kafka为什么只能增加分区数 kafka分区的原因

文章目录

• 2、Kafka 生产者

• 2.1 分区策略
• 2.2 数据可靠性保证
• 2.3 Exactly Once 语义

2、Kafka 生产者

2.1 分区策略

1）分区的原因

• （1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic 又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
• （2）可以提高并发，因为可以以 Partition 为单位读写了。

2）分区的原则

• 我们需要将producer发送的数据封装成一个ProducerRecord对象。

• （1） 指明 partition 的情况下，直接将指明的值直接作为 partition 值；
• （2） 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值；
• （3） 既没有 partition 值又没有 key 值的情况下， kafka 采用 Sticky Partition(黏性分区器)，会随机选择一个分区，并尽可能一直使用该分区，待该分区的 batch 已满或者过了间隔时间，kafka 再随机一个分区进行使用.

2.2 数据可靠性保证

1）生产者发送数据到 topic partition 的可靠性保证

• 为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。

2）Topic partition 存储数据的可靠性保证

• （1）副本数据同步策略

方案	优点	缺点
半数以上完成同步，就发送ack	延迟低	选举新的leader时，容忍n台节点的故障，需要2n+1个副本
全部完成同步，才发送ack	选举新的leader时，容忍n台节点的故障，需要n+1个副本	延迟高

• Kafka 选择了第二种方案，原因如下：

• 同样为了容忍n台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要n+1 个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
• 虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

• （2）ISR

• 采用第二种方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送 ack。(问题提出)
• Leader 维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 producer发送 ack。如果 follower 长时间未向 leader 同步数据，则该 follower 将被踢出ISR，该时间阈值由 replica.lag.time.max.ms 参数设定(2.4版本默认为10秒，2.5版本默认的为30秒)。Leader发生故障之后，就会从ISR中选举新的leader。

• （3）ack 应答级别

• 对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等 ISR 中的 follower 全部接收成功。
• 所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。

• acks参数配置：
• acks：

• 0：这一操作提供了一个最低的延迟，partition 的 leader 接收到消息还没有写入磁盘就已经返回ack，当 leader 故障时有可能丢失数据；
• 1： partition 的 leader 落盘成功后返回 ack，如果在 follower 同步成功之前 leader 故障，那么将会丢失数据；

• -1（all）： partition 的 leader 和 follower 全部落盘成功后才返回 ack。但是如果在follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复。

注意（极限情况）：当 ISR 中只有一个 leader 时（没有 follower 时）才会出现在ISR机制下ack=-1 时出现数据丢失(leader挂掉)。在ISR中再选举leader时所有的follower全进入ISR中

2.3 Exactly Once 语义

• 将服务器的 ACK 级别设置为 -1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。相对的，将服务器 ACK 级别设置为0，可以保证生产者每条消息只会被发送一次，即 At Most Once语义。
• At Least Once 可 以保证数据不丢失，但是不能保证数据不重复；相对的，At Most Once可以保证数据不重复，但是不能保证数据不丢失。但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once语义。在0.11版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
• 0.11版本的 Kafka，引入了一项重大特性： 幂等性。所谓的幂等性就是指Producer不论向Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once语义，就构成了 Kafka 的Exactly Once语义。即：At Least Once + 幂等性 = Exactly Once
• 要启用幂等性，只需要将 Producer 的参数中 enable.idempotence 设置为true即可。Kafka 的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而 Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。
• 但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。