Kafka剖析：Kafka背景及架构介绍.PDF

Kafka剖析：Kafka背景及架构介绍 Spark大数据博客 - Kafka剖析：Kafka背景及架构介绍 《Kafka剖析：Kafka背景及架构介绍》 《Kafka设计解析：Kafka High Availability（上）》 《Kafka设计解析：Kafka High Availability （下）》 《Kafka设计解析：Replication工具》 《Kafka设计解析：Kafka Consumer解析》 Kafka是由LinkedIn开发的一个分布式的消息系统，使用Scala编写，它以可水平扩展和高吞 吐率而被广泛使用。目前越来越多的开源分布式处理系统如Cloudera、Apache Storm、Spark都 支持与Kafka集成。InfoQ一直在紧密关注Kafka的应用以及发展，“Kafka剖析”专栏将会从架构设 计、实现、应用场景、性能等方面深度解析Kafka。 背景介绍 Kafka创建背景 Kafka是一个消息系统，原本开发自LinkedIn，用作LinkedIn的活动流（Activity Stream）和运营数据处理管道（Pipeline）的基础。现在它已被多家不同类型的公司 作为多种类型的数据管道和消息系统使用。 活动流数据是几乎所有站点在对其网站使用情况做报表时都要用到的数据中最常规的部分。 活动数据包括页面访问量（Page View）、被查看内容方面的信息以及搜索情况等内容。这种数 据通常的处理方式是先把各种活动以日志的形式写入某种文件，然后周期性地对这些文件进行统 计分析。运营数据指的是服务器的性能数据（CPU、IO使用率、请求时间、服务日志等等数据)。 运营数据的统计方法种类繁多。 近年来，活动和运营数据处理已经成为了网站软件产品特性中一个至关重要的组成部分，这 就需要一套稍微更加复杂的基础设施对其提供支持。 Kafka简介 Kafka是一种分布式的，基于发布/订阅的消息系统。主要设计目标如下： 1、以时间复杂度为O(1)的方式提供消息持久化能力，即使对TB级以上数据也能保证常数时 间复杂度的访问性能。 2、高吞吐率。即使在非常廉价的商用机器上也能做到单机支持每秒100K条以上消息的传输 。 3、支持Kafka Server间的消息分区，及分布式消费，同时保证每个Partition内的消息顺序传输。 4、同时支持离线数据处理和实时数据处理。 5、Scale out：支持在线水平扩展。 1 / 13 Kafka剖析：Kafka背景及架构介绍 Spark大数据博客 - 为何使用消息系统 1、解耦 在项目启动之初来预测将来项目会碰到什么需求，是极其困难的。消息系统在处理过程中间 插入了一个隐含的、基于数据的接口层，两边的处理过程都要实现这一接口。这允许你独立的扩 展或修改两边的处理过程，只要确保它们遵守同样的接口约束。 2、冗余 有些情况下，处理数据的过程会失败。除非数据被持久化，否则将造成丢失。消息队列把数 据进行持久化直到它们已经被完全处理，通过这一方式规避了数据丢失风险。许多消息队列所采 用的插入-获取-删除范式中，在把一个消息从队列中删除之前，需要你的处理系统明确的指出该 消息已经被处理完毕，从而确保你的数据被安全的保存直到你使用完毕。 3、扩展性 因为消息队列解耦了你的处理过程，所以增大消息入队和处理的频率是很容易的，只要另外 增加处理过程即可。不需要改变代码、不需要调节参数。扩展就像调大电力按钮一样简单。 4、灵活性 峰值处理能力 在访问量剧增的情况下，应用仍然需要继续发挥作用，但是这样的突发流量并不常见；如果 为以能处理这类峰值访问为标准来投入资源随时待命无疑是巨大的浪费。使用消息队列能够使关 键组件顶住突发的访问压力，而不会因为突发的超负荷的请求而完全崩溃。 5、可恢复性 系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即 使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。 6、序