一文讀懂什么是分布式流處理系統Kafka

什么是Kafka

Kafka是一個分布式流處理系統，流處理系統使它可以像消息隊列一樣publish或者subscribe消息，分布式提供了容錯性，并發處理消息的機制。

Kafka的基本概念

kafka運行在集群上，集群包含一個或多個服務器。kafka把消息存在topic中，每一條消息包含鍵值（key），值（value）和時間戳（timestamp）。

kafka有以下一些基本概念：

Producer - 消息生產者，就是向kafka broker發消息的客戶端。

Consumer - 消息消費者，是消息的使用方，負責消費Kafka服務器上的消息。

Topic - 主題，由用戶定義并配置在Kafka服務器，用于建立Producer和Consumer之間的訂閱關系。生產者發送消息到指定的Topic下，消息者從這個Topic下消費消息。

Partition - 消息分區，一個topic可以分為多個 partition，每個partition是一個有序的隊列。partition中的每條消息都會被分配一個有序的id（offset）。

Broker - 一臺kafka服務器就是一個broker。一個集群由多個broker組成。一個broker可以容納多個topic。

Consumer Group - 消費者分組，用于歸組同類消費者。每個consumer屬于一個特定的consumer group，多個消費者可以共同消息一個Topic下的消息，每個消費者消費其中的部分消息，這些消費者就組成了一個分組，擁有同一個分組名稱，通常也被稱為消費者集群。

Offset - 消息在partition中的偏移量。每一條消息在partition都有唯一的偏移量，消息者可以指定偏移量來指定要消費的消息。

Kafka分布式架構

如上圖所示，kafka將topic中的消息存在不同的partition中。如果存在鍵值（key），消息按照鍵值（key）做分類存在不同的partiition中，如果不存在鍵值（key），消息按照輪詢（Round Robin）機制存在不同的partition中。默認情況下，鍵值（key）決定了一條消息會被存在哪個partition中。

partition中的消息序列是有序的消息序列。kafka在partition使用偏移量（offset）來指定消息的位置。一個topic的一個partition只能被一個consumer group中的一個consumer消費，多個consumer消費同一個partition中的數據是不允許的，但是一個consumer可以消費多個partition中的數據。

kafka將partition的數據復制到不同的broker，提供了partition數據的備份。每一個partition都有一個broker作為leader，若干個broker作為follower。所有的數據讀寫都通過leader所在的服務器進行，并且leader在不同broker之間復制數據。

上圖中，對于Partition 0，broker 1是它的leader，broker 2和broker 3是follower。對于Partition 1，broker 2是它的leader，broker 1和broker 3是follower。

在上圖中，當有Client（也就是Producer）要寫入數據到Partition 0時，會寫入到leader Broker 1，Broker 1再將數據復制到follower Broker 2和Broker 3。

在上圖中，Client向Partition 1中寫入數據時，會寫入到Broker 2，因為Broker 2是Partition 1的Leader，然后Broker 2再將數據復制到follower Broker 1和Broker 3中。

上圖中的topic一共有3個partition，對每個partition的讀寫都由不同的broker處理，因此總的吞吐量得到了提升。

實驗一：kafka-python實現生產者消費者

kafka-python是一個python的Kafka客戶端，可以用來向kafka的topic發送消息、消費消息。

這個實驗會實現一個producer和一個consumer，producer向kafka發送消息，consumer從topic中消費消息。結構如下圖

producer代碼

consumer代碼

接下來創建test topic

打開兩個窗口中，我們在window1中運行producer，如下

在window2中運行consumer，如下

可以看到window2中的consumer成功的讀到了producer寫入的數據

實驗二：消費組實現容錯性機制

這個實驗將展示消費組的容錯性的特點。這個實驗中將創建一個有2個partition的topic，和2個consumer，這2個consumer共同消費同一個topic中的數據。結構如下所示

producer部分代碼和實驗一相同，這里不再重復。consumer需要指定所屬的consumer group，代碼如下

接下來我們創建topic，名字test，設置partition數量為2

打開三個窗口，一個窗口運行producer，還有兩個窗口運行consumer。

運行consumer的兩個窗口的輸出如下：

可以看到兩個consumer同時運行的情況下，它們分別消費不同partition中的數據。window1中的consumer消費partition 0中的數據，window2中的consumer消費parition 1中的數據。

我們嘗試關閉window1中的consumer，可以看到如下結果

剛開始window2中的consumer只消費partition1中的數據，當window1中的consumer退出后，window2中的consumer中也開始消費partition 0中的數據了。

實驗三：offset管理

kafka允許consumer將當前消費的消息的offset提交到kafka中，這樣如果consumer因異常退出后，下次啟動仍然可以從上次記錄的offset開始向后繼續消費消息。

這個實驗的結構和實驗一的結構是一樣的，使用一個producer，一個consumer，test topic的partition數量設為1。

producer的代碼和實驗一中的一樣，這里不再重復。consumer的代碼稍作修改，這里consumer中打印出下一個要被消費的消息的offset。consumer代碼如下

在一個窗口中啟動producer，在另一個窗口并且啟動consumer。consumer的輸出如下

可以嘗試退出consumer，再啟動consumer。每一次重新啟動，consumer都是從offset=98的消息開始消費的。

修改consumer的代碼如下，在consumer消費每一條消息后將offset提交回kafka

啟動consumer

可以看到consumer從offset=98的消息開始消費，到offset=829時，我們Ctrl+C退出consumer。

我們再次啟動consumer

可以看到重新啟動后，consumer從上一次記錄的offset開始繼續消費消息。之后每一次consumer重新啟動，consumer都會從上一次停止的地方繼續開始消費。

本文主要介紹了一下kafka的基本概念，并結合一些實驗幫助理解kafka中的一些難點，如多個consumer的容錯性機制，offset管理。