3.0 Kafka

3.1使用场景

一般是 离线的消息处理、Metrics（程序运行当中程序状态的采集）数据、用户行为；

3.2 如何使用

引入Kafka 的SDK 实现上游的生产逻辑，消费者拉取

第一步：首先创建一个Kafka集群，但如果你在字节工作，恭喜你这一步消息团队的小伙伴已经帮你完成了

第二步：需要在这个集群中创建一个Topic，并且设置好分片数量

第三步：引入对应语言的SDK，配置好集群和Topic等参数，初始化一个生产者，调用Send方法，将你的Hello World发送出去

第四步：引入对应语言的SDK，配置好集群和Topic等参数，初始化一个消费者，调用Poll方法，你将收到你刚刚发送的Hello World

3.3 基本概念

Topic：Kakfa中的逻辑队列，可以理解成每一个不同的业务场景就是一个不同的topic，对于这个业务来说，所有的数据都存储在这个topic中

Cluster：Kafka的物理集群，每个集群中可以新建多个不同的topic

Producer：顾名思义，也就是消息的生产端，负责将业务消息发送到Topic当中

Consumer：消息的消费端，负责消费已经发送到topic中的消息

Partition：通常topic会有多个分片，不同分片直接消息是可以并发来处理的，这样提高单个Topic的吞吐对于

3.3.2 每一个Partition来说，每一条消息都有一个唯一的Offset，消息在partition内的相对位置信息，并且严格递增

3.3.3 Replica：分片的副本，分布在不同的机器上，可用来容灾

Leader对外服务，Follower异步去拉取leader的数据进行一个同步，尽量保持同步 如果leader挂掉了，可以将ISR的Follower提升成leader再对外进行服务

ISR（In-Sync Replicas）： 意思是同步中的副本，对于Follower来说，始终和leader是有一定差距的，但当这个差距比较小的时候，我们就可以将这个follower副本加入到ISR中；差距大就提出ISR；不在ISR中的副本是不允许提升成Leader的

3.4 数据复制

下面这幅图代表着Kafka中副本的分布图。 图中Broker代表每一个Kafka的节点，所有的Broker节点最终组成了一个集群。 整个图表示，图中整个集群，包含了4个Broker机器节点，集群有两个Topic，分别是Topic1和Topic2，Topic1有两个分片，Topic2有1个分片，每个分片都是三副本的状态。 这里中间有一个Broker同时也扮演了Controller的角色， Controller是整个集群的大脑，负责对副本和Broker进行分配，再告诉各个Broker怎么去处理

3.5 Kafka架构

在集群的基础上，还有一个模块是ZooKeeper，这个模块其实是存储了集群的元数据信息，和Controller配合 比如副本的分配信息等等，Controller计算好的方案都会放到这个地方

3.6 一条消息的自述

从一条消息的视角来看看完整的处理流程，了解一下Kafka为什么可以支撑如此高的吞吐

一秒几千万条数据 吞吐量达不到要求 不能等

3.7.1 Producer-批量发送

3.7.2 Producer-数据压缩

默认选择 Snappy压缩算法；当前 经过测试 ZSTD算法在计算性能、压缩率等更加优秀

3.8 Broker-数据存储

如何写入到磁盘呢，我们先来看一下Kafka最终存储的文件结构是什么样子的

在每一个Broker，都分布着不同Topic的不同分片，不同副本以Log形式 写入磁盘；Log会切分成不同的有序的LogSegment：.log存真实数据；.index 日志具体位置的映射；

只看一个盘面，磁头->磁道->扇区 寻道成本高

3.8.2 顺序写

采用顺序写的方式进行写入，以提高写入效率

3.8.3如何找到消息

此时我们的消息写入到Broker的磁盘上了，那这些数据又该怎么被找到然后用来消费呢

3.8.4偏移量索引文件

介绍文件：文件名是文件中第一条消息的offset

第一步，通过二分找到小于目标文件的最大文件

通过二分找到小于目标offset最大的索引位置，再遍历找到目标offset

3.8.5 时间戳文件索引

如果我们需要使用时间戳来寻找的时候，和offset相比只是多加了以及索引，也就是通过二分找到时间戳对应的offset，再重复之前的步骤找到相应的文件数据

3.8.6 传统数据拷贝& 零拷贝

从磁盘读到内核态 再拷贝到用户态的应用空间 然后 网卡发送到 消费者

零拷贝 ：直接从内核空间 传到NIC网卡 ；减少三次传统拷贝

3.9 Consumer—消息的接收端

对于一个Consumer Group来说，多个分片可以并发的消费，这样可以大大提高消费的效率， 但需要解决的问题是，Consumer和Partition的分配问题， 也就是对于每一个Partition来讲，该由哪一个Consumer来消费的问题。 对于这个问题，我们一般有两种解决方法，手动分配和自动分配

3.9.1 Consumer—Low Level

第一，手动分配，也就是Kafka中所说的Low Level消费方式进行消费， 这种分配方式的一个好处就是启动比较快，因为对于每一个Consumer来说，启动的时候就已经知道了自己应该去消费哪个消费方式，就好比图中的Consumer Group1来说，Consumer1去消费Partition1,2,3 Consumer2，去消费456， Consumer3去消费78。

这些Consumer在启动的时候就已经知道分配方案了，但这样这种方式的缺点又是什么呢，想象一下，如果我们的Consumer3挂掉了，我们的7,8分片是不是就停止消费了。 又或者，如果我们新增了一台Consumer4，那是不是又需要停掉整个集群，重新修改配置再上线，保证Consumer4也可以消费数据， 其实上面两个问题，有时候对于线上业务来说是致命的。

3.9.1 Consumer—High Level

所以Kafka也提供了自动分配的方式，这里也叫做High Level的消费方式， 简单的来说，就是在我们的Broker集群中，对于不同的Consumer Group来讲，都会选取一台Broker当做Coordinator（协调者），

而Coordinator的作用就是帮助Consumer Group进行分片的自动分配，也叫做分片的rebalance， 使用这种方式，如果ConsumerGroup中有发生宕机，或者有新的Consumer加入，整个partition和Consumer都会重新进行分配来达到一个稳定的消费状态

3.10 Consumer Rebalance

3.11 Kafka—数据复制问题

通过前面的介绍我们可以知道，对于Kafka来说， 每一个Broker上都有不同topic分区的不同副本，而每一个副本，会将其数据存储到该Kafka节点上面，对于不同的节点之间，通过副本直接的数据复制，来保证数据的最终一致性，与集群的高可用。

3.12 Kafka—重启操作

举个例子来说，如果我们对一个机器进行重启； 首先，我们会关闭一个Broker，此时如果该Broker上存在副本的Leader，那么该副本将发生leader切换，切换到其他节点上面并且在ISR中的Follower副本， 可以看到图中是切换到了第二个Broker上面 而此时，因为数据在不断的写入，对于刚刚关闭重启的Broker来说，和新Leader之间一定会存在数据的滞后，此时这个Broker会追赶数据，重新加入到ISR当中 当数据追赶完成之后，我们需要回切leader，

这一步叫做prefer leader，目的是为了避免：在一个集群长期运行后，所有的leader都分布在少数节点上，导致数据的不均衡 通过上面的一个流程分析，我们可以发现对于一个Broker的重启来说，需要进行数据复制，所以时间成本会比较大，比如一个节点重启需要10分钟，一个集群有1000个节点，如果该集群需要重启升级，则需要10000分钟，那差不多就是一个星期，这样的时间成本是非常大的。 有同学可能会说，老师可以不可以并发多台重启呀，问的好，不可以。 为什么呢，在一个 两副本（一个分片 有两个副本）的集群中，重启了两台机器，对某一分片来讲，可能两个分片都在这两台机器上面，则会导致该集群处于不可用的状态（影响整个Topic）。这是更不能接受的。

3.13-替换，扩容，缩容操作

如果是替换，和刚刚的重启有什么区别？

其实替换，本质上来讲就是一个需要 追 更多数据的重启操作，因为正常重启只需要追一小部分，而替换，则是需要复制整个leader的数据，时间会更长 扩容呢，当分片分配到新的机器上以后，也是相当于要从0开始复制一些新的副本 而缩容，缩容节点上面的分片也会分片到集群中剩余节点上面，分配过去的副本也会从0开始去复制数据

以上三个操作均有数据复制所带来的时间成本问题，所以对于Kafka来说，运维操作带来的时间成本是不容忽视的

3.14 负载不均衡

这个场景当中，同一个Topic有4个分片，两副本， 可以看到，对于分片1来说，数据量是明显比其他分片要大的，当我们机器IO达到瓶颈的时候，可能就需要把第一台Broker上面的Partition3 迁移到其他负载小的Broker上面，接着往下看

但我们的数据复制又会引起Broker1的IO升高，所以问题就变成了，我为了去解决IO升高，但解决问题的过程又会带来更高的IO，所以就需要权衡IO设计出一个极其复杂的负载均衡策略

问题总结

我们对以上两个问题进行总结， 第一，因为有数据复制的问题，所以Kafka运维的时间成本和人力人本都不低 第二，对于负载不均衡的场景，我们需要有一个较为复杂的解决方案进行数据迁移，从而来权衡IO升高的问题

除了以上两个问题以外，Kafka自身还存在其他的问题 比如，Kafka没有自己的缓存，在进行数据读取的时候，只有Page Cache可以用，所以不是很灵活 另外在前面的介绍当中，相信大家也了解到了，Kafka的Controller(负责分片方案)和Coordinator都是和Broker部署在一起的，Broker因为承载大量IO的原因，会导致Controller和Coordinator的性能下降，如果到一定程度，可能会影响整个集群的可用性

4.0 BMQ

字节自研的消息队列，ByteMQ，简称BMQ

BMQ兼容Kafka协议，存算分离，云原生消息队列，初期定位是承接高吞吐的离线业务场景，逐步替换掉对应的Kafka集群，我们来了解一下BMQ的架构特点