kafka的架构及常见面试题

2023-10-18 16:32:58 浏览数 (1)

kafka的架构及常见面试题

一、介绍

Kafka是一种高吞吐量、持久性、分布式的发布订阅的消息队列系统。它最初由LinkedIn(领英)公司发布，使用Scala语言编写，与2010年12月份开源，成为Apache的顶级子项目 。

Kafka是一个多分区、多副本且基于zookeeper协调的分布式消息系统。也是一个分布式流式处理平台，它以高吞吐、可持久化、可水平扩展、支持流数据处理等多种特性而被广泛使用 。

二、架构

1）生产、消费

首先得了解这个，比较简单的一个集群图

  • 生产者（Producer）：生产消息，发送消息的服务
  • 消费者（Comsumer）：消费消息，处理消息的服务

2）每一个kafka实例中有什么

如上图，只画了其中一个，具体看看里面是什么

  • broker：一个kafka进程就是一个broker，也就可以这样理解，集群中每一台kafka服务就是broker
  • 主题（topic）：在发布订阅的模式下，我们需要对消息进行一个区分，同一个功能的消息，我们发往同一个主题下
  • 分区（Partition）：可以看到每一个主题topic下，有多个分区。消息会推送到这些分区里面，可以增加生产者，消费者的对消息生产处理的吞吐量

在没有画出来了另外两个kafka中，我们会推选出领导Leader，以及追随者Follower，这个我们后面再聊

3）简单的消费

如上图，对于消费者如何消费分片中的消息的，其中有下面几点的解释

  1. 一个Partition只能由一个Consumer来消费，一个Consumer可以消费多个不同的Partition。所以，我们应该保证每个主题的Partition的数量大于Consumer的数量
  2. Consumer越多，则吞吐量越高，消费得越快。当然，要结合第一点
  3. Consumer增加或减少时，Partition和Consumer的消费关系会自动调整

4）带group的消费

在上一节看到了简单的消费，那只不过是同一个group下，接下来引入group这个概念

上面第三节说的都不错，在这里就是要加一个前提条件，一个Partition的消息同一个group中的一个Consumer来消费，

交给了同组的某个Consumer，就不能交给同组的其他Consumer了

每一个group都可以完整消费主题中的所有消息

5）消费partition里面的消息

如上图，有以下几点特性

  • 一个Partition内部的消息是有序的，越新的消息offset越大。不同partition的消息根据offset无法比较新l旧
  • Consumer顺序地消费partition里的每一条消息，可以每读一条就向kafka上报(commit)，当前读到了哪个位置(offset)，也可以间隔性上报
    • 可以读几条再上报offset，比如说每读5条，上报更新一下offset
    • 也可以时间间隔的方式上报offset，比如说每隔5s上报更新
  • Consumer重启时kafka根据该group上一次提交的最大offset来决定从哪个地方开始消费。
    • 这里就会出现重复消费的问题，而解决这个重复消费的问题，是面试中的高频问题。
  • 不同group之间，记录的offset是不同的，这也是上一节每个group独立消费topic的消息的原因

6）生产消息，写入Partition

关于生产者生产消息至Partition，有三种情况，按照优先级这样排序

  1. 生产者可以指定Partition进行写入
  2. 通过消息携带的key，再通过hash分发器计算得到结果，来决定去哪个Partition
  3. 按照时间片轮动选择Partition。比如说当前5分钟，往Partition 0中写入；下一个5分钟，往Partition 1中写入

7）生产消息，写入Partition应答ack

在上面一节，我们确定了partition存储是哪个，接下来还有一个问题，就是如果是kafka集群架构的话，我们会出现同个Partition，有一个Leader，多个Follower。

  1. 在上面确定partition后，我们要去寻找它的Leader
  2. Leader partition将消息写入本地磁盘
    1. 当写入完成后，向Producer进行应答响应
  3. Follower partition会将消息从Leader那拉回来，写入自己的本地磁盘
    1. 当写入完成后，向Leader进行应答响应
    2. 当leader收到所有的Follower应答后，再向Producer应答

那么在此刻，生产消息的应答ack有三种策略

  1. 完全不管ack应答
  2. Producer只需要Leader Partition应答即可，不用管Follower Partition是否写入成功
  3. partition需要保证所有的Follower才进行应答

8）Partition备份机制

在kafka集群中，我们有Partition的备份机制，如下

同一个主题下，集群中的每个broker，都会维护自己的Partition。

  1. 其中，他们会选出Leader、Follower，生产者的数据优先推送给Leader
  2. 每一个Partition都有自己的Leader
  3. 同一个Topic下的，不同Partition尽量分布在不同的broker

当有leader的broker宕机后，kafka集群会重新竞选那台broker上原本是leader的Partition，和下面ISR队列有关。

9）消息的磁盘存储文件结构

  • 分区Partition，一个Topic中有多个Partition，可以有效地避免了消息的堆积
  • 分段segment，消息在Partition里面，消息是分段来进行存储的，每次操作的消息读写都是针对segmengt一个segment包括一个log文件，两个index文件，三个文件成套出现。前面数字的文件名代表着offset偏移量开始索引位置
    • 000000101.log：存储具体消息的数据文件
    • 000000101.index：存储Consumer的offset便宜量的索引文件
    • 000000101.timeindex：存储消息时间戳的索引文件
  • 索引index，kafka分段后的数据建立的索引文件

如下图

可以看到上面有两个索引文件，

  • index文件是记录offset消息和log文件中消息位置的映射关系的文件
  • timeindex文件时记录时间戳和offset关系的文件

请注意，这边的索引并不会记录每一条消息的索引，而是采取稀疏索引，也就是隔一段消息才会记录消息的索引。

这个消息索引的稠密程度，影响kafka存储读取的速度 索引越稠密，则读取的速度越快 索引越稀疏，则文件存储的空间越大

由于上面存储文件都是采用offset偏移量来命名，所以kafka会采取二分查找方法，可以大大提交检索效率。

三、面试题

1）如何避免kafka消息丢失

1.1）出现消息丢失的原因

从上面架构上来看，kafka丢失消息的原因主要可以分为下面几个场景

  1. Producer在把消息发送给kafka集群时，中间网络出现问题，导致消息无法到达
    1. 网络抖动原因
    2. Producer消息超出大小限制，broker收到以后没法进行存储
  2. kafka集群接收到消息后，保存消息至本地磁盘出现异常
    1. 集群接收到数据后会将数据进行持久化存储到磁盘，消息都是先写入到页缓存，然后由操作系统负责具体的刷盘任务或者使用fsync强制刷盘。如果此时Broker宕机，且选举了一个落后leader副本限多的follower副本成为新的leader副本，那么落后的消息数据就会丢失。
  3. Consumer在消费消息时发生异常，导致Consumer端消费失败
    1. 消费者配置了offset自动提交参数，enable.auto.commit=true。消费者接受到了消息，进行了自动提交。但其实消费者并没有处理完成，就宕机了，此时kafka认为Consumer已经消费了这条消息了，后续便不再分配，造成了消息的丢失
1.2）解决方法——Producer消息发送消息失败

关于上面Producer消息发送消息失败的解决方法，总结归纳出五种，可以结合使用

  1. 生产者调用异步回调消息。伪代码如下：producer.send(msg, callback)
  2. 生产者增加消息确认机制，设置生产者参数：acks=all。partition的leader接收到消息，等待所有的follower副本都同步到了消息之后，才认为本次生产者发送消息成功了。
  3. 生产者设置重试次数。比如：retrie>=3,增加重试次数以保证消息的不丢失
  4. 定义本地消息日志表，定时任务扫描这个表自动补偿，做好监控告警。
  5. 后台提供一个补偿消息的工具，可以手工补偿。
1.3）解决方法——broker写入磁盘失败
  1. 同步刷盘（不太建议）。同步刷盘可以提高消息的可靠性，防止由于机器没有及时写入磁盘的消息丢失。但是会严重影响性能
  2. 利用Partition的多副本机制（建议）。使用下面的这段配置，
    1. unclean.leader.election.enable=false：表示不允许非ISR中的副本被选举为leader，以免数据丢失
    2. replication.factor>=3：消息分区的副本个数，建议设置大于等于3个
    3. min.insync.replicas>1：这个值大于1，要求leader至少能和一个Follower副本保证联系
1.4）解决方法——Consumer消费异常

消费者需要关闭自动提交，采用手动提交offset，enable.auto.commit=false，并在代码中写入

代码语言：javascript复制
// 同步提交
consumer.commitSync();
// 异步提交
consumer.commitAsync();

2）如何避免重复消费消息

这实际上是一个消息的幂等性问题

幂等性是指一个操作可以被重复执行，但结果不会改变的特性。在消息队列中，幂等性是指在消息消费过程中，保证消息的唯一性，不会出现重复消费的情况 。

我们有以下几个方案可以解决

  1. 对于一些业务相关的消息，我们通常有需要处理的消息业务主键。比如说，发送短信的发送流水号，支付业务的订单流水号等。
    1. 当消费者接受到消息后，使用这个消息主键建立获取分布式锁，同时将消息业务主键写入库。
    2. 如果第一步成功，消费者进行消费
    3. 当消费者处理完成后，释放分布式锁
    4. 如果有一条重复的消息进入，那么在第一步中就会失败，要么是分布式锁，要么是数据库主键冲突
  2. 针对没有业务的消息，可以再生产消息的时候给予一个分布式全局ID，后面的处理方法与第一条类似
  3. 在有状态流转的业务当中，一个消费者只消费一种业务状态，当这个消息的业务状态已经更新、已经处理。那么直接丢弃掉此次消息即可
  4. 乐观锁，消息在生产的时候携带业务上一次查询出的版本号，在消费时携带版本号去更新数据库。如果乐观锁原因导致失败，那么不需要进行后续处理
  5. insert ... on duplicate key update，消费插入数据时，数据已存在则进行更新

3）kafka的零拷贝是什么原理

  1. 第一次：将磁盘文件，读取到操作系统内核缓冲区；
  2. 第二次：将内核缓冲区的数据，copy 到 application 应用程序的 buffer；
  3. 第三步：将 application 应用程序 buffer 中的数据，copy 到 socket 网络发送缓冲区(属于操作系统内核的缓冲区)；
  4. 第四次：将 socket buffer 的数据，copy 到网卡，由网卡进行网络传输。

如下图

取消掉两次CPU的拷贝，从而减小CPU的消耗。

零拷贝是操作系统提供的，如Linux上的sendfile命令，是将读到内核空间的数据，转到 socket buffer，进行网络发送

还有Java NIO中的transferTo()方法

4）kafka如何在分布式的情况下保证顺序消费

在kafka的broker中，主题下可以设置多个不同的partition，而kafka只能保证Partition中的消息时有序的，但没法保证不同Partition的消息顺序性。

比如说，有一个主题Topic A，里面有两个Partition，但消费端只有一个Consumer。根据上面的架构可以知道，这个Consumer会消费两个Partition中的消息，这样就肯定会出现消费乱序的情况。

那么针对上面这种乱序的情况，我们可以这样进行设置

  1. 一个主题只建立一个Partition，这样所有的消息也就只会发送到一个Partition中，也就保证了消息的顺序性。
    1. Producer也可以指定往一个partition中发送消息。具体可以查看第二章第6节
  2. 可以保证一个Partition只能被一个Consumer消费，也可以保证消息的有序性消费。但也要避免Rebalance，原本一对一好好的，Consumer宕机或者下线导致Rebalance就会导致消费的乱序。

5）kafka为什么这么快

主要原因有下面几个

  1. 磁盘写入采用了顺序读写，保证了消息的堆积
    • 顺序读写，磁盘会预读，预读即在读取的起始地址连续读取多个页面，主要时间花费在了传输时间，而这个时间两种读写可以认为是一样的。
    • 随机读写，因为数据没有在一起，将预读浪费掉了。需要多次寻道和旋转延迟。而这个时间可能是传输时间的许多倍。
  2. 零拷贝：第3节提到过，避免了两次CPU拷贝，减少了CPU的消耗
  3. 分区、分段、索引，再配合二分查找检索，提高消息的检索效率
    • 分区Partition，有效避免了消息的堆积
    • 分段segment，消息在Partition里面，消息是分段来进行存储的，每次操作的消息读写都是针对segmengt
    • 索引index，kafka分段后的数据建立的索引文件，就是第二章第9节的文件存储结构
  4. 批量压缩读写
    • 多条数据一起压缩，存储，读取
    • kafka是直接操作的page cache，而不是堆内对象，读写速度更高。且进程重启后，缓存也不会丢失

6）什么是ISR，它有什么用

在kafka中，除了有ISR，还有OSR，AR，功能如下

  • ISR（InSyncRepli）：在kafka中，当一个broker宕机挂掉的时候，原本在其broker的Leader Partition会重新进行竞选。这个竞选基本从ISR队列中选举。那么现在可以这样说，ISR是一个维护了Follower Partition的队列，其中的Partition都与Leader Partition消息保持一致。
  • OSR（OutSyncRepli）：没在ISR队列中的其他Follower Partition组成的队列
  • AR（AllRepli）：全部分区的Follower Partition，也就是ISR和OSR的Partition总和

7）kafka中的Rebalance是什么，什么时候会触发

Rebalance是指Partition与Consumer之间的关系需要重新调整分配，这个重新调整分配的动作称为Rebalance。

那么当出现下面几种情况的时候，会触发Rebalance

  1. 当一个Group中的Consumer新增后
  2. 当一个Group中的Consumer离开后，比如说宕机
  3. 当Topic下的Partition数量发生变化后

总之，两边的关系数量发生变化的话，都会触发Rebalance

8）当kafka出现消息积压时，该怎么办

当出现上面这种情况的时候，要么就是Consumer挂掉了或者消费水平太低，要么就是Producer消息太多，间接导致Consumer消费不及时。

针对上面这种情况，我们可以有以下的解决方案，可以结合使用

  1. 提高Consumer的数量，可以通过增加消费者组中的Consumer数量或者增加Consumer实例来实现。这样每个Consumer可以并行处理消息，提高整体消费能力。
  2. 增加Partition分区数量，在kafka中，可以设置主题下的Partition，将消息分散至更多的Partition中，配合第一点方案提高整体的消费能力
  3. 提高Consumer的消费能力，优化消费者的处理能力，确保Consumer能够快速处理每条消息。将Consumer处理消息的速度优化至高于Producer生产消息的速度。在不破坏代码业务逻辑的情况下，也可以使用异步处理来消费消息。

在面试过程中，第三点方案是至关重要的，很多企业由于硬件资源的原因，没有增加Consumer的数量，没有增加Partition数量的空间。故此，Consumer优秀的消费能力，就成了他们考察的目标了。

四、最后

我是半月，你我一同共勉！！！

存储 kafka 架构 数据 索引

0 人点赞