我挖掘Kafka底层原理！发现了它火爆宇宙的3个真相！

2020-01-06 13:44:55

来自：架构师社区
作者：陌北有棵树，一线互联网JAVA工程师，热爱研究开源技术，架构师社区合伙人

目前市面上各种中间件层出不穷，我们在做具体的选型时难免会纠结，在这里阐述点粗浅的看法，其实每个中间件在其设计上，都有其独有的特点或优化点，这些恰好应该是我们所关注的，这样才能做到物尽其用，将其特性发挥到大；同时还要了解它们各自的劣势，这主要为了避坑。各种中间件就像是积木，我们能做的，就是选择合适形状的积木，搭出需要的房子。

不得不说Kafka这块积木，既能做消息中间件削峰解耦，又能做实时流处理，数据业务两手抓，真可谓上得厅堂，下得厨房。所以Kafka系列的篇，想先从它的应用场景分别出发，说说是哪些技术和原理支撑了它的技术特性。

Kafka核心思想概括

所有的消息以“有序日志“的方式存储，生产者将消息发布到末端（可理解为追加），消费者从某个逻辑位按序读取。

【场景一】消息中间件

在选择消息中间件时，我们的主要关注点有：性能、消息的可靠性，顺序性。

1.性能

关于Kafka的高性能，主要是因为它在实现上利用了操作系统一些底层的优化技术，尽管作为写业务代码的程序员，这些底层知识也是需要了解的。

【优化一】零拷贝

这是Kafka在消费者端的优化，我们通过两张图来比较一下传统方式与零拷贝方式的区别：

传统方式：

零拷贝方式：
终极目标：如何让数据不经过用户空间？
从图中可看出，零拷贝省略了拷贝到用户缓冲的步骤，通过文件描述符，直接从内核空间将数据复制到网卡接口。

【优化二】顺序写入磁盘

写入消息时，采用文件追加的方式，并且不允许修改已经写入的消息，于是写入磁盘的方式是顺序写入。我们通常认为的基于磁盘读写性能较差，指的是基于磁盘的随机读写；事实上，基于磁盘的顺序读写，性能接近于内存的随机读写，以下是性能对比图：

【优化三】内存映射

概括：用户空间的一段内存区域映射到内核空间，这样，无论是内核空间或用户空间对这段内存区域的修改，都可以直接映射到另一个区域。
优势：如果内核态和用户态存在大量的数据传输，效率是非常高的。
为什么会提高效率：概括来讲，传统方式为read()系统调用，进行了两次数据拷贝；内存映射方式为mmap()系统调用，只进行一次数据拷贝

【优化四】批量压缩

生产者：批量发送消息集
消费者：主动拉取数据，同样采用批量拉取的方式

2.可靠性

Kafka的副本机制是保证其可靠性的核心。

关于副本机制，我将它理解为Leader-Follower机制，就是多个服务器中有相同数据的多个副本，并且划分的粒度是分区。很明显，这样的策略就有下面几个问题必须解决：

各副本间如何同步？
ISR机制：Leader动态维护一个ISR（In-Sync Replica）列表，
Leader故障，如何选举新的Leader？
要想解决这个问题，就要引出Zookeeper，它是Kafka实现副本机制的前提，关于它的原理且听下回分解，本篇还是从Kafka角度进行分析。在这里我们只需要了解，一些关于Broker、Topics、Partitions的元信息存储在Zookeeper中，Leader发生故障时，从ISR集合中进行选举新的Leader。

request.required.acks来设置数据的可靠性：

分区机制和副本机制知识点：

3.顺序性

顺序性保证主要依赖于分区机制 + 偏移量。

提到分区，首先就要解释一下相关的概念以及他们之间的关系，个人总结如下几点：

服务器（Broker）：指一个独立的服务器

主题（Topic）：消息的逻辑分类，可跨Broker

分区（Partition）：消息的物理分类，基本的存储单元

这里盗一张图阐述上述概念间的关系

为什么分区机制可以保证消息的顺序性？
Kafka可以保证一个分区内消息是有序且不可变的。
生产者：Kafka的消息是一个键值对，我们通过设置键值，指定消息被发送到特定主题的特定分区。
可以通过设置key，将同一类型的消息，发到同一个分区，就可以保证消息的有序性。
消费者：消费者需要通过保存偏移量，来记录自己消费到哪个位置，在0.10版本前，偏移量保存在zk中，后来保存在 __consumeroffsets topic中。

【场景二】流处理

在0.10版本后，Kafka内置了流处理框架API——Kafka Streams，一个基于Kafka的流式处理类库，它利用了上述，至此，Kafka也就随之发展成为一个囊括消息系统、存储系统、流处理系统的中央式的流处理平台。

与已有的Spark Streaming平台不同的是，Spark Streaming或Flink是一个是一个系统架构，而Kafka Streams属于一个库。Kafka Streams秉承简单的设计原则，优势体现在运维上。同时Kafka Streams保持了上面提到的所有特性。

关于二者适合的应用场景，已有大佬给出了结论，就不强行总结了。