|
1、 概述
Kafka是Linkedin于2010年12月份開源的消息系統(tǒng)，它主要用于處理活躍的流式數(shù)據(jù)?；钴S的流式數(shù)據(jù)在web網(wǎng)站應(yīng)用中非常常見，這些數(shù)據(jù)包括網(wǎng)站的pv、用戶訪問了什么內(nèi)容，搜索了什么內(nèi)容等。 這些數(shù)據(jù)通常以日志的形式記錄下來，然后每隔一段時間進行一次統(tǒng)計處理。 傳統(tǒng)的日志分析系統(tǒng)提供了一種離線處理日志信息的可擴展方案，但若要進行實時處理，通常會有較大延遲。而現(xiàn)有的消（隊列）系統(tǒng)能夠很好的處理實時或者近似實時的應(yīng)用，但未處理的數(shù)據(jù)通常不會寫到磁盤上，這對于Hadoop之類（一小時或者一天只處理一部分數(shù)據(jù)）的離線應(yīng)用而言，可能存在問題。Kafka正是為了解決以上問題而設(shè)計的，它能夠很好地離線和在線應(yīng)用。 2、 設(shè)計目標 （1）數(shù)據(jù)在磁盤上存取代價為O(1)。一般數(shù)據(jù)在磁盤上是使用BTree存儲的，存取代價為O（lgn）。 （2）高吞吐率。即使在普通的節(jié)點上每秒鐘也能處理成百上千的message。 （3）顯式分布式，即所有的producer、broker和consumer都會有多個，均為分布式的。 （4）支持數(shù)據(jù)并行加載到Hadoop中。 3、 KafKa部署結(jié)構(gòu)
kafka是顯式分布式架構(gòu)，producer、broker（Kafka）和consumer都可以有多個。Kafka的作用類似于緩存，即活躍的數(shù)據(jù)和離線處理系統(tǒng)之間的緩存。幾個基本概念： （1）message（消息）是通信的基本單位，每個producer可以向一個topic（主題）發(fā)布一些消息。如果consumer訂閱了這個主題，那么新發(fā)布的消息就會廣播給這些consumer。 （2）Kafka是顯式分布式的，多個producer、consumer和broker可以運行在一個大的集群上，作為一個邏輯整體對外提供服務(wù)。對于consumer，多個consumer可以組成一個group，這個message只能傳輸給某個group中的某一個consumer. 4、 KafKa關(guān)鍵技術(shù)點 （1） zero-copy 在Kafka上，有兩個原因可能導致低效：1）太多的網(wǎng)絡(luò)請求 2）過多的字節(jié)拷貝。為了提高效率，Kafka把message分成一組一組的，每次請求會把一組message發(fā)給相應(yīng)的consumer。 此外， 為了減少字節(jié)拷貝，采用了sendfile系統(tǒng)調(diào)用。為了理解sendfile原理，先說一下傳統(tǒng)的利用socket發(fā)送文件要進行拷貝：
Sendfile系統(tǒng)調(diào)用：
（2） Exactly once message transfer 怎樣記錄每個consumer處理的信息的狀態(tài)？在Kafka中僅保存了每個consumer已經(jīng)處理數(shù)據(jù)的offset。這樣有兩個好處：1）保存的數(shù)據(jù)量少 2）當consumer出錯時，重新啟動consumer處理數(shù)據(jù)時，只需從最近的offset開始處理數(shù)據(jù)即可。 （3）Push/pull Producer 向Kafka（push）推數(shù)據(jù)，consumer 從kafka 拉（pull）數(shù)據(jù)。 （4）負載均衡和容錯 Producer和broker之間沒有負載均衡機制。 【參考資料】 【1】Kafka主頁：http:///kafka/design.php 【2】Zero-copy原理：https://www.ibm.com/developerworks/linux/library/j-zerocopy/ 【3】Kafka與Hadoop：http:///sna/media/kafka_hadoop.pdf |
|
|
