Kafka之Broker原理
1. 日志数据的存储
1.1 Partition
1. 为了实现横向扩展，把不同的数据存放在不同的
Broker
上，同时降低单台服务器的访问压力，我们把一个Topic
中的数据分隔成多个
Partition2. 每个
Partition
中的消息是有序的，顺序写入，但是全局不一定有序3. 在服务器上，每个
Partition
都有一个物理目录（
TopicN
）后面的数字代表分区
1.2 Replica副本
1. 为了提高分区的可靠性，
Kafka
设计了副本机制2. 副本数必须小于等于节点数，而不能大于
Broker
的数量3. Leader
对外提供读写服务，
Follower
唯一的任务就是从
Leader
异步拉取数据
1.3 Segment段
1. 为了防止Log不断追加导致文件过大，导致检索消息效率变低，一个Partition又 被划分成多个Segment来组织数据.
在这里会有3个配置，也就是log的阈值配置。什么时候下进行分段
log.segment.bytes
：根据日志文件大小log.roll.hours
、
log.roll.ms
：根据时间戳差值log.index.size.max.bytes：根据索引文件大小
每一个segment都是由一个log文件和2个index文件组成的,其中时间戳索引的创建方式可以自定义的执行createTime或LogAppendTime.默认是creareTime
1.4 Sparse Index(稀疏索引)
索引文件的查看可以通过以下命令进行查看
kfaka索引文件中记录的Offset不是连续的，而是采用了稀疏索引。根据配置的大小，稀疏索引记录的是从Log中的哪个位置开始检索，比如配置的是4kb，则当log文件中向下存储的数据达到4kb的话，就会记录一个索引值
1.5 分区副本在Broker上的分布
创建一个topic
./kafka-topics.sh–bootstrap-server192.168.61.101:9092–create–topic3p3r–partitions3–replication-factor3
假设配置的是3p3r，则我们看下服务器上的存储
查看Topic信息
./kafka-topics.sh–bootstrap-server192.168.61.101:9092–describe–topic3p3r
其中 Partition是分区，Leader后面代表的是在哪台服务器上，Replicas就是副本信息，ISR是个副本队列
假设配置的是4p2r，则物品们查看topic信息如图所示
创建、查看topic
./kafka-topics.sh –bootstrap-server 192.168.61.101:9092 –create –topic 4p2r –partitions 4 –replication-factor 2
./kafka-topics.sh –bootstrap-server 192.168.61.101:9092 –describe –topic 4p2r
假设我们配置的是6p2r
由以上我们可以看出，副本分配的两个基本原则和规律
1、副本会被平均分布在所有的Broker之上
2
、
partition
的多个副本应该分配在不同的
Broker
上
基于上面的规则，分区副本最终落入哪个节点，还会收到两个随机数的影响
1、第一个随机数：startIndex，决定了第一个分区的第一个副本的放置位置
2
、第二个随机数：
nextReplicaShift
，决定了分区中，副本跟副本的间距nextReplicaShift%(BrokerSize-1)
这样设计的目的在于提高Broker服务器的容灾能力
2. 消息保留与清理机制
对于一些太久的日志，我们需要一定的清理策略。
当开启清理策略后，有两种方式提供开发者选择
log.cleanup.policy=delete
（默认项） // 删除策略log.cleanup.policy=compact // 压缩策略
2.1 删除策略(delete)
kafka可以通过定时任务实现日志数据的删除，默认5分钟执行一次
log.retention.check.interval.ms=300000
那么要删除什么样的数据呢?kafka提供了两个纬度以及对应不同的配置
时间纬度
log.retention.hours（默认值是168个小时，时间戳超过的数据会被删除）
log.retention.minutes
（默认值是空，优先级比小时高）log.retention.ms
（默认值是空，优先级比分钟高）
若产生消息的速度不均匀，有时多、有时少，就可以根据日志大小删除
log.retention.bytes
（表示所有日志文件的总大小，默认值是
-1
，代表不限制大小）log.segment.bytes
（对单个
Segment
文件大小进行限制，默认值
1G
）
2.2 压缩策略(compact)
若设置为压缩策略compact,则表示不清楚日志，只对日志数据进行压缩处理
思考问题: 如果同一个key重复写入多次，是会存储多次?还是会更新?
kafka中是存储多次的，如: _ _consumer_offsets
那么压缩策略是怎么做的呢?（将相同的key进行去重压缩）
3. Broker高可用架构
高可用，无非就是选举机制、数据的一致性也就是主从同步，以及对于故障的处理，由于kafka是直接数据存储在磁盘中的，因此无需考虑持久化，Broker的高可用 涉及到一系列的动作
- 选举出一个Controller
- 从分区中选举出Leader角色
- 主从同步
- Replica故障处理
3.1 选举机制
3.1.1 Controller选举
Controller其实就是一个Broker,由它来负责选举出新的Leader,那么Controller是怎么选举出来的呢
3.1.2 分区副本Leader的选举
在讲解Leader选举前，我们先复习以下博客Kafka之Producer原理-CSDN博客中提到的ISR机制的几个概念
AR
（
Assigned-Replicas
），一个分区所有的副本ISR
（
In-Sync Replicas
），在
AR
中，跟
Leader
保持积极同步数据的副本OSR
（
Out-Sync-Replicas
），在
AR
中，跟
Leader
同步滞后的副本AR = ISR + OSR
- 当Leader副本发生故障时，只有在ISR中的副本才能参与新Leader的选举
- 问题:如果ISR为空呢? unclean.leader.election.enable配置为false OSR也可以进行选举
- Kafka采用了类似于继位传嫡的选举协议，选择ISR中位置靠前的节点成为新的Leader.
3.2 主从同步
从节点和主节点的同步过程如下:
1
、首先，
Follower
节点向
Leader
发送一个
fetch
请求2
、然后，
Leader
向
Follower
发送数据3
、接着，
Follower
接收到数据响应后，依次写入消息、并更新
LEO
值4
、最后，
Leader
更新
HW
（
ISR
最小的
LEO
）5
、循环上述过程，直至所有
Follower
完成数据同步
整体流程图如下所示:
Kafka设计的ISR复制，既可以在保障数据一致性，又可以提供高吞吐量(ISR队列中清除响应不积极的Follower节点)
3.3 Replica故障处理
- Follower发生故障，会被先提出ISR，Follower恢复之后，从HW开始同步数据
- Leader发生故障，会先选举出一个新的Leader,其它的Follower将高于HW的消息截取掉，然后从新的Leader同步数据
4. 总结
本文介绍Broker服务器，主要讲了Broker中日志的存储，从大到小依次为Partition、Segment，副本机制的具体存储形式，是怎么进行负载均衡和容灾保障的，在Segment中我们直到了Segment是由一个Log文件和两个索引文件组成的，索引文件主要起的是一个提升查询效率的作用。随后当kafka中log文件过大的时候，kagka中提供了两种维度上的删除策略以及相同key去重压缩的compact策略。最后，kafka高可用中的选举机制是先到先得选举Controller,再根据ISR副本队列嫡长子继位的算法进行Leader的选举；以及Kafka中的主从同步是以高水位HW为界限，不断的同步数据，直到LEO值相等完成数据的同步。最后讲到了副本故障的处理，针对follwe节点故障，则直接踢出ISR队列，Leader故障，就会触发选举机制，选举出一个新的Leader，最后数据从LEO处以上的开始同步，高于HW的消息全部截断。
