作者：Zarten
知乎专栏：Python爬虫深入详解
知乎ID： Zarten
简介： 互联网一线工作者，尊重原创并欢迎评论留言指出不足之处，也希望多些关注和点赞是给作者好的鼓励 ！
1.架构图
如上图，一个kafka架构包括若干个Producer（服务器日志、业务数据、web前端产生的page view等），若干个Broker（kafka支持水平扩展，一般broker数量越多集群的吞吐量越大），若干个consumer group，一个Zookeeper集群（kafka通过Zookeeper管理集群配置、选举leader、consumer group发生变化时进行rebalance）。
2.名称解释
- Broker
消息中间件处理节点（服务器），一个节点就是一个broker，一个Kafka集群由一个或多个broker组成
- Topic
Kafka对消息进行归类，发送到集群的每一条消息都要指定一个topic
- Partition
物理上的概念，每个topic包含一个或多个partition，一个partition对应一个文件夹，这个文件夹下存储partition的数据和索引文件，每个partition内部是有序的
- Producer
生产者，负责发布消息到broker
- Consumer
消费者，从broker读取消息
- ConsumerGroup
每个consumer属于一个特定的consumer group，可为每个consumer指定group name，若不指定，则属于默认的group，一条消息可以发送到不同的consumer group，但一个consumer group中只能有一个consumer能消费这条消息
3.关系解释
- Topic & Partition
一个topic为一类消息，每条消息必须指定一个topic。物理上，一个topic分成一个或多个partition，每个partition有多个副本分布在不同的broker中，如下图3.1。
每个partition在存储层面是一个append log文件，发布到此partition的消息会追加到log文件的尾部，为顺序写人磁盘（顺序写磁盘比随机写内存的效率还要高）。每条消息在log文件中的位置成为offset（偏移量），offset为一个long型数字，标记一条消息。如下图3.2
每个消费者保存的元数据是offset值，这个位置完全为消费者控制，因此消费者可以采用任何顺序来消费记录，如下图3.3
图3.1
另外，对于传统的消息队列而言，一般会删除已经被消费的消息，而kafka集群会保留所有的消息。因为磁盘限制，不可能保留所有消息，因此kafka提供了两种策略删除数据：1.基于时间，让kafka删除2天或一周的数据；2.基于partition文件大小：让kafka在partition文件超过1GB时删除数据
图3.2
图3.3
kafka中只能保证partition中记录是有序的，而不保证topic中不同partition的顺序
- Consumer group & consumer
一个消费组由一个或多个消费者实例组成，便于扩容与容
错。kafka是发布与订阅模式，这个订阅者是消费组，而不是消费者实例。每一条消息只会被同一个消费组里的一个消费者实例消费，不同的消费组可以同时消费同一条消息，如下图
为了实现传统的消息队列中消息只被消费一次的语义，kafka保证同一个消费组里只有一个消费者会消费一条消息，kafka还允许不同的消费组同时消费一条消息，这一特性可以为消息的多元化处理提供了支持，kafka的设计理念之一就是同时提供离线处理和实时处理，因此，可以使用Storm这种实时流处理系统对消息进行实时在线处理，同时使用Hadoop这种批处理系统进行离线处理，还可以同时将数据实时备份到另一个数据中心，只需要保证这三个操作的消费者实例在不同consumer group 即可
创建一个topic（名为topic1，3个partition 0,1,2），group1有1个consumer，group2中有3个consumer，通过producer向topic1发送3条消息（key分别为1,2,3），结果group1中的1个consumer收到了所有这2条消息，group2中的3个consumer分别收到了这3条消息，如下图
- Consumer Rebalance
kafka保证了同一个消费组中只有一个消费者实例会消费某条消息，实际上，kafka保证的是稳定状态下每一个消费者实例只会消费一个或多个特定partition数据，而某个partition的数据只会被某一特定的consumer实例消费，这样设计的劣势是无法让同一个消费组里的consumer均匀消费，优势是每个consumer不用跟大量的broker通信，减少通信开销，也降低了分配难度。而且，同一个partition数据是有序的，保证了有序被消费。根据consumer group中的consumer数量和partition数量，可以分为以下3种情况：
- 若consumer group中的consumer数量少于partition数量，则至少有1个consumer会消费多个partition数据
- 若consumer group中的consumer数量多于partition数量，则会有部分consumer无法消费该topic中任何一条消息
- 若consumer group中的consumer数量等于partition数量，则正好一个consumer消费一个partition数据
测试如下，topic1中有3个partition分别为0,1,2：
- 当group1中只有1个consumer1时，该consumer1可消费这3个partition的所有数据
- 增加1个consumer2后，consumer1消费2个partition数据，consumer2消费1个partition数据
- 再增加1个consumer3后，consumer 1,2,3 分别消费 partition 1,2,3
- 再增加1个consumer4后，3个consumer可分别消费1个partition，另1个consumer4不能消费topic1任何数据
- 此时关闭consumer1，剩下的consumer可分别消费1个partition的数据
- 再关闭consumer2，剩下的consumer3可消费2个partition，consumer4可消费1个partition
- 再关闭consumer3，剩下的consumer4可消费3个partition
consumer rebalance的控制策略是由每个consumer通过Zookeeper完成的。
参考文章：
