Kafka对Java程序员有多重要？连阿里都在用它处理亿万级数据
在ActiveMQ、RabbitMQ、RocketMQ、Kafka消息中间件之间，我们为什么要选择Kafka?下面详细介绍一下，2012年9月份我在支付宝做余额宝研发，2013年6月支付宝正式推出余额宝，2013年8月担任支付宝淘宝彩票项目经理带领兄弟们一起做研发，期间需要与淘宝和500万对接竞彩接口数据，业余时间与淘宝的同事沟通，了解天猫在电商节如何处理这些大数据的？技术架构上采用了哪些策略呢？
1、应用无状态(淘宝session框架)
2、有效使用缓存(Tair)
3、应用拆分(HSF)
4、数据库拆分(TDDL)
5、异步通信(Notify)
6、非结构化数据存储 ( TFS,NOSQL)
7、监控、预警系统
8、配置统一管理
天猫的同事把大致的架构跟我描述了一番，心有感悟。咱们来看一下2018年双11当天的成交额。
Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
-
Data Access：数据通道
-
Computing：计算
-
Persistence：执行保存方式
-
spout：表示一个流的源头，产生tuple
-
bolt：处理输入流并产生多个输出流，可以做简单的数据转换计算，复杂的流处理一般需要经过多个bolt进行处理
为什么不能用分布式文件HDFS集群？
1、实时性：hdfs的实时性没有kafka高。
2、消费量的记录：hdfs不会记录你这个块文件消费到了哪里，而基于zookeeper的kafka会记录你消费的点。
3、并发消费：hdfs不支持并发消费，而kafka支持并发消费，即多个consumer。
4、弹性且有序：当数据量会很大，而且处理完之后就可以删除时，频繁的读写会对hdfs中NameNode造成很大的压力。而kafka的消费点是记录在zookeeper的，并且kafka的每条数据都是有“坐标”的，所以消费的时候只要这个“坐标”向后移动就行了，而且删除的时候只要把这个“坐标”之前的数据删掉即可。
三、什么是Kafka?
通过上图就可以了解到，生产者Producers(农民和厨师)，消费主题top(鱼，骨头，草，香蕉)，消费者Comsumer(猫，狗，老牛，猴子)，生产者根据消费主题获取自己想要的食物。
四、Kafka架构原理
请高手指明一下kafka解决了什么问题，什么场景下使用？消息订阅和发布吗，好像redis也支持，功能是否有重叠？
1、消息队列
假设你意气风发，要开发新一代的互联网应用，以期在互联网事业中一展宏图。借助云计算，很容易开发出如下原型系统：
-
Web应用：部署在云服务器上，为个人电脑或者移动用户提供的访问体验。
-
SQL数据库：为Web应用提供数据持久化以及数据查询。
这套架构简洁而高效，很快能够部署到百度云等云计算平台，以便快速推向市场。互联网不就是讲究小步快跑嘛！
好景不长。随着用户的迅速增长，所有的访问都直接通过SQL数据库使得它不堪重负，不得不加上缓存服务以降低SQL数据库的荷载；为了理解用户行为，开始收集日志并保存到Hadoop上离线处理，同时把日志放在全文检索系统中以便快速定位问题；由于需要给投资方看业务状况，也需要把数据汇总到数据仓库中以便提供交互式报表。此时的系统的架构已经盘根错节了，考虑将来还会加入实时模块以及外部数据交互，真是痛并快乐着……
这时候，应该跑慢一些，让灵魂跟上来。
本质上，这是一个数据集成问题。没有任何一个系统能够解决所有的事情，所以业务数据根据不同用途存而放在不同的系统，比如归档、分析、搜索、缓存等。数据冗余本身没有任何问题，但是不同系统之间像意大利面条一样复杂的数据同步却是挑战。
这时候就轮到Kafka出场了。
Kafka可以让合适的数据以合适的形式出现在合适的地方。Kafka的做法是提供消息队列，让生产者单往队列的末尾添加数据，让多个消费者从队列里面依次读取数据然后自行处理。之前连接的复杂度是O(N^2)，而现在降低到O(N)，扩展起来方便多了：
在Kafka的帮助下，你的互联网应用终于能够支撑飞速增长的业务，成为下一个BAT指日可待。
以上故事说明了Kafka主要用途是数据集成，或者说是流数据集成，以Pub/Sub形式的消息总线形式提供。但是，Kafka不仅仅是一套传统的消息总线，本质上Kafka是分布式的流数据平台，因为以下特性而著名：
-
提供Pub/Sub方式的海量消息处理。
-
以高容错的方式存储海量数据流。
-
保证数据流的顺序。
2、日志采集
随着互联网的不断发展，用户所产生的行为数据被越来越多的网站重视，如何对于用户信息进行采集则越来越受到重视，下面就为大家介绍基于Kafka的服务端用户行为日志采集方式。
（1）技术选型
服务端日志采集主要通过在Controller的接口中进行埋点，然后通过AOP技术、Kafka消息系统以及logback对用户行为进行采集。
之所以使用AOP技术是因为AOP的以下重要特定：
-
代码的侵入性小。对于业务代码的侵入性小，只需要在Controller的接口上添加注解，然后在其他模块对用户行为进行采集。
-
重用性。对于相同作用的代码可以进行重用。
-
扩展性。能够很好的对系统进行扩展。
由于使用异步方式对用户行为信息进行收集，因此需要使用消息中间件。目前消息中间件非常多，比较流行的有ActiveMQ、ZeroMQ、RabbitMQ、Kafka等。每个消息中间件都有各种的优势劣势，之所以使用Kafka消息中间件，是因为以下几点因素：
-
高性能。每秒钟可以处理数以千计生产者生成的消息。
-
高扩展性。可以通过简单的增加服务器横向扩展Kafka集群的容量。
-
分布式。消息来自数以千计的服务，使用分布式来解决单机处理海量数据的瓶颈。
-
持久性。Kafka中的消息可以持久化到硬盘上，这样可以防止数据的丢失。
因为用户的行为数据最终是以日志的形式持久化的，因此使用logback对日志持久化到日志服务器中。
（2）总体架构
服务端日志采集系统主要由两个工程组成：陆金所-bi-core和lu-bi-service。由于中国平安陆金所使用dubbo框架，因此有服务提供方和服务消费方。lu-bi-core被web、wap和mainsite服务消费方依赖。此外，lu-bi-service也依赖于lu-bi-core，主要是依赖于其中的一些实体类及工具类。
lu-bi-core工程为Kafka消息的生产者，主要封装实现切面的具体逻辑，其主要职责如下：
-
解析用户请求的Request信息：从Request中提取用户的基本信息，如设备型号、用户的供应商、ip、设备的分辨率、设备平台、设备的操作系统、设备id、app渠道等。
-
接口对应的参数：通过切面可以提取接口的参数值，从而知道用户的业务信息。
-
应用层返回的结果信息：因为切面使用AfterReturning方式，因此可以获取用层的返回结果，从返回结果中可以提取有用的信息。
-
用户的基本信息：用户的id信息。
-
信息格式化：将信息转化成JSON字符串。
-
发送消息：将最终需要发送的消息放入本地阻塞队列中，通过另一个线程异步从阻塞队列中获取消息并发送到Kafka Broker中。
lu-bi-service工程为Kafka消息的消费者，其主要职责如下：
-
实时从Kafka中拉取最新的数据。
-
将JSON字符串转化成，方便进一步对用信息进行加工。
-
对用户的ip进行解析，获取ip对应的地区以及经纬度信息。
-
将加工好的最终信息持久化到log文件中。
（3）部署图
上图为陆金所与日志系统系统相关的部署图，App、Wap和Mainsite服务器集群分别对应不同终端的应用。Kafka集群使用杭研的集群，目前有10个Broker。日志服务器有两台，通过Kafka的均衡策略对日志进行消费。
（4）日志采集的流程
日志采集流程图如下所示：
上图为消息生产者和消息消费者共同组成的流程图。
-
消息生产者的具体步骤如下：
-
通过切面拦截用户的请求。
-
从切面中提取请求头的基本信息，如设备信息，cookie信息，ip信息等。
-
提取请求的接口参数信息。
-
从接口返回值中提取相关信息，如id，pvid等。
-
将提取的信息封装成JSON字符串，放到阻塞队列中，假如阻塞队列溢出会有三次重试机制。
-
异步线程从本地阻塞队列中获取数据，并将信息组装发送到Kafka的Broker中，此时消息生产者结束。
消息消费者的具体步骤如下：
-
实时从Kafka Broker中批量拉取消息。
-
将拉取的消息转化成对象。
-
解析ip对应的国家、省份、城市、经纬度信息。
-
对不同业务场景的信息进一步解析。
-
将日志信息转化成JSON字符串，持久化到log文件中。
（5）相关配置
-
application-XXX.properties：该配置放Kafka的相关属性，包括topic、groupId、server等信息。
-
lu-log-msg.xml：该配置放在app-web，mainsite-web，wap-web的src/main/resources目录下，主要是初始化kafka生产者的信息。
-
lu-bi-service.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于加载kafka消费者的配置信息，并且启动kafka消费者服务。
-
logback.xml：该配置放在lu-bi-service工程的src/main/resources目录下，主要用于声明日志文件存放的目录，需要持久化的日志的package路径，以及日志持久化的格式。
-
ip_conf.txt：该配置放在lu-bi-service工程的src/main/resources目录下，用于解析ip对应的地域、经纬度等信息。
Redis和Kafka区别？
作者跟大家举个例子：
老板有个好消息要告诉大家，公司要发放年终奖，有两个办法:
1、到会议室每个座位上挨个儿告诉每个人。什么？张三去上厕所了？那张三就只能错过好消息了！
2、老板把消息写到会议上的黑板报上，谁想知道就来看一下，什么？张三请假了？没关系，我一周之后才擦掉，总会看见的！什么张三请假两周？那就算了，我反正只保留一周，不然其他好消息没地方写了
redis用第一种办法，kafka用第二种办法，知道什么区别了吧
Redis PUB/SUB使用场景：
1、 消息持久性需求不高
2、吞吐量要求不高
3、可以忍受数据丢失
4、数据量不大
Kafka使用场景：
上面以外的其他场景：
1、高可靠性
2、高吞吐量
3、持久性高
Kafka、RabbitMQ、RocketMQ等消息中间件的对比
有关测试结论
Kafka的吞吐量高达17.3w/s，不愧是高吞吐量消息中间件的行业老大。这主要取决于它的队列模式保证了写磁盘的过程是线性IO。此时broker磁盘IO已达瓶颈。
RocketMQ也表现不俗，吞吐量在11.6w/s，磁盘IO %util已接近100%。RocketMQ的消息写入内存后即返回ack，由单独的线程专门做刷盘的操作，所有的消息均是顺序写文件。
RabbitMQ的吞吐量5.95w/s，CPU资源消耗较高。它支持AMQP协议，实现非常重量级，为了保证消息的可靠性在吞吐量上做了取舍。我们还做了RabbitMQ在消息持久化场景下的性能测试，吞吐量在2.6w/s左右。
在服务端处理同步发送的性能上，Kafka>RocketMQ>RabbitMQ
