❝

何为后kafka时代那？kafka自从 2011 年被捐献给 Apache 基金会到现在，已经发展到现如今的消息队列事实标准。作为一个优秀的分布式消息系统，Kafka 已经被许多企业采用并成为其大数据架构中不可或缺的一部分。Kafka也 已经不再只是分布式消息队列，而是想做集成了分发、存储和计算的“流式数据平台”。与此同时，大数据“新秀 Pulsar” 站在的kafka的肩膀上，针对kafka使用与维护过程中的痛点问题，明确提到“Pulsar 旨在取代 Apache Kafka 多年的主宰地位”的口号。

❞

kafka作为一个老的基础组件，很多读者都已经对其设计和原理十分熟悉，面向Pulsar的冲击下，很多人或许会犹豫究竟要选择哪个技术？

本人在 Tencent 中负责维护数据总线与数据集成服务，kafka与pulsar是消息总线中的基本组件需求，并且我们的系统在具体的大数据消息队列之上，又抽象了一层管道（channel）的概念，使得可以将两种消息队列可以可插拔的嵌入服务中。因此，我们团队同时在使用Kafka与Pulsar。不可否认，Pulsar确实十分优秀，站在了前人的基础上，在架构底层重新定义的大数据消息队列。

但是，即使是Pulsar时代下，kafka的存在价值和使用场景是否发生了变化那？

本系列文章会带大家重新梳理和回顾Kafka的概念、设计、发展历史和其当下使用的场景。

发展历程和底层设计

Kafka 是 2010 年左右在 LinkedIn 研发的一套流数据处理平台。LinkedIn发现这些 MQ 系统都有两个比较通用的缺陷：一是当消费者出现，无法及时消费的时候，数据就会丢掉；二是可延展性问题，MQ 系统很难很好地配合数据的波峰或波谷。

这些需求正好对应当时的消息队列系统不能解决的一些问题：「横向拓展、持久化、高吞吐、高性能、甚至是低成本」。因此Kafka这一流处理系统出现后，瞬间成为大数据流处理系统的事实标准。

2010 年LinkedIn开始自己开发 Kafka。设计理念非常简单，就是一个以「append-only 日志作为核心的数据存储结构」。简单来说，就是我们把数据以日志的方式进行组织，所有对于日志的写操作，都提交在日志的最末端，对日志也只能是顺序读取。

从我们当下的角度看待当时的kafka设计确实什么简单又十分优雅！kafka能实现上述的：横向拓展、持久化、高吞吐、高性能都得益于这个基础设计。

「顺序读写，高吞吐」： HDD 的随机读取和写入因为其本身原因会非常慢，但其实如果能够把所有的读和写都按照顺序来进行操作，会发现它几乎可以媲美内存的随机访问。kafka利用append-only 日志作为核心的数据存储结构，只会对文件进行顺序的读写操作，大大的利用了这一优点。【机械硬盘的连续读写性能很好，但随机读写性能很差，这主要是因为磁头移动到正确的磁道上需要时间，随机读写时，磁头需要不停的移动，时间都浪费在了磁头寻址上，所以性能不高。衡量磁盘的重要主要指标是IOPS和吞吐量。】

「物理分区，多分区扩展」：在Kafka中，Topic 只是一个逻辑的概念。每个 Topic 都包含一个或多个 Partition，不同 Partition 可位于不同节点。一方面，由于不同 Partition 可位于不同机器，因此可以充分利用集群优势，实现机器间的并行处理。另一方面，由于 Partition 在物理上对应一个文件夹，即使多个 Partition 位于同一个节点，也可通过配置让同一节点上的不同 Partition 置于不同的磁盘上，从而实现磁盘间的并行处理，充分发挥多磁盘的优势。

「多副本，保证高可用」：每个broker中的partition都会设置有replication（副本）的个数，生产者写入的时候首先根据分发策略（有partition按partition，有key按key，都没有轮询）写入到leader中，follower（副本）再跟leader同步数据，这样有了备份，也可以保证消息数据的不丢失。

「低成本」：Kafka 的日志存储持久化到磁盘，在部署时可以使用成本较低的HDD磁盘。

「页缓存加速」：顺序写文件时，「读操作可直接在 Page Cache 内进行。如果消费和生产速度相当，甚至不需要通过物理磁盘（直接通过 Page Cache）交换数据」；页缓存会将连续的小块写组装成大块的物理写从而提高性能；页缓存会 尝试将一些写操作重新按顺序排好，从而减少磁盘头的移动时间；【Cache 层在内存中缓存了磁盘上的部分数据。当数据的请求到达时，如果在 Cache 中存在该数据且是最新的，则直接将数据传递给用户程序，免除了对底层磁盘的操作，提高了性能】

「零拷贝，充分利用IO」：Kafka 在这里采用的方案是通过 NIO 的transferTo/transferFrom调用操作系统的 sendfile 实现零拷贝。总共发生 2 次内核数据拷贝、2 次上下文切换和一次系统调用，消除了 CPU 数据拷贝。【零拷贝（Zero-copy）技术指在计算机执行操作时，CPU 不需要先将数据从一个内存区域复制到另一个内存区域，从而可以减少上下文切换以及 CPU 的拷贝时间。它的作用是在数据报从网络设备到用户程序空间传递的过程中，减少数据拷贝次数，减少系统调用，实现 CPU 的零参与，彻底消除 CPU 在这方面的负载】

从我们当下的角度看待当时的kafka设计还是那么简洁和优雅，kafka能实现上述的：横向拓展、持久化、高吞吐、高性能都得益于这个基础设计。但是，这种简单的设计也有一些弊端，但是在kafka刚出的那个时候，这个设计和功能确实太优秀了。

Kafka使用痛点

首先先说结论，「后kafka时代下，kafka的某些设计已经比较落后了」。在运营/运维kafka的过程中，其实遇到了很多问题。

而很多问题是在基础架构确定之后，就决定了会有这样的结果。

单机器的分区上限问题

虽然 Kafka 的 topic partition 是顺序写入，但是当 broker上有成百上千个topic partition 时，从磁盘角度看就变成了随机写入，此时磁盘读写性能会随着 topic partition 数量的增加而降低，因此「Kafka broker 上存储的 topic partition 数量是有限制的」。

这大大限制了kafka在多主题情况下的使用。

非存储与计算分离的架构

kafka并不是一个存储与计算分离的架构，因此无法从存储和计算单个维度进行扩容。

数据存储和消息队列服务绑定，集群扩缩容/分区均衡需要大量拷贝数据，造成集群性能下降，并且带来了很大的运维成本。

一个分区只能归属于一台机器带来的文件存储

Kafka中根据设置的保留期来删除消息。有可能消息没被消费，过期后被删除。 不支持TTL。

但是这其中的本质问题来自于：一个分区只能归属于一台Broker机器，如果想要扩容的话，只能扩分区，拆分区

在极端情况下，如果原有kafka集群负载到达50%，流量这时如果翻三四倍，这对kafka的运维来说简直是个灾难！

运维成本高

如果某个机器磁盘满了，需要显式的使用工具迁移分区（kafka-reassign-partitions.sh）

数据存储和消息队列服务绑定，集群扩缩容/分区均衡需要大量拷贝数据，会带来了很大的运维成本。

随着 Kafka 集群规模的增长，Kakfa 集群的运维成本急剧增长，需要投入大量的人力进行日常运维。在某互联网公司中，扩容一台机器到 Kafka 集群并进行分区均衡，需要 0.5人/天；缩容一台机器需要 1 人/天。

PageCache 污染问题，造成读写性能下降

Kafka对page cache需求巨大。根据经验值，为Kafka分配6~8GB的堆内存就已经足足够用了，将剩下的系统内存都作为page cache空间，可以最大化I/O效率。

另一个需要特别注意的问题是lagging consumer，即那些消费速率慢、明显落后的consumer。它们要读取的数据有较大概率不在broker page cache中，因此会增加很多不必要的读盘操作。

比这更坏的是，「lagging consumer读取的“冷”数据仍然会进入page cache，污染了多数正常consumer要读取的“热”数据」，连带着正常consumer的性能变差。在生产环境中，这个问题尤为重要。

在 catch-up 读场景下，容易出现 PageCache 污染，造成读写性能下降。虽然kafka可以利用PageCache进行读取加速，在一些场景下实践效果不佳。

「Kafka不支持读写分离」

在 Kafka 中，生产者写入消息、消费者读取消息的操作都是与 leader 副本进行交互的，从 而实现的是一种「主写主读」的生产消费模型。Kafka 并不支持「主写从读」。

其实kafka的「主写主读」也是有一些优点的：

可以简化代码的实现逻辑，减少出错的可能;

将负载粒度细化均摊，与主写从读相比，不仅负载效能更好，而且对用户可控;

没有延时的影响;

在副本稳定的情况下，不会出现数据不一致的情况。

但是这些也不能算是完全的优点，「只是在当前kafka架构下，做到读写分离的收益不如主写主读方案。」

kafka中IO 不隔离，因此「消费者在清除 Backlog 时会影响其他生产者和消费者」。

后Kafka时代的使用场景

什么样的场景下可以继续用kafka?

在集群内topic不多或增长速度不是特别快的情况下，kafka依旧是很好的选择。

不需要复杂的企业级场景的时候，kafka仍旧是首选。

Kafka 原生的集群模式使用简单，能满足少量业务的需要。但对于大型企业（网站），大量的业务使用 Kafka，数据量、流量极大，必然同时存在多个集群，需要对用户的接入、运行时监控、集群运维提供统一的解决方案

版本变更

kafka 0.7 版本

kafka开源后的第一个正式的版本

提供了数据的压缩以及 MirrorMaker，也就是跨集群之间的数据拷贝。

这个版本太过久远，我们就不再占用篇幅介绍了

kafka 0.8 版本

Kafka 0.8.0 里面加入了多副本功能，也就是基于备份的一个高可用性的特性。

该版本中提出了一个叫做 ISR，或者叫做实时备份列表的机制。我们把所有的备份分为已同步和未同步的备份。

已同步的备份指，Leader 所有的 Data 在 replica 里面都有；未同步的很简单，由于可能比较慢，或者备份还不完整，也许有些数据在 Leader 上面有，但是在 replica 上没有。Leader 可以通过来管理这样的一个列表来做到实时的修改。同时，发布者发布信息的时候，可以要求备份方式。

kafka 0.9 版本

当 Kafka 集群不断变大、使用场景不断增多的时候，多租户之间的影响就会非常显著，一个人可以影响其他所有用户。

有一个员工写的客户端，当获取元数据失败时会一直发请求，并部署到了几十台机器上，结果就影响了所有的其他用户。所以我们在 0.9 里第一个要加的重大机制就是配额，限定每一个 user 能够用多大的流量跟 Kafka 交互。如果你超过配额，Kafka broker 就故意延迟你的请求，使一个 User 不会影响别人。这就是 0.9 的配额机制。

之前版本，Kafka其实存在一个比较大的隐患，就是利用 Zookeeper 来存储记录每个消费者/组的消费进度。虽然，在使用过程当中，JVM帮助我们完成了一些优化，但是消费者需要频繁的去与 Zookeeper 进行交互，而利用ZKClient的API操作Zookeeper频繁的Write其本身就是一个比较低效的Action，对于后期水平扩展也是一个比较头疼的问题。如果期间 Zookeeper 集群发生变化，那 Kafka 集群的吞吐量也跟着受影响。

从kafka-0.9版本及以后，kafka的消费者组和offset信息就不存zookeeper了，而是存到broker服务器上，所以，如果你为某个消费者指定了一个消费者组名称（group.id），那么，一旦这个消费者启动，这个消费者组名和它要消费的那个topic的offset信息就会被记录在broker服务器上。

kafka 0.10 版本

Kafka Streams 是在 0.10 里面加入的，它是一个流处理的平台，或者叫它是流处理的一个库。它是基于发布端和消费端的处理平台，它能够做到的是 Event-at-a-time、Stateful，并且支持像 Windowing 这样的操作，支持 Highly scalable、distributed、fault tolerant。所有这些都很大程度上利用了 Kafka broker，也就是服务器端本身的延展性和高可用性。

简单来说，Kafka Streams 所做的就是从 Kafka 的 Topic 里实时地抓取数据。这个数据会通过用户所写拓扑结构，把所有的 record 实时进行 transform 之后，最终再写回到 Kafka 里面，是个很简单的流数据处理。那么它怎么做延展性呢？也很简单，当用户写好一个拓扑结构以后，可以在多个机器，或者多个容器、多个虚拟机、甚至是多个 CPU 上面，部署多个应用，当应用同时进行的时候，会利用 Kafka 自动地划分每一个不同的应用所抓取的不同 partition 的数据

kafka 1.0版本

在该版本下做到 Exactly-Once，这才能使 Kafka 作为一个成熟的流数据平台

非 Exactly-Once 是指由于网络延迟或其他各种原因，导致消息重复发送甚至重复处理。那么直白来说 Exactly-Once 的定义，就是从应用的角度来说，当发生了错误，希望做到每一个接收到的 record，处理结果会被反映到它的处理状态中，一次且仅有一次，也就是 Exactly-Once。

之后的版本中，虽然在持续迭代，但是从kafka的底层架构来看，没有其他的重大更新了

参考资料：

https://mp.weixin.qq.com/s/p-jJVMjh9yr8QVqgRKtPtA

https://zhuanlan.zhihu.com/p/337861077

https://zhuanlan.zhihu.com/p/344277683

原文地址：https://mp.weixin.qq.com/s/2ob3tDnu1EBD8QMXmv8llA

首发在该平台上：【大数据技术事务所】