深入浅出理解kafka

1.Kafka简介

Kafka 本质上是一个 MQ（Message Queue），使用消息队列的优点：

解耦：允许独立的扩展或修改队列两边的处理过程。
可恢复性：即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。
缓冲：有助于解决生产消息和消费消息的处理速度不一致的情况。
灵活性和峰值处理能力：不会因为突发的超负荷的请求而完全崩溃，消息队列能够使关键组件顶住突发的访问压力。
异步通信：消息队列允许用户把消息放入队列但不立即处理它。

先介绍消息队列的优点：

消息队列：

消息队列的异步处理

主要应用于短信通知、终端状态推送、App推送、用户注册等。

同步处理：

我们同步处理的话，我们执行下一个步骤需要等上个步骤完成才能执行下一步，这样网速就很慢了，但是我们是不是可以将库存作为生产者，在库存和订单，短信，统计之间加一个消息队列的话，并且开启订单，短信，统计三个(消费者)线程，分别处理自己的任务，那么我们在库存里拿出以后(生产者生产后立马返回再去生产放到消息队列里，然后通知消费者线程去消费)这样我们就不需要一步一步

的等待

异步处理：

异步处理的优势：更快速返回结果；减少等待，实现并发处理，提升系统总体性能。
消息队列的模式可以有：
（1）1对1：读取之后立刻从队列中移除消息。
（2）1对多：这种模型是发布订阅模型，消息队列的元素可以被重复消费。至于何时删除消息，可以设置消息的存活周期；比如kafka可以设置24H后删除消息。

消息队列的流量控制（削峰）

在秒杀场景下的下单状态，使用消息队列隔离网关和后端服务，以达到流量控制和保护后端服务的目的。

设置消息队列的最大限制数量，在达到最大数量时网关不再生产消息到消息队列中。

可以这么想：有一个商品秒杀活动，商品数量为100，当消息队列的数量达到100时不再生产秒杀成功消息，直接返回秒杀失败给用户，只有1到100的用户秒杀成功获得商品。

那么我们以服务器设计的角度去思考，在某一时刻，我们是为秒杀服务提供服务的生产者，我们生产到消息队列的数量达到100的时候就不再生产，而我们的客户端再去网上秒杀购物的时候，从消息队列里拉取，当看到消息队列为空(也就是货物为0)，那么就返回秒杀失败

消息队列的服务解耦

A系统负责数据分发，其他系统调用A系统提供的接口处理数据；当新增一个系统时，A系统需要改代码调用新的系统，并实现新的接口给新的系统去调用。这种方式是系统间高度耦合。

使用消息队列，A系统负责将数据分发到MQ，消费端根据需要从MQ获取消息即可，不需要就取消MQ的消费。

消息队列的发布订阅

用户需要先去注册，才能收到相关消息。

比如游戏里面跨服：
（1）广播今天整体还剩多少把屠龙刀可以暴。
（2）广播用户暴的屠龙刀的消息。

消息队列的高并发缓冲

这个和消息队列的流量控制（削峰）有些类似。区别在于，这里没有大小限流，可能在某个时间点会出现超过后端处理能力的访问；比如后端处理能力是50000每秒，在某个时间点出现每秒80000的访问，这就可能造成击穿。

针对此情况，消息全部放入消息队列，消息队列提供可以把数据固化到磁盘的能力，降低高峰数据对后端的短暂冲击。

比如，后端处理能力50000，某个短暂时间点（比如一秒的时间）数据访问达到80000，消息队列将多的数据缓存到磁盘，后端仍然处理50000数据；冲击点退去后，访问数据降到了30000，那么消息队列将把缓存的数据放到后端处理。

比如kafka 日志服务、监控上报。

2.Kafka的架构

Kafka只写数据到leader副本，也只从leader副本获取数据。如果leader失效，会重新选择出leader(从Follower副本中选出，并且得是在同一个topic中的)。
优点类似MySQL的主从关系，写数据都是到主机里面，但是读数据不一样，Kafka读数据只能从主机里面读。

1.Kafka 存储的消息来自任意多被称为 Producer 生产者的进程。数据从而可以被发布到不同的 2.Topic 主题下的不同 Partition 分区。
在一个分区内，这些消息被索引并连同时间戳存储在一起。其它被称为 Consumer 消费者的进程可以从分区订阅消息。
3.Kafka 运行在一个由一台或多台服务器组成的集群上，并且分区可以跨集群结点分布。

2.1 Kafka 一些重要概念

Producer：消息生产者，向 Kafka Broker 发消息的客户端。
Consumer：消息消费者，从 Kafka Broker 获取消息的客户端。
Consumer Group：消费者组（CG），消费者组内每个消费者负责消费不同分区的数据，提高消费能力。一个分区只能由组内一个消费者消费，消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的一个订阅者。

(注意！！！当同组消费组订阅了同一个topic的话，那么同组消费者在消费消息队列的内容的话，那么每次只能由组内任意一个消费者进行消费，不能同时消费组内的所有消费者同时消费)
Broker：一台 Kafka 机器就是一个 Broker。一个集群(kafka cluster)由多个 Broker 组成。一个Broker 可以容纳多个 Topic。
Topic：可以理解为一个队列，Topic 将消息分类，生产者和消费者面向的是同一个Topic。

(其实这么设计主要是理解为一个逻辑上的存储，比如某个公众号的内容都存在topic上面，在物理上是存在每个partition)
Partition：为了实现扩展性，提高并发能力，一个非常大的 Topic 可以分布到多个 Broker （即服务器）上，一个 Topic 可以分为多个 Partition，同一个topic在不同的分区的数据是不重复的，每个 Partition 是一个有序的队列，其表现形式就是一个一个的文件夹。

(物理上表示的存储单元)
Replication：每一个分区都有多个副本，副本的作用是做备胎。当主分区（Leader）故障的时候会选择一个备胎（Follower）上位，成为Leader。在kafka中默认副本的最大数量是10个，且副本的数量不能大于Broker的数量，follower和leader绝对是在不同的机器，同一机器对同一个分区也只可能存放一个副本（包括自己）。
Message：消息，每一条发送的消息主体。
Leader：每个分区多个副本的“主”副本，生产者发送数据的对象，以及消费者消费数据的对象，都是 Leader。
Follower：每个分区多个副本的“从”副本，实时从 Leader 中同步数据，保持和 Leader 数据的同步。Leader 发生故障时，某个 Follower 还会成为新的 Leader。
Offset：消费者消费的位置信息，监控数据消费到什么位置，当消费者挂掉再重新恢复的时候，可以从消费位置继续消费。同一主题，不同的分区，它们的offset是独立的。
ZooKeeper：Kafka 集群能够正常工作，需要依赖于 ZooKeeper，ZooKeeper 帮助 Kafka 存储和管理集群信息。

！！！注意在我们启动kafka集群的时候，需要先启动zookeeper才能启动kafka

2.2 工作流程

不同的partition的offerset 是独立的。
Kafka 中消息是以 Topic 进行分类的，生产者生产消息，消费者消费消息，面向的都是同一个 Topic。(就是我们前面提到的topic是逻辑上的概率)
Topic 是逻辑上的概念，而 Partition 是物理上的概念，每个 Partition 对应于一个 log 文件，该 log 文件中存储的就是 Producer 生产的数据。Producer 生产的数据会不断追加到该 log 文件末端（顺序写），且每条数据都有自己的 Offset。
消费者组中的每个消费者，都会实时记录自己消费到了哪个 Offset，以便出错恢复时，从上次的位置继续消费。

我们的partition上会记录offset，这个offest代表消费者消费的位置，以便出错恢复时，从上次的位置继续消费
日志默认在：/tmp/kafka-logs

2.3 文件存储

Kafka文件存储也是通过本地落盘的方式存储的，主要是通过相应的log与index等文件保存具体的消息文件。

生产者不断的向log文件追加消息文件，为了防止log文件过大导致定位效率低下，Kafka的log文件以1G为一个分界点，当.log文件大小超过1G的时候，此时会创建一个新的.log文件，同时为了快速定位大文件中消息位置，Kafka采取了分片和索引的机制来加速定位。

在kafka的存储log的地方，即文件的地方，会存在消费的偏移量以及具体的分区信息，分区信息的话主要包括.index和.log文件组成，
所以总结一句话，就是一个topic有多个partition，一个partition对应一个log文件，我们的生产者生产的数据写到topic的时候就是写入到该topic的partition中也就是写到log文件中，log文件又分为多个segment，一个segment对应两个文件.index和.log文件

2.4 副本原理

副本机制（Replication），也可以称之为备份机制，通常是指分布式系统在多台网络互联的机器上保存有相同的数据拷贝。副本机制的好处在于：

提供数据冗余（即提高可用性）。
提供高伸缩性（支撑更高的读请求量）。
改善数据局部性（降低系统延时）。
目前Kafka只实现了副本机制带来的第 1 个好处，即是提供数据冗余实现高可用性和高持久性。

在kafka生产环境中，每台 Broker 都可能保存有各个主题下不同分区的不同副本，因此，单个 Broker上存有成百上千个副本的现象是非常正常的。

比如了一个有 3 台 Broker 的 Kafka 集群上的副本分布情况。主题 1 分区 0 的 3 个副本分散在 3 台 Broker 上，其他主题分区的副本也都散落在不同的 Broker 上，从而实现数据冗余。

上述的话总结一下就是每个broker对应一个kafka服务器，一个broker下保存多个topic的partition，那么我们如果有多个broker的话，并且每个类型的topic的分区保存在多个kafka服务器上(broker上)，可能比如topic1的follower副本保存在broker2，topic1的leader副本保存在broker3下，这样冗余的把数据分布在多个kafka服务器上的话，那么如果某一个服务器宕机的话

并且某个topic的leader副本下线了，那么我们就可以用其他kafka服务器(broker)中选出follower作为leader副本，当之前下线的副本上线之后，作为follower加入到kafka集群当中

Kafka是基于领导者（Leader-based）的副本机制：

1. 在 Kafka 中，副本分成两类：领导者副本和追随者副本。每个分区在创建时都要选举一个副本，称为领导者副本，其余的副本自动称为追随者副本。

2.Kafka 副本机制中的追随者副本是不对外提供服务的。

3.当领导者副本挂掉了，或领导者副本所在的 Broker 宕机时，Kafka 依托于 ZooKeeper 提供的监控功能能够实时感知到，并立即开启新一轮的领导者选举，从追随者副本中选一个作为新的领导者。老 Leader 副本重启回来后，只能作为追随者副本加入到集群中。

2.5 分区和主题的关系

一个分区只属于一个主题。
一个主题可以有多个分区。
同一主题的不同分区内容不一样，每个分区有自己独立的offset。
同一主题不同的分区能够放置到不同节点的broker。
分区规则设置得当可以使得同一主题的消息均匀落在不同的分区。

2.6 生产者

生产者是数据的入口。Producer在写入数据的时候永远是找leader，不会直接将数据写入follower。

2.6.1 分区可以水平扩展

Kafka 的消息组织方式实际上是三级结构：主题 - 分区 - 消息。主题下的每条消息只会保存在某一个分区中，而不会在多个分区中被保存多份。

分区的作用主要提供负载均衡的能力，能够实现系统的高伸缩性（Scalability)。不同的分区能够被放置到不同节点的机器上，而数据的读写操作也都是针对分区这个粒度而进行的，这样每个节点的机器都能独立地执行各自分区的读写请求处理。这样，当性能不足的时候可以通过添加新的节点机器来增加整体系统的吞吐量。

分区原则：需要将 Producer 发送的数据封装成一个 ProducerRecord 对象。
该对象需要指定一些参数：

topic：string 类型，NotNull。
partition：int 类型，可选。
timestamp：long 类型，可选。
key：string 类型，可选。
value：string 类型，可选。
headers：array 类型，Nullable。

2.6.2 分区策略

所谓分区策略是决定生产者将消息发送到哪个分区的算法。Kafka 为我们提供了默认的分区策略，同时它也支持自定义分区策略。

分区的原因

方便在集群中扩展：每个partition通过调整以适应它所在的机器，而一个Topic又可以有多个partition组成，因此整个集群可以适应适合的数据
可以提高并发：以Partition为单位进行读写。类似于多路。

2.6.2.1 轮询策略

Round-robin 策略，即顺序分配。比如一个主题下有 3 个分区，那么第一条消息被发送到分区 0，第二条被发送到分区 1，第三条被发送到分区 2，以此类推。当生产第 4 条消息时又会重新开始，即将其分配到分区 0

轮询策略有非常优秀的负载均衡表现，它总是能保证消息最大限度地被平均分配到所有分区上，故默认
情况下它是最合理的分区策略，也是我们最常用的分区策略之一。

2.6.2.2 随机策略-Randomness 策略

随机就是我们随意地将消息放置到任意一个分区上，如下面这张图所示。

随机策略是老版本生产者使用的分区策略，在新版本中已经改为轮询了。

2.6.2.3 按消息键保序策略-Key-ordering 策略

Kafka 允许为每条消息定义消息键，简称为 Key。这个 Key 的作用非常大，它可以是一个有着明确业务
含义的字符串，比如客户代码、部门编号或是业务 ID 等；也可以用来表征消息元数据。特别是在 Kafka
不支持时间戳的年代，在一些场景中，工程师们都是直接将消息创建时间封装进 Key 里面的。一旦消息被定义了 Key，那么你就可以保证同一个 Key 的所有消息都进入到相同的分区里面，由于每个分区下的消息处理都是有顺序的，故这个策略被称为按消息键保序策略。
key1 — 落在同一分区
key2 — 落在同一个分区

2.6.2.4 默认分区规则。

如果指定的partition，那么直接进入该partition。
如果没有指定partition，但是指定了key，使用key的 hash一选择partition。
如果既没有指定partition，也没有指定key，使用轮询一的方式进入partition。

2.7 消费者

传统的消息队列模型的消息一旦被消费，就会从队列中被删除，而且只能被下游的一个Consumer 消费。这种模型的伸缩性（scalability）很差，因为下游的多个 Consumer 都要“抢”这个共享消息队列的消息。发布 / 订阅模型倒是允许消息被多个 Consumer 消费，但它的问题也是伸缩性不高，因为每个订阅者都必须要订阅主题的所有分区。这种全量订阅的方式既不灵活，也会影响消息的真实投递效果。

当 Consumer Group 订阅了多个主题后，组内的每个实例不要求一定要订阅主题的所有分区，它只会消费部分分区中的消息。Consumer Group 之间彼此独立，互不影响，它们能够订阅相同的一组主题而互不干涉。再加上 Broker 端的消息留存机制，Kafka 的 Consumer Group 完美地规避了上面提到的伸缩性差的问题。可以这么说，Kafka 仅仅使用 Consumer Group 这一种机制，却同时实现了传统消息引擎
系统的两大模型：

如果所有实例（消费者）都属于同一个 Group，那么它实现的就是点对点消息队列模型；
如果所有实例（消费者）分别属于不同的 Group，那么它实现的就是发布 / 订阅模型。

2.7.1 消费方式

Consumer 采用 Pull（拉取）模式从 Broker 中读取数据。

Pull 模式则可以根据 Consumer 的消费能力以适当的速率消费消息。Pull 模式不足之处是，如果 Kafka没有数据，消费者可能会陷入循环中，一直返回空数据。
因为消费者从 Broker 主动拉取数据，需要维护一个长轮询，针对这一点， Kafka 的消费者在消费数据时会传入一个时长参数 timeout。如果当前没有数据可供消费，Consumer 会等待一段时间之后再返回，这段时长即为 timeout。

2.7.2 分区分配策略

一个消费者可以订阅多个主题，可以去消费多个分区，一个分区不支持多个消费者（同一个消费组）读
取。

一个消费者组中有多个 consumer，一个 topic 有多个 partition，所以必然会涉及到 partition 的分
配问题，即确定那个 partition 由哪个 consumer 来消费。当消费者组里面的消费者个数发生改变的时
候，也会触发再平衡。

Kafka 有四种分配策略，可以通过参数 partition.assignment.strategy 来配置，默认 Range + CooperativeSticky。

RoundRobin：针对集群中的所有topic；轮询的方式依次将分区分配给消费者。
Range，默认为Range：针对每个topic；通过分区数 / 消费者数决定每个消费者消费几个分区。如果除不尽则前面几个消费者会多消费1个分区（最好要保证分区数量可以整除消费者数量，不然会随着topic数量的增多，数据倾斜会越严重）。
Sticky：首先会尽量均衡放置分区到消费者上面，出现同一消费组内消费者出现问题的时候，会尽量保持原有分配的分区不变化。
CooperativeSticky：在不停止消费的情况下进行增量再平衡。

（1）RangeAssignor分配策略

RangeAssignor 分配策略的原理是按照消费者总数和分区总数进行整除运算来获得一个跨度，然后将分
区按照跨度进行平均分配，以保证分区尽可能均匀地分配给所有的消费者。

每一个主题，RangeAssignor策略会将消费组内所有订阅这个主题的消费者按照名称的字典序排序，然
后为每个消费者划分固定的分区范围，如果不够平均分配，那么字典序靠前的消费者会被多分配一个分
区。

假设n= 分区数／消费者数量，m= 分区数％消费者数量，那么前m个消费者每个分配n+1个分区，后面
的（消费者数量-m)个消费者每个分配n个分区。

假设消费组内有2个消费者C0和C1都订阅了主题t0和t1, 并且每个主题都有4个分区，那么订阅的所有分
区可以标识为： t0p0、t0p1、t0p2、t0p3、t1p0、t1p1、t1p2、t1p3。最终的分配结果为：

消费者C0: t0p0、t0p1、t1p0、t1p1
消费者C1: t0p2、t0p3、t1p2、t1p3
这样分配得很均匀，那么这个分配策略能够一直保持这种良好的特性吗？我们不妨再来看另一种情况。
假设上面例子中2个主题都只有3个分区，那么订阅的所有分区可以标识为：t0p0、 t0p1、t0p2、
t1p0、t1p1、t1p2最终的分配结果为：

消费者C0: t0p0、t0p1、t1p0、t1p1
消费者C1: t0p2、t1p2
可以明显地看到这样的分配并不均匀，如果将类似的情形扩大，则有可能出现部分消费者过载的情况。
对此我们再来看另一种RoundRobinAssignor策略的分配效果如何。

总结：
最好要保证分区数量可以整除消费者数量，不然会随着topic数量的增多，数据倾斜会越严重

（2）RoundRobinAssignor分配策略

RoundRobinAssi gnor 分配策略的原理是将消费组内所有消费者及消费者订阅的所有主题的分区按照字
典序排序，然后通过轮询方式逐个将分区依次分配给每个消费者。RoundRobinAssignor 分配策略对应
的Partition.assignment.strategy参数值为org.apache.kafka.C1ients.Consumer.RoundRobinAssignor。

如果同一个消费组内所有的消费者的订阅信息都是相同的，那么RoundRobinAssignor分配策略的分区
分配会是均匀的。

比如：假设消费组中有2个消费者C0 和C1都订阅了主题 t0和t1, 并且每个主题都有3个分区，那么订阅的
所有分区可以标识为：t0p0、t0p1、t0p2、t1p0、 t1p1、t1p2。最终的分配结果为：

消费者C0: t0p0、t0p2、t1p1
消费者C1: t0p1、t1p0、t1p2
如果同一个消费组内的消费者订阅的信息是不相同的，那么在执行分区分配的时候就不是完全的轮询分
配，有可能导致分区分配得不均匀。如果某个消费者没有订阅消费组内的某个主题，那么在分配分区的
时候此消费者将分配不到这个主题的任何分区。

比如：假设消费组内有3个消费者(C0、 C1和C2), 它们共订阅了3个主题(t0、t1、 t2) , 这 3个主题分别有
1、2、3个分区，即整个消费组订阅了t0p0、 t1p0、 t1p1、 t2p0、 t2p1、 t2p2这6个分区。具体而
言，消费者 C0 订阅的是主题t0, 消费者C1 订阅的是主题t0和t1, 消费者C2 订阅的是主题t0、t1和t2, 那
么最终的分配结果为：

消费者C0: t0p0
消费者C1: t1p0
消费者C2: t1p1、t2p0、 t2p1、t2p2
可以看到RoundRobinAssignor策略也不是十分完美，这样分配其实并不是最优解，因为完全可以将分
区t1p1 分配给消费者C1。

所以需要注意：如果使用RoundRobinAssignor策略，则消费者应该订阅相同的主题。

（3）StickyAssignor分配策略

我们再来看一下StickyAssignor分配策略， “sticky"这个单词可以翻译为“ 黏性的”, Kafka 从0.11.x版本
开始引入这种分配策略，它主要有两个目的：
(1)分区的分配要尽可能均匀。
(2)分区的分配尽可能与上次分配的保待相同。

当两者发生冲突时，第一个目标优先于第二个目标。

鉴于这两个目标， StickyAssignor分配策略的具体实现要比RangeAssignor和RoundRobinAssignor这
两种分配策略要复杂得多。我们举例来看一下StickyAssignor分配策略的实际效果。

假设消费组内有3个消费者(C0、C1和C2)，它们都订阅了4个主题(t0、t1、t2、t3)，并且每个主题有2个
分区。也就是说，整个消费组订阅了t0p0、 t0p1、 t1p0、 t1p1、 t2p0、 t2p1、 t3p0、 t3p1这8个分区。 最终的分配结果如下：

消费者C0: t0p0、t1p1、t3p0
消费者C1: t0p1、t2p0、t3p1
消费者C2: t1p0、t2p1
这样初看上去似乎与采用RoundRobinAssignor分配策略所分配的结果相同，但事实是否真的如此呢？
再假设此时消费者 C1脱离了消费组，那么消费组就会执行再均衡操作，进而消费分区会重新分配。如
果采用RoundRobinAssignor 分配策略，那么此时的分配结果如下：

消费者C0: t0p0、t1p0、t2p0、t3p0
消费者C2: t0p1、t1p1、t2p1、t3p1
如分配结果所示，RoundRobinAssignor分配策略会按照消费者C0 和C2进行重新轮询分配。如果此时
使用的是StickyAssignor分配策略，那么分配结果为：

消费者C0: t0p0、t1p1、t3p0、t2p0
消费者C2: t1p0、t2p1、t0p1、t3p1
可以看到分配结果中保留了上一次分配中对消费者 C0 和C2的所有分配结果，并将原来消费者C1的 “ 负
担 “ 分配给了剩余的两个消费者 C0 和C2, 最终 C0 和C2的分配还保持了均衡。

如果发生分区重分配，那么对于同一个分区而言，有可能之前的消费者和新指派的消费者不是同一个，
之前消费者进行到一半的处理还要在新指派的消费者中再次复现一遍，这显然很浪费系统资源。

StickyAssignor 分配策略如同其名称中的"st1cky" 一样，让分配策略具备一定的 “ 黏性 ” ，尽可能地让
前后两次分配相同，进而减少系统资源的损耗及其他异常情况的发生。

到目前为止，我们分析的都是消费者的订阅信息都是相同的情况，我们来看一下订阅信息不同的清况下
的处理。

举个例子，同样消费组内有3个消费者(C0、C1和C2) , 集群中有3个主题(t0、t1和 t2) , 这3个主题分别有
1、2、3个分区。也就是说，集群中有t0p0、 t1p0、 t1p1、 t2p0、 t2p1、 t2p2这6个分区。消费者
C0 订阅了主题t0，消费者C1订阅了主题t0和t1, 消费者C2订阅了主题t0、t1和t2。如果此时采用
RoundRobinAssignor分配策略，那么最终的分配结果如RoundRobinAssignor分配策略时的一样

RoundRobinAssignor分配策略的分配结果

消费者C0: t0p0
消费者C1: t1p0
消费者C2: t1p1、t2p0、t2p1、t2p2
如果此时采用的是StickyAssignor分配策略，那么最终的分配结果如下所示。
StickyAssignor分配策略的分配结果

消费者C0: t0p0
消费者C1: t1p0、t1p1
消费者C2: t2p0、t2p1、t2p2
可以看到这才是一个最优解（消费者C0 没有订阅主题t1和t2, 所以不能分配主题t1和t2 中的任何分区给它，对于消费者C1也可同理推断）。

假如此时消费者C0 脱离了消费组，那么RoundRobinAssignor分配策略的分配结果为：

消费者C1: t0p0、t1p1
消费者C2: t1p0、t2p0 、t2p1、 t2p2
可以看到RoundRobinAssignor策略保留了消费者C1和C2中原有的3个分区的分配：t2p0、 t2p I和t2p2。

如果采用的是StickyAssignor分配策略，那么分配结果为：

消费者C1: t1p0、t1p1、t0p0
消费者C2: t2p0、t2p1、 t2p2
可以看到StickyAssignor分配策略保留了消费者C1和C2中原有的5个分区的分配：t1p0、t1p1、t2p0、
t2p1、t2p2。

使用StickyAssignor分配策略的一个优点就是可以使分区重分配具备 “ 黏性"’ 减少不必要的分区移动（即
一个分区剥离之前的消费者，转而分配给另一个新的消费者）。
StickyAssignor分配策略比另外两者分配策略而言显得更加优异，但这个策略的代码实现也异常复杂，就不介绍了

2.8 数据可靠性保证

为保证 Producer 发送的数据，能可靠地发送到指定的 Topic，Topic 的每个 Partition 收到 Producer发送的数据后，都需要向 Producer 发送 ACK（ACKnowledge 确认收到）。如果 Producer 收到 ACK，就会进行下一轮的发送，否则重新发送数据。

2.8.1 副本数据同步策略

确保有 Follower 与 Leader 同步完成，Leader 再发送 ACK，这样才能保证 Leader 挂掉之后，能在 Follower 中选举出新的 Leader 而不丢数据。

2.8.1.1 ISR(同步副本集)

猜想？？？

采用了第二种方案进行同步ack之后，如果leader收到数据，所有的follower开始同步数据，但有一个follower因为某种故障，迟迟不能够与leader进行同步，那么leader就要一直等待下去，直到它同步完成，才可以发送ack，此时需要如何解决这个问题呢？

解决！！！

leader中维护了一个动态的ISR（in-sync replica set），即与leader保持同步的follower集合，当ISR中的follower完成数据的同步之后，给leader发送ack，如果follower长时间没有向leader同步数据，则该follower将从ISR中被踢出，该之间阈值由replica.lag.time.max.ms参数设定。当leader发生故障之后，会从ISR中选举出新的leader。