带有回调函数的 send() 方法发送消息，当 Producer 收到 Kafka Broker 的 response 会触发回调函数。

以上所有情况，一定要时刻考虑发送消息可能会失败，想清楚如何去处理异常。

通常我们是一个 Producer 起一个线程开始发送消息。为了优化 Producer 的性能，一般会有下面几种方式：单个 Producer 起多个线程发送消息；使用多个 Producer。

3.Kafka 消费者

3.1 Kafka 消费模式

Kafka 的消费模式总共有 3 种：最多一次，最少一次，正好一次。为什么会有这 3 种模式，是因为客户端 处理消息，提交反馈（commit）这两个动作不是原子性。

• 最多一次：客户端收到消息后，在处理消息前自动提交，这样 Kafka 就认为 Consumer 已经消费过了，偏移量增加。
• 最少一次：客户端收到消息，处理消息，再提交反馈。这样就可能出现消息处理完了，在提交反馈前，网络中断或者程序挂了，那么 Kafka 认为这个消息还没有被 Consumer 消费，产生重复消息推送。
• 正好一次：保证消息处理和提交反馈在同一个事务中，即有原子性。

本文从这几个点出发，详细阐述了如何实现以上三种方式。

3.1.1 At-most-once（最多一次）

（1）设置 enable.auto.commit 为 ture。

（2）设置 auto.commit.interval.ms 为一个较小的时间间隔。

（3）Client 不要调用 commitSync()，Kafka 在特定的时间间隔内自动提交。

3.1.2 At-least-once（最少一次）

方法一

（1）设置 enable.auto.commit 为 false。

（2）Client 调用 commitSync()，增加消息偏移。

方法二

（1）设置 enable.auto.commit 为 ture。

（2）设置 auto.commit.interval.ms 为一个较大的时间间隔。

（3）Client 调用 commitSync()，增加消息偏移。

3.1.3 Exactly-once（正好一次）

如果要实现这种方式，必须自己控制消息的 offset，自己记录一下当前的 offset，对消息的处理和 offset 的移动必须保持在同一个事务中，例如在同一个事务中，把消息处理的结果存到 MySQL 数据库，同时更新此时的消息的偏移。

（1）设置 enable.auto.commit 为 false。

（2）保存 ConsumerRecord 中的 Coffset 到数据库。

（3）当 Partition 分区发生变化的时候需要再均衡（Rebalance），有以下几个事件会触发分区变化：

• Consumer 订阅的 Topic 中的分区大小发生变化。
• Topic 被创建或者被删除。
• Consuer 所在 Group 中有个成员挂了。
• 新的 Consumer 通过调用 join 加入了 Group。

（4）此时 Consumer 通过实现 ConsumerRebalanceListener 接口，捕捉这些事件，对偏移量进行处理。

（5）Consumer 通过调用 seek(TopicPartition, long) 方法，移动到指定的分区的偏移位置。

3.2 消费组与分区重平衡

当新的消费者加入消费组，它会消费一个或多个分区，而这些分区之前是由其他消费者负责的；另外，当消费者离开消费组（比如重启、宕机等）时，它所消费的分区会分配给其他分区。这种现象称为 重平衡（Rebalance）。重平衡是 Kafka 一个很重要的性质，这个性质保证了高可用和水平扩展。不过也需要注意到，在重平衡期间，所有消费者都不能消费消息，因此会造成整个消费组短暂的不可用。而且，将分区进行重平衡也会导致原来的消费者状态过期，从而导致消费者需要重新更新状态，这段期间也会降低消费性能。后面我们会讨论如何安全的进行重平衡以及如何尽可能避免。

消费者通过定期发送心跳（hearbeat）到一个作为组协调者（group coordinator）的 Broker 来保持在消费组内存活。这个 Broker 不是固定的，每个消费组都可能不同。当消费者拉取消息或者提交时，便会发送心跳。

如果消费者超过一定时间没有发送心跳，那么它的会话（session）就会过期，组协调者会认为该消费者已经宕机，然后触发重平衡。可以看到，从消费者宕机到会话过期是有一定时间的，这段时间内该消费者的分区都不能进行消息消费；通常情况下，我们可以进行优雅关闭，这样消费者会发送离开的消息到组协调者，这样组协调者可以立即进行重平衡而不需要等待会话过期。

在 $\mathrm{0.10.1}$ 版本，Kafka 对心跳机制进行了修改，将发送心跳与拉取消息进行分离，这样使得发送心跳的频率不受拉取的频率影响。另外更高版本的 Kafka 支持配置一个消费者多长时间不拉取消息但仍然保持存活，这个配置可以避免活锁（livelock）。活锁，是指应用没有故障但是由于某些原因不能进一步消费。

4.Broker

Kafka 是一个高吞吐量分布式消息系统，采用 Scala 和 Java 语言编写，它提供了快速、可扩展的、分布式、分区的和可复制的日志订阅服务。它由 Producer、Broker、Consumer 三部分构成.

Producer 向某个 Topic 发布消息，而 Consumer 订阅某个 Topic 的消息。 一旦有某个 Topic 新产生的消息，Broker 会传递给订阅它的所有 Consumer，每个 Topic 分为多个分区，这样的设计有利于管理数据和负载均衡。

• Broker：消息中间件处理结点，一个 Kafka 节点就是一个 Broker，多个 Broker 可以组成一个 Kafka 集群。
• Controller：中央控制器 Control，负责管理分区和副本状态并执行管理着这些分区的重新分配（里面涉及到 Partition Leader 选举）。
• ISR（In-Sync Replicas，同步副本组）：Kafka 为某个分区维护的一组同步集合，即每个分区都有自己的一个 ISR 集合，处于 ISR 集合中的副本，意味着 Follower 副本与 Leader 副本保持同步状态，只有处于 ISR 集合中的副本才有资格被选举为 Leader。一条 Kafka 消息，只有被 ISR 中的副本都接收到，才被视为 “已同步” 状态。这跟 ZK 的同步机制不一样，ZK 只需要超过半数节点写入，就可被视为已写入成功。

5.Topic

在 Kafka 中，消息是按 Topic 组织的。

• Partition：Topic 物理上的分组，一个 Topic 可以分为多个 Partition，每个 Partition 是一个有序的队列。
• Segment：Partition 物理上由多个 Segment 组成
• Offset：每个 Partition 都由一系列有序的、不可变的消息组成，这些消息被连续的追加到 Partition 中。Partition 中的每个消息都有一个连续的序列号叫做 Offset，用于 Partition 唯一标识一条消息。

5.1 Topic 中 Partition 存储分布

在 Kafka 文件存储中，同一个 Topic 下有多个不同 Partition，每个 Partition 为一个目录，Partiton 命名规则为 Topic 名称 + 有序序号，第一个 Partiton 序号从 $0$ 开始，序号最大值为 Partitions 数量减 $1$。

├── data0
│   ├── cleaner-offset-checkpoint
│   ├── client_mblogduration-35
│   │   ├── 00000000000004909731.index
│   │   ├── 00000000000004909731.log           // 1G 文件--Segment
│   │   ├── 00000000000005048975.index         // 数字是 Offset
│   │   ├── 00000000000005048975.log
│   ├── client_mblogduration-37
│   │   ├── 00000000000004955629.index
│   │   ├── 00000000000004955629.log
│   │   ├── 00000000000005098290.index
│   │   ├── 00000000000005098290.log
│   ├── __consumer_offsets-33
│   │   ├── 00000000000000105157.index
│   │   └── 00000000000000105157.log
│   ├── meta.properties
│   ├── recovery-point-offset-checkpoint
│   └── replication-offset-checkpoint

• cleaner-offset-checkpoint：存了每个日志最后清理的 Offset。记录当前清理到哪里了，这时候 Kafka 就知道哪部分是已经清理的，哪部分是未清理的。
• meta.properties：broker.id 信息。
• recovery-point-offset-checkpoint：表示已经刷写到磁盘的记录。日志恢复点（recoveryPoint）以下的数据都是已经刷到磁盘上的了。
• replication-offset-checkpoint：用来存储每个 Replica 的 High Watermark（HW）。High Watermark 表示已经被 commited 的 Message，HW 以下的数据都是各个 Replicas 间同步的，一致的。

5.2 Partiton 中文件存储方式

每个 Partion（目录）由多个大小相等 Segment（段）数据文件组成。但每个段 Segment File 消息数量不一定相等，这种特性方便 Old Segment File 快速被删除。

每个 Partiton 只需要支持顺序读写就行了，Segment 文件生命周期由服务端配置参数决定。

5.3 Partiton 中 Segment 文件存储结构

Segment File 组成：由 2 大部分组成，分别为 index file 和 data file，此 2 个文件一一对应，成对出现，后缀 .index 和 .log 分别表示为 Segment 的索引文件、数据文件。

Segment 文件命名规则：Partion 全局的第一个 Segment 从 $0$ 开始，后续每个 Segment 文件名为上一个 Segment 文件最后一条消息的 Offset 值。数值最大为 $64$ 位 long 大小，$19$ 位数字字符长度，没有数字用 $0$ 填充。

以一对 Segment File 文件为例，说明 Segment 中 index file、data file 对应关系物理结构如下：

• index 文件存储大量元数据，指向对应 log 文件中 message 的物理偏移地址。
• log 数据文件存储大量消息。

其中以 index 文件中元数据 $3,497$ 为例，依次在数据文件中表示第 $3$ 个 message（在全局 Partiton 表示第 $368772$ 个 message）、以及该消息的物理偏移地址为 $497$。

segment data file 由许多 message 组成，下面详细说明 message 物理结构如下：

关键字	解释说明
8 byte offset	该 message 在 partition 的 offset
4 byte message size	message 大小
4 byte CRC32	用 crc32 校验 message
1 byte “magic”	表示本次发布 Kafka 服务程序协议版本号
1 byte “attributes”	表示为独立版本、或标识压缩类型、或编码类型
4 byte key length	表示 key 的长度，当 key 为 $-1$ 时，K byte key 字段不填
K byte key	可选
value bytes payload	表示实际消息数据

5.4 在 Partition 中如何通过 Offset 查找 Message

例如读取 offset = 368776 的 Message，需要通过下面 2 个步骤查找。

（1）第一步查找 segment file

00000000000000000000.index 表示最开始的文件，起始偏移量（offset）为 $0$。第二个文件00000000000000368769.index 的消息量起始偏移量为 368770 = 368769 + 1。同样，第三个文件 00000000000000737337.index 的起始偏移量为 737338=737337 + 1，其他后续文件依次类推，以起始偏移量命名并排序这些文件，只要根据 offset 二分查找文件列表，就可以快速定位到具体文件。

当 offset=368776 时定位到 00000000000000368769.index|log

（2）第二步通过 segment file 查找 message

通过第一步定位到 segment file，当 offset=368776 时，依次定位到 00000000000000368769.index 的元数据物理位置（这个较小，可以放在内存中，直接操作）和 00000000000000368769.log 的物理偏移地址，然后再通过 00000000000000368769.log 顺序查找直到 offset=368776 为止。

segment index file 采取稀疏索引存储方式，它减少索引文件大小，通过 Map 可以直接内存操作，稀疏索引为数据文件的每个对应 Message 设置一个元数据指针，它比稠密索引节省了更多的存储空间，但查找起来需要消耗更多的时间。

5.5 读写 Message 总结

• 写 message
  • 消息从 Java 堆转入 page cache（即物理内存）。
  • 由异步线程刷盘，消息从 page cache 刷入磁盘。
• 读 message
  • 消息直接从 page cache 转入 socket 发送出去。
  • 当从 page cache 没有找到相应数据时，此时会产生磁盘 IO，从磁盘 Load 消息到 page cache，然后直接从 socket 发出去。

Kafka 高效文件存储设计特点

• Topic 中一个 Parition 大文件分成多个小文件段，通过多个小文件段，就容易定期清除或删除已经消费完文件，减少磁盘占用。
• 通过索引信息可以快速定位 message 和确定 response 的最大大小。
• 通过 index 元数据全部映射到 memory，可以避免 segment file 的 IO 磁盘操作。
• 通过索引文件稀疏存储，可以大幅降低 index 文件元数据占用空间大小。