1、概念
Kafka是最初由Linkedin公司开发，是一个分布式、支持分区的（partition）、多副本的（replica）分布式消息系统（kafka2.8.0版本之后接触了对zk的依赖，使用自己的kRaft做集群管理，新增内部主体@metadata存储元数据信息），它的最大的特性就是可以实时的处理大量数据以满足各种需求场景：比如基于hadoop的批处理系统、低延迟的实时系统、storm/Spark流式处理引擎，web/nginx日志、访问日志，消息服务等等，用scala语言编写，Linkedin于2010年贡献给了Apache基金会并成为顶级开源 项目。
类似产品还有 JBoss、MQ（ActiveMQ、RabbitMQ-erlang、RocketMQ-支持事务型消息）
2、kafka的特性
- 高吞吐量、低延迟：kafka每秒可以处理几十万条消息，它的延迟最低只有几毫秒。（RecordAccumulate）
- 可扩展性：kafka集群支持热扩展
- 持久性、可靠性：消息被持久化到本地磁盘，并且支持数据备份防止数据丢失
- 容错性：允许集群中节点失败（若副本数量为n,则允许n-1个节点失败）
- 高并发：支持数千个客户端同时读写
3、为什么要使用kafka
① 异步处理
② 服务解耦
③ 流量控制
4、kafka原理解析
消息是kafka的基本单位，消息是一串字节构成的。主要是key、value，key根据一定的策略，将消息体路由到不同的partition分区中。
kafka消息全部持久化到磁盘，其使用日志文件的方式来保存。Partition 以文件的形式存储在文件系统中
命名规则：-
Producer：消息⽣产者，向 Kafka Broker 发消息的客户端。
Consumer：消息消费者，从 Kafka Broker 取消息的客户端。Kafka支持持久化，生产者退出后，未消费的消息仍可被消费。
Consumer Group：消费者组（CG），消费者组内每个消费者负责消费不同分区的数据，提⾼消费能⼒。⼀个分区只能由组内⼀个消费者消费，消费者组之间互不影响。所有的消费者都属于某个消费者组，即消费者组是逻辑上的⼀个订阅者。
Broker：⼀台 Kafka 机器就是⼀个 Broker。⼀个集群(kafka cluster)由多个 Broker 组成。⼀个 Broker 可以容纳多个 Topic。
Controller：由zookeeper选举其中一个Broker产生。它的主要作用是在 Apache ZooKeeper 的帮助下管理和协调整个 Kafka 集群。Broker都在ZooKeeper的Controller节点上注册一个Watcher，当controller发生故障的时候，注册在其上的Watcher会被触发，竞选成为新的controller
Topic：可以理解为⼀个队列，Topic 将消息分类，⽣产者和消费者⾯向的是同⼀个 Topic。
Partition：为了实现扩展性，提⾼并发能⼒，⼀个⾮常⼤的 Topic 可以分布到多个 Broker上，⼀个 Topic 可以分为多个 Partition，同⼀个topic在不同的分区的数据是不重复的，每个 Partition 是⼀个有序的队列，其表现形式就是⼀个⼀个的⽂件夹。不同Partition可以部署在同一台机器上，但不建议这么做。
Replication：每⼀个分区都有多个副本，副本的作⽤是做备胎。当主分区（Leader）故障的时候会选择⼀个备胎（Follower）上位，成为Leader。在kafka中默认副本的最⼤数量是10个，且副本的数量不能⼤于Broker的数量，follower和leader绝对是在不同的机器，同⼀机器对同⼀个分区也只可能存放⼀个副本（包括⾃⼰）。
Message：每⼀条发送的消息主体。
Leader：每个分区多个副本的“主”副本，⽣产者发送数据的对象，以及消费者消费数据的对象，都是 Leader。
Follower：每个分区多个副本的“从”副本，使用发布订阅模式主动拉取Leader的数据（与redis不同），实时从 Leader 中同步数据，保持和 Leader 数据的同步。Leader 发⽣故障时，某个 Follower 还会成为新的 Leader。
Offset：消费者消费的位置信息，监控数据消费到什么位置，当消费者挂掉再重新恢复的时候，可以从消费位置继续消费。
ZooKeeper：Kafka 集群能够正常⼯作，需要依赖于 ZooKeeper，ZooKeeper 帮助 Kafka存储和管理集群信息。
High Level API 和Low Level API ：高水平API，kafka本身定义的行为，屏蔽细节管理，使用方便；低水平API细节需要自己处理，较为灵活但是复杂。
kafka的高吞吐量
1，数据批量发送
kafka消息从producer发送出去时并不是一条一条发送的，而是先发送到一个消息批次(RecordAccumulate)中，然后由sender线程异步的将消息批次中的消息发到broker。这也是kafka吞吐量高的主要原因之一
消息发送 —> 放入队列 —> 申请内存 —> 消费消息
之所以用到CopyOnWriteMap (采用写时复制)，读不需要加锁，适用于读多写少的情况。而kafka只有当某个topic+partition下的第一条消息进行写入时才会写入数据，大部分情况都是读，符合读多写少的情况。
kafka的高可用
每个partition分区至少有一个副本，各个副本同步leader副本，一主多从的模式。
- AR:分区中的所有 Replica 统称为 AR
- ISR:所有与 Leader 副本保持一定程度同步的Replica(包括 Leader 副本在内)组成 ISR
- OSR:与 Leader 副本同步滞后过多的 Replica 组成了 OSR
有效的分区副本是一个ISR集合，ISR集合保存的是有效的副本集合，如果发现某一个副本同步非常慢，则可以自动剔除。leader副本和fllower副本同步的时候会有延迟，但是只要未超过阈值都是可以接受的
ISR集合的存在只要是解决分区leader和follwer 同步复制和异步复制带来的问题
持同步不是指与Leader数据保持完全一致，只需在replica.lag.time.max.ms时间内与Leader保持有效连接
Follower周期性地向Leader发送FetchRequest请求，发送时间间隔配置在replica.fetch.wait.max.ms中，默认值为500ms
极端情况下，如果ISR集合内的所有节点都down了，有两种情况：
1，等待ISR集合中的某一个节点恢复并担任leader
2，选择所有节点（包含ISR之外的） 第一个恢复的担当leader
那么目前kafka的策略是第二点，这样会有一个问题就是ISR集合之外的节点可能数据不全，会和有效ISR集合内节点的数据有出入，造成数据不准确，但是保持了可用性
ACK机制
① 0：生产者无需等待服务端的任何确认，消息被添加到生产者套接字缓冲区后就视为已发送，因此acks=0不能保证服务端已收到消息
② 1：只要 Partition Leader 接收到消息而且写入本地磁盘了，就认为成功了，不管它其他的 Follower 有没有同步过去这条消息了
③ all：Leader将等待ISR中的所有副本确认后再做出应答，因此只要ISR中任何一个副本还存活着，这条应答过的消息就不会丢失
2，磁盘的顺序读写
3，数据压缩传输
4，topic划分多个partition分区，提高并发能力
kafka高性能
普通文件读取：
磁盘文件 –①-> 内核缓冲区 –②-> 用户缓存区 –③-> 内核socket缓存区 –④-> 网卡接口 —> 消费者
零拷贝技术
磁盘文件 –①-> 内核缓冲区 –②（transferTo）-> 网卡接口 —> 消费者
划重点： 零拷贝并不是不需要拷贝，而是减少拷贝的次数。
DMA
DMA技术使得 数据文件在各个层之间的传输，则可以直接绕过CPU。
linux系统中，零拷贝依赖于底层的sendfile() 方法实现，java中，FileChannel.transfeTo方法的底层实现了sendfile方法。
kafka消费方式
推拉结合：生产者push，消费组pull
① enable.auto.commit 是否自动提交自己的offset值；默认值时true
② auto.commit.interval.ms 自动提交时长间隔；默认值时5000 ms
③ consumer.commitSync(); offset提交命令；
at most onece：最多消费一次，存在数据丢失的情况
at least once：最少消费一次，保证数据不丢，存在重复消费 （kafka默认消费方式）
exactly once：精确一次，无论何种情况下，消息只会消费一次 （依赖于外部存储系统协调）
最多一次、最少一次的主要区别：是消费消息再记录offset还是先记录offset再消费消息。
5、kafka消息丢失问题
场景：
消费端从leader副本poll了一批消息消费之后，leader副本挂机了，之后从ISR选举出的副本中的消息可能是比leader少了的。如果此时consumer处理完这批数据提交offset，消费端会丢失这部分新产生而在kafka中实实在在保存着的数据。
解决方式：
HW（high Watermark）高水位
它标识了一个特定的消息偏移量（offset），消费者只能拉取到这个 offset 之前的消息。
分区 ISR 集合中的每个副本都会维护自身的 LEO（Log End Offset）：俗称日志末端位移，而 ISR 集合中最小的 LEO 即为分区的 HW，对消费者而言只能消费 HW 之前的消息。
附
1.kafka的消费组如果需要增加组员，最多增加到和partition数量一致，否则超过的组员只会占用资源而没有作用
2.Raft协议是啥？ 比较流行的分布式协议算法（leader选举、日志复制）
3.分区设置：一天一亿消息大致分为8个分区资源可满足。
参考： https://www.jianshu.com/p/6cbe28a44543
作者：京东零售张继