LearningSky.io

【 Broker 】Apache Kafka 簡介

Archer -

內容

  • 學習目標
  • 簡介
  • 特性
  • 元件說明

學習目標

  • 了解 Apache Kafka

簡介

  • 由 LinkedIn 所開發並於 2011 年開源
  • 是一個分散式串流平台
  • 其平台使用 Scala 與 Java 所撰寫

特性

  • 分散式 ( Distributed )
  • 容錯 ( fault tolerant )
  • 水平擴展 ( Horizontal scalability )
  • 即時 ( real-time )
  • 低延遲 ( low-latency )
  • 高吞吐量 ( high-throughput )

元件說明

  • 示意圖

  • Record

    • 每個發佈到 Kafka 的訊息稱為 Record
    • Push 到 Kafka 的 Record 包含 Key、Value 與 timestamp 三個部份； Consumer 從 Kafka 取得的 Record 中包含 Key、Value、timestamp 與 offset 四個部份
    • 將不含 Key 的 Record Push 到擁有多個 Partition 的 Topic 中，則 Kafka 會透過 Round-Robin 的方式將此筆 Record 派送到 Partition 中；如指定 Key，則 Record 會被分派到相同的 Partition

  • Producer

    • 向 Kafka 發佈 Topic Record 的角色

  • Consumer

    • 向 Kafka 訂閲 Topic 並處理其發佈 Record 的角色

  • Consumer Groups

    • Consumer Group 中的 Consumer 稱為 Consumer Instance，亦即是，Consumer Group 是由一個或多個 Consumer Instance 組合而成
    • 每個 Record 可以分送給不同的 Group，但每個 Group 中只會有一個 Consumer 可以訂閲此 Record
    • 當 Consumer 處理完從 Kafka 所接受的資料後，會傳送 offset 的 commit 給 Kafka
    • Consumer 透過 topic-partition 方式確保所收到的資訊是先進先出 ( FIFO - First In, First Out )

  • Broker

    • Kafka Cluster 是由一台或多台 Broker 所組成
    • 每個 Broker 都可透過一個整數 ID ( Integer ) 來識別
    • 每個 Broker 包含特定的 Topic
    • 建議至少有 3 個 Broker
    • acknowledgement
      • acks = 0，Producer 不等待確認 ( 資料有可能遺失 )
      • acks = 1，Producer 等待 leader 確認 ( 資料遺失有限 )
      • acks = all (-1)，leader 與副本確認 ( 資料不會遺失 )

  • Topic

    • Record 的不同分類
    • 建立 Topic 時要考慮到 Partitions Count 與 Replication Factor 這 2 個參數

  • Partitions

    • 一個 Topic 可以分為多個 Partition
    • 每個 Partition 是一個有序的 Queue
    • Partition 中的每個 Record 都會被分配一個有序的 id 又稱為 offset，亦即是，每增加一個 Record，則 offset 增加一
    • 此 offset 用來識別 Partition 中的每個 Record
    • 相同 Record 在不同的 Partition 中的 offset 不見得相同
    • Record 預設保留一週
    • Record 被寫到 Partition 中，則無法進行修改
    • Record 隨機寫到 Partition，除非有提供 Key
    • 在 Topic replication factor 機制中只會有一個 Leader 與多個 ISR ( in-sync replica )
    • 將每個 offset 的 commit 紀錄存放在 __consumer_offsets
    • 多 Partition 的優缺點
      • 優點
        • 較好的平行運作 ( better parallelism ) 與高吞吐量 ( better throughput )
      • 缺點
        • 會有更多的開啟檔案在系統中
        • 如果 Broker Fail 時，會有很多的 leader 選舉的發生
        • 增加副本延遲時間
      • Partition 數量
        • 建議每個 Topic 的 Partition 數目約為 Broker 數的一到兩倍
    • 在 Partition 中有多個 Segment，其中 Segment 是由多個 offset 所組成，但只會有一個 Segment 是 ACTIVE 狀態，亦即是，此 Segment 正可以被寫入的狀態
      • Segment 設定
        • log.segment.bytes
          • 單一 Segment 的最大大小
          • 預設為 1GB
        • log.segment.ms
          • 在 Commit 之前，如果 Segment 不為空，則 Kafka 等待的時間
        • log.roll.hours 或 log.roll.ms
          • 預設為 1 星期
        • index 種類
          • position index
            • 允許 Kafka 透過位置去找到訊息
          • timestamp index
            • 允許 Kafka 透過 timestamp 去找到訊息
        • log 清除 ( Cleanup )
          • 目的
            • 刪除過時的資料以控制硬碟上資料的容量
          • 特點
            • 常發在 Partition Segment
            • 因為使用 CPU 與 RAM 資源所以不應常常發生
            • 預設每 15 秒進行清除的確認工作
              • 在 log.cleaner.backoff.ms 中設定
          • 設定方式
            • log.cleanup.policy=delete
              • 以時間為依據
                • 設定位置
                  • log.retention.hours
                • 特性
                  • 根據資料存在的時間 ( 預設 7 天 - 168 小時 )
                  • 數字較高代表需要較多的硬碟空間
                  • 數字較小代表保留的資料較少
              • 以空間為依據
                • 設定位置
                  • log.retention.bytes
                • 特性
                  • 意指每個 Partition 的最大容量
                  • log 的最大容量 ( 預設為 -1，代表不限 ) 來刪除
                  • 用於將 log 的容量保持在閾值 ( threshold ) 之下
              • 範例
                • 保留一周
                  • log.retention.hours = 168 與 log.retention.bytes = -1
                • 保留時間不限，但容量設為 500 MB
                  • log.retention.hours = 17520 與 log.retention.bytes = 524288000
            • log.cleanup.policy=compact
              • 特性
                • log 壓縮能確保在 Partition 中特定 key 的最後數值
                • 適用於需要 SNAPSHOT，而不是完整歷程 ( history ) 時
                • 在 ACTIVE Segment 被 commit 之後將刪除舊有重複的資料，亦即是，只處理 INACTIVE Segment 的部份，而不處理 ACTIVE Segment 的部份
                • log 壓縮只移除部份訊息，但訊息的順序還是保持著
                • 訊息的 offset 是不變的，亦即是，當訊息移失時， offset 只是被跳過
                • 任何的 Consumer 從訊息開頭處進行讀取，則還是會看到傳送到這個 Topic 的所有訊息
              • 圖示
        • log 壓縮
          • 設定
            • compression.type
            • 選項有 gzip、snappy、lz4、uncompressed、producer
          • 壓縮與解壓縮位置
            • 壓縮交由 Producer、解壓縮交由 Consumer
          • 壓縮範圍
            • 只對 non-binary 資料進行壓縮，例如：JSON、XML、text 等，不對 binary 資料進行壓縮，例如：parquet、protobuf、avro 等

  • Zookeeper

    • 為開源管理分散式的服務套件，用來協調分散式應用程式的工作

  • Rebalance

    • 當 Consumer 或 Partition 數目變動時，則 Zookeeper 會進行 Rebalance 的動作

  • Mirror Maker

    • 做為不同 Kafka Cluster 資料同步的元件
GitHub
List of blogs