Kafka简明教程

作者：柳树之

www.jianshu.com/p/7b77723d4f96

kafka是啥？用kafka官方的话来说就是：

kafka is used for building real-time data pipelines and streaming apps. it is horizontally scalable, fault-tolerant, wicked fast, and runs in production in thousands of companies.

大致的意思就是，这是一个实时数据处理系统，可以横向扩展、高可靠，而且还变态快，已经被很多公司使用。

那么什么是实时数据处理系统呢？顾名思义，实时数据处理系统就是数据一旦产生，就要能快速进行处理的系统。

对于实时数据处理，我们最常见的，就是消息中间件了，也叫mq（message queue，消息队列），也有叫message broker的。

这篇文章，我将从消息中间件的角度，带大家看看kafka的内部结构，看看它是如何做到横向扩展、高可靠的同时，还能变态快的。

为什么需要消息中间件

消息中间件的作用主要有两点：

• 解耦消息的生产和消费。

• 缓冲。

想象一个场景，你的一个创建订单的操作，在订单创建完成之后，需要触发一系列其他的操作，比如进行用户订单数据的统计、给用户发送短信、给用户发送邮件等等，就像这样：

createorder(...){
  ...
  statorderdata(...);
  sendsms();
  sendemail();
}

代码这样写似乎没什么问题，可是过了一段时间，你给系统引进了一个用户行为分析服务，它也需要在订单创建完成之后，进行一个分析用户行为的操作，而且随着系统的逐渐壮大，创建订单之后要触发的操作也就越来越多，代码也渐渐膨胀成这样：

createorder(...){
  ...
  statorderdata(...);
  sendsms();
  sendemail();
  // new operation
  statuserbehavior(...);
  doxxx(...);
  doyyy(...);
  // more and more operations
  ...
}

导致代码越来越膨胀的症结在于，消息的生产和消费耦合在一起了。createorder方法不仅仅要负责生产“订单已创建”这条消息，还要负责处理这条消息。

这就好比bbc的记者，在知道皇马拿到欧冠冠军之后，拿起手机，翻开皇马球迷通讯录，给球迷一个一个打电话，告诉他们，皇马夺冠了。

事实上，bbc的记者只需要在他们官网发布这条消息，然后球迷自行访问bbc，去上面获取这条新闻；又或者球迷订阅了bbc，那么订阅系统会主动把发布在官网的消息推送给球迷。

同样，createorder也需要一个像bbc官网那样的载体，也就是消息中间件，在订单创建完成之后，把一条主题为“ordercreated”的消息，放到消息中间件去就ok了，不必关心需要把这条消息发给谁。这就完成了消息的生产。

至于需要在订单创建完成之后触发操作的服务，则只需要订阅主题为“ordercreated”的消息，在消息中间件出现新的“ordercreated”消息时，就会收到这条消息，然后进行相应的处理。

因此，通过使用消息中间件，上面的代码也就简化成了：

createorder(...){
  ...
  sendordercreatedmessage(...);
}

以后如果在订单创建之后有新的操作需要执行，这串代码也不需要修改，只需要给对消息进行订阅即可。

另外，通过这样的解耦，消费者在消费数据时更加的灵活，不必每次消息一产生就要马上去处理（虽然通常消费者侧也会有线程池等缓冲机制），可以等自己有空了的时候，再过来消息中间件这里取数据进行处理。这就是消息中间件带来的缓冲作用。

kafka一代 - 消息队列

从上面的描述，我们可以看出，消息中间件之所以可以解耦消息的生产和消费，主要是它提供了一个存放消息的地方——生产者把消息放进来，消费者在从中取出消息进行处理。

那么这个存放消息的地方，应该采用什么数据结构呢？

在绝大多数情况下，我们都希望先发送进来的消息，可以先被处理（fifo），这符合大多数的业务逻辑，少数情况下我们会给消息设置优先级。不管怎样，对于消息中间件来说，一个先进先出的队列，是非常合适的数据结构：

那么要怎样保证消息可以被顺序消费呢？

消费者过来获取消息时，每次都把index=0的数据返回过去，然后再删除index=0的那条数据？

很明显不行，因为订阅了这条消息的消费者数量，可能是0，也可能是1，还可能大于1。如果每次消费完就删除了，那么其他订阅了这条消息的消费者就获取不到这条消息了。

事实上，kafka会对数据进行持久化存储（至于存放多长时间，这是可以配置的），消费者端会记录一个offset，表明该消费者当前消费到哪条数据，所以下次消费者想继续消费，只需从offset+1的位置继续消费就好了。

消费者甚至可以通过调整offset的值，重新消费以前的数据。

那么这就是kafka了吗？不，这只是一条非常普通的消息队列，我们姑且叫它为kafka一代吧。

这个kafka一代用一条消息队列实现了消息中间件，这样的简单实现存在不少问题：

• topic鱼龙混杂。想象一下，一个只订阅了topic为“a”的消费者，却要在一条有abcdefg…等各种各样topic的队列里头去寻找topic为a的消息，这样性能岂不是很慢？

• 吞吐量低。我们把全部消息都放在一条队列了，请求一多，它肯定应付不过来。

由此就引申出了kafka二代。

kafka二代 - partition

要解决kafka一代的那两个问题，很简单——分布存储。

二代kafka引入了partition的概念，也就是采用多条队列， 每条队列里面的消息都是相同的topic：

partition的设计解决了上面提到的两个问题：

• 纯topic队列。一个队列只有一种topic，消费者再也不用担心会碰到不是自己想要的topic的消息了。

• 提高吞吐量。不同topic的消息交给不同队列去存储，再也不用以一敌十了。

一个队列只有一种topic，但是一种topic的消息却可以根据自定义的key值，分散到多条队列中。也就是说，上图的p1和p2，可以都是同一种topic的队列。不过这是属于比较高级的应用了，以后有机会再和大家讨论。

kafka二代足够完美了吗？当然不是，我们虽然通过partition提升了性能，但是我们忽略了一个很重要的问题——高可用。

万一机器挂掉了怎么办？单点系统总是不可靠的。我们必须考虑备用节点和数据备份的问题。

kafka三代 - broker集群

很明显，为了解决高可用问题，我们需要集群。

kafka对集群的支持也是非常友好的。在kafka中，集群里的每个实例叫做broker，就像这样：

每个partition不再只有一个，而是有一个leader(红色)和多个replica(蓝色)，生产者根据消息的topic和key值，确定了消息要发往哪个partition之后（假设是p1），会找到partition对应的leader(也就是broker2里的p1)，然后将消息发给leader，leader负责消息的写入，并与其余的replica进行同步。

一旦某一个partition的leader挂掉了，那么只需提拔一个replica出来，让它成为leader就ok了，系统依旧可以正常运行。

通过broker集群的设计，我们不仅解决了系统高可用的问题，还进一步提升了系统的吞吐量，因为replica同样可以为消费者提供数据查找的功能。

kafka没那么简单

这篇文章只是带大家初步认识一下kafka，很多细节并没有深入讨论，比如：

1、kafka的消息结构？

我们只知道kafka内部是一个消息队列，但是队列里的元素长什么样，包含了哪些消息呢？