Apache Kafka核心概念
[TOC]
1、Kafka集群结构
image.png
producer和consumer想必大家都很熟悉，一个生产消息，一个消费掉消息。这里就不再做太多解释。
Broker
一个Borker就是Kafka集群中的一个实例，或者说是一个服务单元。连接到同一个zookeeper的多个broker实例组成kafka的集群。在若干个broker中会有一个broker是leader，其余的broker为follower。leader在集群启动时候选举出来，负责和外部的通讯。当leader死掉的时候，follower们会再次通过选举，选择出新的leader，确保集群的正常工作。
Consumer Group
Kafka和其它消息系统有一个不一样的设计，在consumer之上加了一层group。同一个group的consumer可以并行消费同一个topic的消息，但是同group的consumer，不会重复消费。这就好比多个consumer组成了一个团队，一起干活，当然干活的速度就上来了。group中的consumer是如何配合协调的，其实和topic的分区相关联
如果同一个topic需要被多次消费，可以通过设立多个consumer group来实现。每个group分别消费，互不影响。
Topic
kafka中消息订阅和发送都是基于某个topic。比如有个topic叫做NBA赛事信息，那么producer会把NBA赛事信息的消息发送到此topic下面。所有订阅此topic的consumer将会拉取到此topic下的消息。Topic就像一个特定主题的收件箱，producer往里丢，consumer取走。
kafka采用分区（Partition）的方式，使得消费者能够做到并行消费，从而大大提高了自己的吞吐能力。同时为了实现高可用，每个分区又有若干份副本（Replica），这样在某个broker挂掉的情况下，数据不会丢失。
接下来我们详细分析kafka是如何基于Partition和Replica工作的。
分区（Partition）
大多数消息系统，同一个topic下的消息，存储在一个队列。分区的概念就是把这个队列划分为若干个小队列，每一个小队列就是一个分区，如下图：
image.png
这样做的好处是什么呢？其实从上图已经可以看出来。无分区时，一个topic只有一个消费者在消费这个消息队列。采用分区后，如果有两个分区，最多两个消费者同时消费，消费的速度肯定会更快。如果觉得不够快，可以加到四个分区，让四个消费者并行消费。分区的设计大大的提升了kafka的吞吐量！！
我们再结合下图继续讲解Partition。
image.png
此图包含如下几个知识点：
1、一个partition只能被同组的一个consumer消费（图中只会有一个箭头指向一个partition）
2、同一个组里的一个consumer可以消费多个partition（图中第一个consumer消费Partition 0和3）
3、消费效率最高的情况是partition和consumer数量相同。这样确保每个consumer专职负责一个partition。
4、consumer数量不能大于partition数量。由于第一点的限制，当consumer多于partition时，就会有consumer闲置。
5、consumer group可以认为是一个订阅者的集群，其中的每个consumer负责自己所消费的分区
副本（Replica）
提到副本，肯定就会想到正本。副本是正本的拷贝。在kafka中，正本和副本都称之为副本（Repalica），但存在leader和follower之分。活跃的称之为leader，其他的是follower。
每个分区的数据都会有多份副本，以此来保证Kafka的高可用。
Topic、partition、replica的关系如下图：
image.png
topic下会划分多个partition，每个partition都有自己的replica，其中只有一个是leader replica，其余的是follower replica。
消息进来的时候会先存入leader replica，然后从leader replica复制到follower replica。只有复制全部完成时，consumer才可以消费此条消息。这是为了确保意外发生时，数据可以恢复。consumer的消费也是从leader replica读取的。
由此可见，leader replica做了大量的工作。所以如果不同partition的leader replica在kafka集群的broker上分布不均匀，就会造成负载不均衡。
kafka通过轮询算法保证leader replica是均匀分布在多个broker上。如下图。
image.png
可以看到每个partition的leader replica均匀的分布在三个broker上，follower replica也是均匀分布的。
关于Replica，有如下知识点：
1、Replica均匀分配在Broker上，同一个partition的replica不会在同一个borker上
2、同一个partition的Replica数量不能多于broker数量。多个replica为了数据安全，一台server存多个replica没有意义。server挂掉，上面的副本都要挂掉。
3、分区的leader replica均衡分布在broker上。此时集群的负载是均衡的。这就叫做分区平衡
分区平衡
在讲分区平衡前，先讲几个概念：
1、AR： assigned replicas，已分配的副本。每个partition都有自己的AR列表，里面存储着这个partition最初分配的所有replica。注意AR列表不会变化，除非增加分区。
2、PR（优先replica）：AR列表中的第一个replica就是优先replica，而且永远是优先replica。最初，优先replica和leader replica是同一个replica。
3、ISR：in sync replicas，同步副本。每个partition都有自己的ISR列表。ISR是会根据同步情况动态变化的。
最初ISR列表和AR列表是一致的，但由于某个节点死掉，或者某个节点的follower replica落后leader replica太多，那么该节点就会被从ISR列表中移除。此时，ISR和AR就不再一致
接下来我们通过一个例子来理解分区平衡。
1、根据以上信息，一个拥有3个replica的partition，最初是下图的样子。
image.png
可以看到AR和ISR保持一致，并且初始时刻，优先副本和leader副本都指向replica 0.
2、接下来，replica 0所在的机器下线了，那么情况会变成如下图所示：
image.png
可以看到replica 0已经从ISR中移除掉了。同时，由于重新选举，leader副本变成了replica 1，而优先副本还是replica 0。优先副本是不会改变的。
由于最初时，leader副本在broker均匀分布，分区是平衡的。但此时，由于此partition的leader副本换成了另外一个，所以此时分区平衡已经被破坏。
3、replica 0所在的机器修复了，又重新上线，情况如下图：
image.png
可以看到replica 0重新回到ISR列表中，不过此时他没能恢复leader的身份。只能作为follower当一名小弟。
此时分区依旧是不平衡的。那是否意味着分区永远都会不平衡下去呢？不是的。
4、kafka会定时触发分区平衡操作，也可以主动触发分区平衡。这就是所谓的分区平衡操作，操作完后如下图。
image.png
可以看到此时leader副本通过选举，会重新变回来replica 0，因为replica 0是优先副本，其实优先的含义就是选择leader时被优先选择。这样整个分区又回到了初始状态，而初始时，leader副本是均匀分布的。此时已经分区平衡了。
由此可见，分区平衡操作就是使leader副本和优先副本保持一致的操作。可以把优先副本理解为分区的平衡状态位，平衡操作就是让leader副本归位。
Partition的读和写
通过之前的学习，我们知道topic下划分了多个partition，消息的生产和消费最终都是发生在partition之上。下图是一个三个partition的topic的读写示意。
image.png
我们先看右边的producer，可以看到写的时候，采用round-robin算法，轮询往每个partition写入。
而在消费者端，每个consumer都维护一个offset值，指向的是它所消费到的消息坐标。
我们先看group A的三个consumer，他们分别独立消费不同的三个partition。每个consumer维护了自己的offset。
我们再看group B，可以看到两个group是并行消费整个topic，同一条消息会被不同group消费到。
