第 1 章 概述
1.1 定义
Kafka 是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。
1.3 Kafka 基础架构
1 ）Producer ：消息生产者，就是向 kafka broker 发消息的客户端；
2 ）Consumer ：消息消费者，向 kafka broker 取消息的客户端；
3 ）Consumer Group （CG ）：消费者组，由多个 consumer 组成。 消费者组内每个消费者负责消费不同分区的数据，一个分区只能由一个 组内 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。同一个消费者组的每个消费者不能消费同一个分区的消息，消费者组中的每个消费者必须消费不同的分区的消息，
4 ）Broker ：一台 kafka 服务器就是一个 broker。一个集群由多个 broker 组成。一个 broker可以容纳多个 topic。
5 ）Topic ：可以理解为一个队列， 生产者和消费者面向的都是一个 topic；Producer 将消息发送到特定的主题，Consumer 通过订阅特定的 Topic(主题) 来消费消息。
6 ）Partition ：为了实现扩展性，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，每个分区承当发往本topic的一部分消息，分区数等于一个消费者组中消费者的个数，每个 partition 是一个有序的队列；
7） ）Replica： ：副本，为保证集群中的某个节点发生故障时，该节点上的 partition 数据不丢失，且 kafka 仍然能够继续工作，kafka 提供了副本机制，一个 topic 的每个分区都有若干个副本，一个 leader 和若干个 follower。生产者和消费者只从leader中存取数据，follower 只是用来数据备份。
8 ）leader ：每个分区多个副本的“主”，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。
9 ）follower ：每个分区多个副本中的“从”，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 会成为新的 follower。
第 2 章 Kafka 架构深入
2.1 Kafka 工作流程及文件存储机制
2.1.1 Kafka工作流程
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，都是面向 topic的。
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 生产的数据会被不断追加到该log 文件末端，且每条数据都有自己的 offset(保证了消息在分区内的顺序性）。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。
2.1.2 Kafka文件存储机制
一个topic 分为多个partition, 每个 partition 对应于一个 log 文件。由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了 分片和 索引机制，将每个 partition 分为多个 segment。每个 segment对应两个文件——“.index”索引文件和“.log”数据文件。
“.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中 message 的物理偏移地址。
2.2 Kafka 生产者
2.2.1 分区策略
1 ）分区的 原因
（1） 方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，性能好的数据多处理一些消息数据，性能差的机器少处理一些消息数据。一个 topic又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
（2） 可以提高并发，因为可以以 Partition 为单位读写了。
2 ） 分区的原则（相当于是问如何保证 Kafka 中消息消费的顺序）
我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。
（1）指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
（2）没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition数进行取余得到 partition 值；
（3）既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition值，也就是常说的 round-robin 算法。
2.2.2 数据可靠性保证
为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 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。
1 ） 副本数据同步策略
方案一：半数以上完成同步，就发送ack
优点：延迟低
缺点：选举新的leader 时，容忍n台节点的故障，需要2n+1个副本。如果只有2n个结点，因为每次同步半数就会返回确认，即同步了n份就返回ack, 如果这时这n个结点都发生故障，那数据就丢失了。但是如果有2n+1个副本，半数就是n + 1, 每次同步(n+1)个结点才会返回ack, 这时就算有n个结点挂了，也还是至少有一个结点存在完整数据。所以为了容忍n台节点的故障，需要2n+1个副本。
方案二：全部完成同步，才发送ack
优点：选举新的leader 时，容忍n台节点的故障，需要n+1个副本。因为每次都是同步了所有结点才会返回ack，每个结点都有全量数据，在n+1个副本的情况下，即使n个结点发生了故障，剩下的那个结点仍然有全量数据，可以正常工作。所以容忍n台节点的故障，需要n+1个副本。
缺点：延迟高
Kafka 选择了第二种方案，原因如下：
1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。
2） ISR（同步备份集）
Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower长 时 间 未 向 leader 同 步ack 数 据 ， 则 该 follower 将 被 踢 出 ISR 。Leader 发生故障之后，就会从 ISR 中选举新的 leader。
3 ）ack 应答机制（三种可靠性级别）
对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等 ISR 中的 follower 全部接收成功。
所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。
acks 参数配置：
0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能 丢失数据；
1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower同步成功之前 leader 故障，那么将会丢失数据
-1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成 数据重复。Kafka通过幂等性解决了这个数据重复的问题。
4 ） 故障 处理
每个log文件维护两个字段：
LEO （Log End Offset）：指的是每个副本最大的 offset ；
HW（High Watermark） ：所有副本中最小的LEO，HW之前的数据才对Consumer可见
（1 ）follower 故障
follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 当前的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。
（2 ）leader 故障
leader 发生故障之后，会从 ISR 中通过竞争选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader同步数据。
注意： 这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。
2.2.3 Exactly Once 语义（恰好一次）
将服务器的 ACK 级别设置为-1，即生产者发送消息后，要等所有的分区副本都同步完成leader才会发送ask, 这样可以保证 Producer 到 Server 之间不会丢失数据，这就是At Least Once 语义。如果将服务器 ACK 级别设置为 0，即生产者发送消息后，leader 收到这个消息但是还没有写入磁盘就返回ack, 这样可以保证生产者每条消息最多只会被发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；相对的，At Least Once 可以保证数据不重复，但是不能保证数据不丢失。
为了解决At Least Once 的重复性问题和 At most Once 的数据丢失性问题，kafka引入了一个幂等性，所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。同时解决的了数据重复和数据丢失的问题。
2.3 Kafka 消费者
2.3.1 消费
consumer 采用 pull（拉）模式从 broker 中读取数据。
push （推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而 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。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。
2.3.2 分区分配策略
一个 consumer group 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。
Kafka 有两种分配策略，一是 RoundRobin，一是 Range。
2 ）Range
2.3.3 offset 的维护
由于 consumer 在消费过程中可能会出现断电宕机等故障，consumer 恢复后，需要从故障前的位置的继续消费，所以 consumer 需要实时记录自己消费到了哪个 offset，以便故障恢复后继续消费。
Kafka 0.9 版本之前，consumer 默认将 offset 保存在 Zookeeper 中，从 0.9 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。
2.4 Kafka 高效读写数据的原因
1 ）顺序写磁盘
Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。
2）零复制技术
正常的读写文件是从磁盘到操作系统再到我们的程序，然后程序又将数据写入操作系统缓存，最后再写入磁盘。现在我们需要发送一个命令，让操作系统直接读取文件和写入文件，而不用到经过我们的程序，这样就是0拷贝，省去了很多开销。
注意：在集群多台服务器中效率高的原因还有一点是采用了分布式分区机制，提高了并发度。
2.5 Zookeeper 在 Kafka 中的作用
Kafka 集群中有一个 broker 会被选举为 Controller，负责管理集群 broker 的上下线，所有 topic 的分区、副本分配和 leader 选举等工作。
Controller 的管理工作都是依赖于 Zookeeper 的。
第3章 Kafka API
3.1 Producer API
3.1.1 消息发送流程
Kafka 的 Producer 发送消息采用的是 异步发送的方式。在消息发送的过程中，涉及到了两个线程 ——main 线程和 Sender 线程，以及 一个线程共享变量 ——RecordAccumulator。main 线程将消息发送给 RecordAccumulator，Sender 线程不断从 RecordAccumulator 中拉取消息发送到 Kafka broker。
我们现在经常提到 Kafka 的时候就已经默认它是一个非常优秀的消息队列了，我们也会经常拿它给 RocketMQ、RabbitMQ 对比。我觉得 Kafka 相比其他消息队列主要的优势如下：
- 极致的性能 ：基于 Scala 和 Java 语言开发，设计中大量使用了批量处理和异步的思想，最高可以每秒处理千万级别的消息。
- 生态系统兼容性无可匹敌 ：Kafka 与周边生态系统的兼容性是最好的没有之一，尤其在大数据和流计算领域。
