技术

《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go 内存管理 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 在离线业务混部 RNN pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台 tf-operator源码分析 k8s批处理调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF 生命周期管理 openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Kubernetes webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 概率论 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列

标签


《Apache Kafka源码分析》——简介

2019年07月06日

前言

整体来说,本书是对源码的“照本宣科”,提炼的东西不多,试试另外一本书:《learning apache kafka》

Apache Kafka is a distributed streaming platform. What exactly does that mean? A streaming platform has three key capabilities:

  1. Publish and subscribe to streams of records, similar to a message queue or enterprise messaging system.
  2. Store streams of records in a fault-tolerant durable way.
  3. Process streams of records as they occur.

给自己提几个问题

  1. kafka 将消息保存在磁盘中,在其设计理念中并不惧怕磁盘操作,它以顺序方式读写磁盘。具体如何体现?
  2. 多面的offset。一个msg写入所有副本后才会consumer 可见(消息commit 成功)。leader / follower 拿到的最新的offset=LEO, 所有副本都拿到的offset = HW
  3. 一个consumer 消费partition 到哪个offset 是由consumer 自己维护的

书中源码基于0.10.0.1

宏观概念

仅从逻辑概念上看

每个topic包含多个分区,每个分区包含多个副本。作为producer,一个topic消息放入哪个分区,hash一下即可。 《learning apache kafka》every partition is mapped to a logical log file that is represented as a set of segment files of equal sizes. Every partition is an ordered, immutable sequence of messages;

Kafka 的消息组织方式实际上是三级结构:主题 - 分区 - 消息 Partitions are nothing but separate queues in Kafka to make it more scalable. When we increase partitions or we have 1+ number of Partitions it is expected that you run multiple consumers. Ideally number of Consumer should be equal to number of Partitions. 分区相当于把“车道”拓宽了。

整体架构图

细化一下是这样的

代码使用

<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka_2.8.2</artifactId>
    <version>0.8.0</version>
</dependency>

生产者

// 配置属性
Properties props = new Properties();
props.put("metadata.broker.list", "localhost:9092");
props.put("serializer.class", "kafka.serializer.StringEncoder");
props.put("request.required.acks", "1");
ProducerConfig config = new ProducerConfig(props);
// 构建Producer
Producer<String, String> producer = new Producer<String, String>(config);
// 构建msg
KeyedMessage<String, String> data = new KeyedMessage<String, String>(topic, nEvents + "", msg);
// 发送msg
producer.send(data);
// 关闭
producer.close();

消费者

Kafka系列(四)Kafka消费者:从Kafka中读取数据

// 配置属性
Properties props = new Properties();
props.put("bootstrap.servers", "broker1:9092,broker2:9092");
props.put("group.id", "CountryCounter");
props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
KafkaConsumer<String, String> consumer = new KafkaConsumer<String,String>(props);
// 订阅主题
consumer.subscribe(Collections.singletonList("customerCountries"));
// 拉取循环
try {
    while (true) {  //1)
        ConsumerRecords<String, String> records = consumer.poll(100);  //2)
        for (ConsumerRecord<String, String> record : records)  //3){
            log.debug("topic = %s, partition = %s, offset = %d,
                customer = %s, country = %s\n",
                record.topic(), record.partition(), record.offset(),
                record.key(), record.value());
            int updatedCount = 1;
            if (custCountryMap.countainsValue(record.value())) {
                updatedCount = custCountryMap.get(record.value()) + 1;
            }
            custCountryMap.put(record.value(), updatedCount)
            JSONObject json = new JSONObject(custCountryMap);
            System.out.println(json.toString(4))
        }
    }
} finally {
    consumer.close(); //4
}

高可用机制

  1. 为了让 Kafka 能够高可用,我们需要对于每一个分区都有多个副本,和 GFS 一样,Kafka 的默认参数选择了 3 个副本。
  2. 这些副本中,有一个副本是 Leader,其余的副本是 Follower。我们的 Producer 写入数据的时候,只需要往 Leader 写入就好了。Leader 自然也就是将对应的数据,写入到本地的日志文件里。
  3. 然后,每一个 Follower 都会从 Leader 去拉取最新的数据,一旦 Follower 拉到数据之后,会向 Leader 发送一个 Ack 的消息。
  4. 我们可以设定,有多少个 Follower 成功拉取数据之后,就能认为 Producer 写入完成了。这个可以通过在发送的消息里,设定一个 acks 的字段来决定。如果 acks=0,那就是 Producer 的消息发送到 Broker 之后,不管数据是否刷新到本地硬盘,我们都认为写入已经完成了;而如果设定 acks=2,意味着除了 Leader 之外,至少还有一个 Follower 也把数据写入完成,并且返回 Leader 一个 Ack 消息之后,消息才写入完成。我们可以通过调整 acks 这个参数,来在数据的可用性和性能之间取得一个平衡。

负载均衡机制

Kafka 本身没有 Master,每一个 Kafka 的 Broker 启动的时候,就会把自己注册到 ZooKeeper 上,注册信息自然是 Broker 的主机名和端口。在 ZooKeeper 上,Kafka 还会记录,这个 Broker 里包含了哪些主题(Topic)和哪些分区(Partition)。上游的 Producer 只需要监听 Brokers 的目录,就能知道下游有哪些 Broker。那么,无论是随机发送,还是根据消息中的某些字段进行分区,上游都可以很容易地把消息发送到某一个 Broker 里。

所有的 Broker 本身也不维护任何状态,对应的状态信息也是放在 ZooKeeper 上,而下游的 Consumer 也是一样。

Kafka 的 Consumer 一样会把自己“注册”到 ZooKeeper 上。在同一个 Consumer Group 下,一个 Partition 只会被一个 Consumer 消费,这个 Partition 和 Consumer 的映射关系,也会被记录在 ZooKeeper 里。这部分信息,被称之为“所有权注册表”。而 Consumer 会不断处理 Partition 的数据,一旦某一段的数据被处理完了,对应这个 Partition 被处理到了哪个 Offset 的位置,也会被记录到 ZooKeeper 上。这样,即使我们的 Consumer 挂掉,由别的 Consumer 来接手后续的消息处理,它也可以知道从哪里做起。那么在这个机制下,一旦我们针对 Broker 或者 Consumer 进行增减,Kafka 就会做一次数据“再平衡(Rebalance)”。所谓再平衡,就是把分区重新按照 Consumer 的数量进行分配,确保下游的负载是平均的。Kafka 的算法也非常简单,就是每当有 Broker 或者 Consumer 的数量发生变化的时候,会再平均分配一次。

如果我们有 X 个分区和 Y 个 Consumer,那么 Kafka 会计算出 N=X/Y,然后把 0 到 N-1 的分区分配给第一个 Consumer,N 到 2N-1 的分配给第二个 Consumer,依此类推。而因为之前 Partition 的数据处理到了哪个 Offset 是有记录的,所以新的 Consumer 很容易就能知道从哪里开始处理消息。

Kafka 对于消息的处理也是“至少一次”的。如果消息成功处理完了,那么我们会通过更新 ZooKeeper 上记录的 Offset,来确认这一点。而如果在消息处理的过程中,Consumer 出现了任何故障,我们都需要从上一个 Offset 重新开始处理。这样,我们自然也就避免不了重复处理消息。

为什么kafka 这么快

《大数据经典论文解读》传统的消息队列,关注的是小数据量下,是否每一条消息都被业务系统处理完成了。因为这些消息队列里的消息,可能就是一笔实际的业务交易,我们需要等待 consumer 处理完成,确认结果才行。但是整个系统的吞吐量却没有多大。Kafka 的假设是,我们处理的是互联网领域的海量日志,我们对于丢失一部分日志是可以容忍的。因为几 TB 的广告浏览和点击日志少了几条,其实并不会对业务产生什么影响。但是,我们需要关注系统整体的吞吐量、可扩展性、以及错误恢复能力。kafka的整体设计

  1. 让所有的 Consumer 来“拉取”数据,而不是主动“推送”数据给到 Consumer。并且,Consumer 到底消费完了哪些数据,是由 Consumer 自己维护的,而不是由 Kafka 这个消息队列来进行维护。
  2. 采用了一个非常简单的追加文件写的方式来直接作为我们的消息队列。在 Kafka 里,每一条消息并没有通过一个唯一的 message-id,来标识或者维护。整个消息队列也没有维护什么复杂的内存里的数据结构。下游的消费者,只需要维护一个此时它处理到的日志,在这个日志文件中的偏移量(offset)就好了。

基于这两个设计思路,Kafka 做了一些简单的限制,那就是一个 consumer 总是顺序地去消费,来自一个特定分区(Partition)的消息。而一个 Partition 则是 Kafka 里面可以并行处理的最小单位,这就是说,一个 Partition 的数据,只会被一个 consumer 处理。这样一来,整个 Kafka 的系统设计也一下子变得特别简单。所有的 Producer 生成消息,和 Consumer 消费消息,都变成了简单的顺序的文件读和文件写。而我们知道,硬盘的顺序读写的性能要远高于随机读写。Kafka 是直接使用本地的文件系统承担了消息队列持久化的功能,所以 Kafka 干脆没有实现任何缓存机制,而是直接依赖了 Linux 文件系统里的页缓存(Page Cache)。Kafka 写入的数据,本质上都还是在 Page Cache。而且因为我们是进行流式数据处理,读写的数据有很强的时间局部性,Broker 刚刚写入的数据,几乎立刻会被下游的 Consumer 读取访问,所以大量的数据读写都会命中缓存。除了利用文件系统之外,Kafka 还利用了 Linux 下的 sendfile API,通过 DMA 直接将数据从文件系统传输到网络通道,所以它的网络数据传输开销也很小。

  1. 写入优化:利用了“磁盘” 顺序写比 内存读写还快的特性。Kafka的message是不断追加到本地磁盘文件末尾的,换句话说, kafka 基于磁盘 主要因素是因为磁盘顺序写比内存操作更快,附带因为磁盘容量更大。
  2. 读取优化:零拷贝。
  3. 文件分段。Kafka的队列topic被分为了多个区partition, 每个partition又分为了多个segment,所以一个队列中的消息实际上是保存在N多个片段文件中,通过分段的方式,每次文件操作都是对一个小文件的操作,非常轻便,同时也增加了并行处理能力
  4. 批量发送
  5. 数据压缩

背景知识

网络通信

kafka-producer/consumer 与zk 通信的部分相对有限,主要是与kafka server交互,通信时使用自定义的协议,一个线程(kafka 服务端一个线程就不够用了)裸调java NIO 进行网络通信。

  1. producer 使用 NetworkClient 与kafka server 交互
  2. consumer 使用 ConsumerNetworkClient(聚合了NetworkClient)与kafka server 交互
  3. 协议对象如下图所示,org.apache.kafka.common.protocol.ApiKeys 定义了所有 Request/Response类型,FetchXX 是一个具体的例子

  4. NetworkClient 发请求比较“委婉” 先send(缓存),最后poll真正开始发请求

    1. send,Send a new request. Note that the request is not actually transmitted on the network until one of the poll(long) variants is invoked. At this point the request will either be transmitted successfully or will fail.Use the returned future to obtain the result of the send.
    2. poll,Poll for any network IO.

传递保证语义(Delivery(guarantee) sematic)

Delivery guarantee 有以下三个级别

  1. At most once,可以丢,但不能重复
  2. At least once,不能丢,可能重复
  3. exactly once,只会传递一次

这三个级别不是一个配置保证的,而是producer 与consumer 配合实现的。比如想实现“exactly once”,可以为每个消息标识唯一id,producer 可能重复发送,而consumer 忽略已经消费过的消息即可。

《learning apache kafka》

  1. producers and consumers work on the traditional push-and-pull model, where producers push the message to a Kafka broker and consumers pull the message from the broker.
  2. Log compaction,相同key的value 只会保留最新的
  3. Message compression in Kafka, For the cases where network bandwidth is a bottleneck, Kafka provides a message group compression feature for efficient message delivery.
  4. replication modes。Asynchronous replication: as soon as a lead replica writes the message to its local log, it sends the acknowledgement to the message client and does not wait for acknowledgements from follower replicas。Synchronous replication 则反之