作者： JAVA3y 來自：Java3y
前言
只有光頭才能變強。
文本已收錄至我的GitHub倉庫，歡迎Star：https://github.com/ZhongFuCheng3y/3y
在這篇之前已經寫過兩篇基礎文章了，強烈建議先去閱讀：
- 什么是ZooKeeper？
- 什么是消息隊列？
眾所周知，消息隊列的產品有好幾種，這里我選擇學習Kafka的原因，無他，公司在用。
我司使用的是Kafka和自研的消息隊列(Kafka和RocketMQ)改版，于是我就想學學Kafka這款消息隊列啦。本篇文章對Kafka入門，希望對大家有所幫助。
本文知識點提前預覽：
提前預覽
這篇文章花了我很長時間畫圖，目的是希望以最通俗易懂的方式帶大家入門，如果覺得不錯，希望能給我點個贊！
一、什么是Kafka？
首先我們得去官網看看是怎么介紹Kafka的：
- https://kafka.Apache.org/intro
在收集資料學習的時候，已經發現有不少的前輩對官網的介紹進行翻譯和總結了，所以我這里就不重復了，貼下地址大家自行去學習啦：
- https://scala.cool/2018/03/learning-kafka-1/
- https://colobu.com/2014/08/06/kafka-quickstart/
我之前寫過的消息隊列入門文章也提到了，要做一個消息隊列可能要考慮到以下的問題：
- 使用消息隊列不可能是單機的（必然是分布式or集群）
- 數據寫到消息隊列，可能會存在數據丟失問題，數據在消息隊列需要持久化(磁盤？數據庫？redis？分布式文件系統？)
- 想要保證消息（數據）是有序的，怎么做？
- 為什么在消息隊列中重復消費了數據
下面我以Kafka為例對這些問題進行簡單的解答，進而入門Kafka。
1.1 Kafka入門
眾所周知，Kafka是一個消息隊列，把消息放到隊列里邊的叫生產者，從隊列里邊消費的叫消費者。
生產者和消費者
一個消息中間件，隊列不單單只有一個，我們往往會有多個隊列，而我們生產者和消費者就得知道：把數據丟給哪個隊列，從哪個隊列消息。我們需要給隊列取名字，叫做topic(相當于數據庫里邊表的概念)
給隊列取名字，專業名詞叫topic
現在我們給隊列取了名字以后，生產者就知道往哪個隊列丟數據了，消費者也知道往哪個隊列拿數據了。我們可以有多個生產者往同一個隊列(topic)丟數據，多個消費者往同一個隊列(topic)拿數據
為了提高一個隊列(topic)的吞吐量，Kafka會把topic進行分區(Partition)
Kafka分區
所以，生產者實際上是往一個topic名為Java3y中的分區(Partition)丟數據，消費者實際上是往一個topic名為Java3y的分區(Partition)取數據
生產者和消費者實際上操作的是分區
一臺Kafka服務器叫做Broker，Kafka集群就是多臺Kafka服務器：
Kafka集群
一個topic會分為多個partition，實際上partition會分布在不同的broker中，舉個例子：
一個生產者丟數據給topic
由此得知：Kafka是天然分布式的。
如果不了解分布式/集群，以及基本的分布式概念的同學，可以關注我的GitHub：https://github.com/ZhongFuCheng3y/3y
關鍵字：分布式、SpringCloud 保證能讓你搞懂。覺得我寫得不錯，就給我點個贊！
現在我們已經知道了往topic里邊丟數據，實際上這些數據會分到不同的partition上，這些partition存在不同的broker上。分布式肯定會帶來問題：“萬一其中一臺broker(Kafka服務器)出現網絡抖動或者掛了，怎么辦？”
Kafka是這樣做的：我們數據存在不同的partition上，那kafka就把這些partition做備份。比如，現在我們有三個partition，分別存在三臺broker上。每個partition都會備份，這些備份散落在不同的broker上。
紅色代表主分區，紫色代表備份分區
紅色塊的partition代表的是主分區，紫色的partition塊代表的是備份分區。生產者往topic丟數據，是與主分區交互，消費者消費topic的數據，也是與主分區交互。
備份分區僅僅用作于備份，不做讀寫。如果某個Broker掛了，那就會選舉出其他Broker的partition來作為主分區，這就實現了高可用。
另外值得一提的是：當生產者把數據丟進topic時，我們知道是寫在partition上的，那partition是怎么將其持久化的呢？（不持久化如果Broker中途掛了，那肯定會丟數據嘛)。
Kafka是將partition的數據寫在磁盤的(消息日志)，不過Kafka只允許追加寫入(順序訪問)，避免緩慢的隨機 I/O 操作。
- Kafka也不是partition一有數據就立馬將數據寫到磁盤上，它會先緩存一部分，等到足夠多數據量或等待一定的時間再批量寫入(flush)。
上面balabala地都是講生產者把數據丟進topic是怎么樣的，下面來講講消費者是怎么消費的。既然數據是保存在partition中的，那么消費者實際上也是從partition中取數據。
從各個主分區取數據
生產者可以有多個，消費者也可以有多個。像上面圖的情況，是一個消費者消費三個分區的數據。多個消費者可以組成一個消費者組。
消費者組
本來是一個消費者消費三個分區的，現在我們有消費者組，就可以每個消費者去消費一個分區（也是為了提高吞吐量）
消費者組的每個消費者會去對應partition拿數據
按圖上所示的情況，這里想要說明的是：
- 如果消費者組中的某個消費者掛了，那么其中一個消費者可能就要消費兩個partition了
- 如果只有三個partition，而消費者組有4個消費者，那么一個消費者會空閑
- 如果多加入一個消費者組，無論是新增的消費者組還是原本的消費者組，都能消費topic的全部數據。（消費者組之間從邏輯上它們是獨立的）
前面講解到了生產者往topic里丟數據是存在partition上的，而partition持久化到磁盤是IO順序訪問的，并且是先寫緩存，隔一段時間或者數據量足夠大的時候才批量寫入磁盤的。
消費者在讀的時候也很有講究：正常的讀磁盤數據是需要將內核態數據拷貝到用戶態的，而Kafka 通過調用sendfile()直接從內核空間（DMA的）到內核空間（Socket的），少做了一步拷貝的操作。
Kafka 讀數據 巧妙
有的同學可能會產生疑問：消費者是怎么知道自己消費到哪里的呀？Kafka不是支持回溯嗎？那是怎么做的呀？
- 比如上面也提到：如果一個消費者組中的某個消費者掛了，那掛掉的消費者所消費的分區可能就由存活的消費者消費。那存活的消費者是需要知道掛掉的消費者消費到哪了，不然怎么玩。
這里要引出offset了，Kafka就是用offset來表示消費者的消費進度到哪了，每個消費者會都有自己的offset。說白了offset就是表示消費者的消費進度。
在以前版本的Kafka，這個offset是由Zookeeper來管理的，后來Kafka開發者認為Zookeeper不合適大量的刪改操作，于是把offset在broker以內部topic(__consumer_offsets)的方式來保存起來。
每次消費者消費的時候，都會提交這個offset，Kafka可以讓你選擇是自動提交還是手動提交。
既然提到了Zookeeper，那就多說一句。Zookeeper雖然在新版的Kafka中沒有用作于保存客戶端的offset，但是Zookeeper是Kafka一個重要的依賴。
- 探測broker和consumer的添加或移除。
- 負責維護所有partition的領導者/從屬者關系（主分區和備份分區），如果主分區掛了，需要選舉出備份分區作為主分區。
- 維護topic、partition等元配置信息
- ….
這張圖來源胡夕老師的《Kafka核心技術與實戰》
最后
通過這篇文章，文章開頭那幾個問題估計多多少少都懂一些啦。我來簡要回答一下：
使用消息隊列不可能是單機的（必然是分布式or集群）
Kafka天然是分布式的，往一個topic丟數據，實際上就是往多個broker的partition存儲數據
數據寫到消息隊列，可能會存在數據丟失問題，數據在消息隊列需要持久化(磁盤？數據庫？Redis？分布式文件系統？)
Kafka會將partition以消息日志的方式(落磁盤)存儲起來，通過 順序訪問IO和緩存(等到一定的量或時間)才真正把數據寫到磁盤上，來提高速度。
想要保證消息（數據）是有序的，怎么做？
Kafka會將數據寫到partition，單個partition的寫入是有順序的。如果要保證全局有序，那只能寫入一個partition中。如果要消費也有序，消費者也只能有一個。
為什么在消息隊列中重復消費了數據
凡是分布式就無法避免網絡抖動/機器宕機等問題的發生，很有可能消費者A讀取了數據，還沒來得及消費，就掛掉了。Zookeeper發現消費者A掛了，讓消費者B去消費原本消費者A的分區，等消費者A重連的時候，發現已經重復消費同一條數據了。(各種各樣的情況，消費者超時等等都有可能…)
如果業務上不允許重復消費的問題，最好消費者那端做業務上的校驗（如果已經消費過了，就不消費了）
這篇文章主要是Kafka入門，Kafka還涉及到別的概念，以及還有別的東西。在我感覺中，很多的面試題都跟配置有關，所以在解決某些問題的時候，先看看能不能通過現有配置解決掉（學多了框架，你就會發現很多官方的就已經支持解決了，你做的可能改改配置/參數就完事了）。
