189 8069 5689
这期内容当中小编将会给大家带来有关如何深入分析Kafka架构的工作流程、存储机制、分区策略，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
创新互联公司专注于宝清企业网站建设,成都响应式网站建设公司,商城网站开发。宝清网站建设公司,为宝清等地区提供建站服务。全流程按需搭建网站，专业设计，全程项目跟踪，创新互联公司专业和态度为您提供的服务在开始之前首先要明确一点，kafka是一个分布式流平台，本质上是一个消息队列。谈到消息队列，就会联想到消息队列的三大作用：异步、消峰、解耦。kafka主要应用在大数据的实时处理领域，使用起来比较简单，本文主要分析kafka的工作流程、存储机制，分区策略，并围绕多个角度展开总结。
但是要注意的是，随着时代的巨轮驶向2020，目前kafka已经不是一家独大了，Pulsar作为一个天生支持多租户、跨地域复制、统一消息模型的消息平台，已经在不少企业成功的替代了Kafka。关于Apache Pulsar的更多知识，感兴趣的可以关注我，后面会对它进行总结和深入。
kafka将消息按照topic进行分类，每条message由三个属性组成。
offset：表示 message 在当前 Partition 中的偏移量，是一个逻辑上的值，唯一确定了 Partition 中的一条 message，可以简单的认为是一个 id；
MessageSize：表示 message 内容 data 的大小；
data：message 的具体内容
在整个kafka架构中，生产者和消费者采用发布和订阅的模式，生产者生产消息，消费者消费消息，它俩各司其职，并且都是面向topic的。（需要注意：topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一个log文件，该log文件中存储的就是producer生产的数据。）
Producer生产的数据会被不断追加到该log文件末端，且每条数据都有自己的offset。
消费者组中的每个消费者，都会实时记录自己消费到了哪个offset，这样当出现故障并恢复后，可以从这个offset位置继续进行消费，避免漏掉数据或者重复消费。
在kafka的设计之初，考虑到了生产者生产的消息不断追加到log文件末尾后导致log文件过大的情况，所以采用了分片和索引机制，具体来说就是将每个partition分为多个segment。每个segment对应三个文件：.index 文件、.log 文件、.timeindex 文件（早期版本中没有）。其中.log和.index文件位于一个文件夹下，该文件夹的命名规则为：topic名称+分区序号。例如，csdn这个topic有2个分区，则其对应的文件夹为csdn-0,csdn-1；
如果我们打开csdn-0这个文件夹，会看到里面的文件如下：
00000000000000000000.index 00000000000000000000.log 00000000000000150320.index 00000000000000150320.log
通过这个文件夹下有两个log，我们可以得出结论，这个partition有2个segment。
文件命名规则：partition全局的第一个segment从0开始，后续每个segment文件名为上一个segment文件最后一条消息的offset值，数值大小为64位，20位数字字符长度，没有数字用0填充。
注意：index 文件并不是从0开始，也不是每次递增1的，这是因为 Kafka 采取稀疏索引存储的方式，每隔一定字节的数据建立一条索引，它减少了索引文件大小，使得能够把 index 映射到内存，降低了查询时的磁盘 IO 开销，同时也并没有给查询带来太多的时间消耗。
下面引用一张旧的kafka存储机制图，不带.timeindex 文件：
index文件和log文件的关系：“.index”文件存储大量的索引信息，“.log”文件存储大量的数据，索引文件中的元数据指向对应数据文件中message的物理偏移地址。
因为每一个segment文件名为上一个 Segment 最后一条消息的 offset ，所以当需要查找一个指定 offset 的 message 时，通过在所有 segment 的文件名中进行二分查找就能找到它归属的 segment ，再在其 index 文件中找到其对应到文件上的物理位置，就能拿出该 message 。
举例：这里我们以查找offset为6的message为例，查找流程如下：
首先要确定这个offset信息在哪个segment文件（由于是顺序读写，这里使用二分查找法），第一个文件名为00000000000000000000，第二个为00000000000000150320，所以6这个offset的数据肯定在第一个文件里面；
找到文件后就好办了，在这个文件的 00000000000000000000.index文件中的[6，9807]定位到00000000000000000000.log文件中9807这个位置来进行数据读取即可。
在了解分区策略之前需要先了解为什么要分区，可以从两方面来解释这个问题：
方便在集群中扩展，每个Partition可以通过调整以适应它所在的机器，而一个topic又可以有多个Partition组成，因此整个集群就可以适应任意大小的数据；
可以提高并发，分区后以Partition为单位读写。
首先要知道producer发送的数据其实需要封装成一个ProducerRecord对象才可以，我们看ProducerRecord提供的方法如下：
通过这个构造方法，我们知道kafka分区策略有如下3种：
指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值；
既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition 值，也就是常说的 round-robin 算法。
上述就是小编为大家分享的如何深入分析Kafka架构的工作流程、存储机制、分区策略了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联-成都网站建设公司行业资讯频道。