今天就跟大家聊聊有关分布式消息系统kafka该怎么理解，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
创新互联公司专业为企业提供柞水网站建设、柞水做网站、柞水网站设计、柞水网站制作等企业网站建设、网页设计与制作、柞水企业网站模板建站服务，10年柞水做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。
kafka：一个分布式消息系统
1.背景
最近因为工作需要，调研了追求高吞吐的轻量级消息系统Kafka，打算替换掉线上运行的ActiveMQ，主要是因为明年的预算日流量有十亿，而ActiveMQ的分布式实现的很奇怪，所以希望找一个适合分布式的消息系统。
以下是内容是调研过程中总结的一些知识和经验，欢迎拍砖。
2.基础知识
2.1.什么是消息队列
首先，我们来看看什么是消息队列，维基百科里的解释翻译过来如下：
队列提供了一种异步通信协议，这意味着消息的发送者和接收者不需要同时与消息保持联系，发送者发送的消息会存储在队列中，直到接收者拿到它。
一般我们把消息的发送者称为生产者，消息的接收者称为消费者；注意定义中的那两个字“异步”，通常生产者的生产速度和消费者的消费速度是不相等的；如果两个程序始终保持同步沟通，那势必会有一方存在空等时间；如果两个程序一持续运行的话，消费者的平均速度一定要大于生产者，不然队列囤积会越来越多；当然，如果消费者没有时效性需求的话，也可以把消息囤积在队列中，集中消费。
说到这里，我们再来谈谈队列的分类，一般我们根据生产者和消费者的不同，可以把队列分为三类：
第一类是在一个应用程序内部（进程之间或者线程之间），相信大家学多线程时都写过“生产者消费者”程序，生产者负责生产，将生产的结果放到缓冲区（如共享数组），消费者从缓冲区取出消费，在这里，这个缓冲区就可以称为“消息队列”。
第二类其实也算在第一类的特例，就像我们喜欢把操作系统和应用程序区别对待来看，操作系统要处理无数繁杂的事物，各进程、线程之间的数据交换少不了消息队列的支持。
第三类是更为通用意义上的“消息队列”，这类队列主要作用于不同应用，特别是跨机器、平台，这令数据的交换更加广泛，一般一款独立的队列产品除了实现消息的传递外，还提供了相应的可靠性、事务、分布式等特性，将生产者、消费者从中解耦。常见的消费队列产品根据开源与否又可分为两类：
专有软件：IBM WebSphere MQ，MSMQ…
开源软件：ActiveMQ、RabbitMQ、Kafka…
2.2.JMS与AMQP
好了，对于上述第三类“消息队列”，要在不同的机器中提供消息队列的功能，那势必要有统一的规范，这时候SUN就跳出来了，作为跨平台的JAVA势必也要支持跨平台的消息传递，基于此，SUN提供了一套消息标准：Java Message Service，缩写JMS，但是这套规范定义的是API层面的标准，在JAVA体系中可以很方便的交换，但对于其他平台就需要，可能需要消息队列产品本身支持多协议（如OpenWire、STMOP）。
而AMQP定义的比JMS更加底层，从名字就能看出来（Advanced Message Queuing Protocol），它定义的是Wire-level的协议，天然具有跨平台、跨语言的特性，基于此实现的消息队列可以与任何支持该协议的平台交互。
一种是JAVA层面的API，一种是Wire-level协议，这是JMS和AMQP最本质的区别；同时两种标准还有两个比较明显的差异：
一是消息传递模型；JMS比较简单，支持两种最通用的Peer-2-Peer、publisher/subscriber；通俗点就是点对点和广播模式；而AMQP定义的更为复杂，其定义了一种exchange&binding机制，由此支持五种模型：direct exchange、fanout exchange、topic exchange、headers exchange、system exchange，本质上与P2P、PUB/SUB一样，但是更加细致些。
二是支持的消息类型，JMS支持多种消息模型：TextMessage、MapMessage、BytesMessage、StreamMessage、ObjectMessage、Message等；而AMQP只有byte数组。
2.3.ActiveMQ
ActiveMQ是基于JMS实现的Provider（可以理解为队列），它支持多种协议，如OpenWire，Stomp，AMQP等，基于此，支持多平台；支持事务，支持分发策略、还有上面的多种消息模型。这里我们不细谈ActiveMQ的各特性，我们着重来看ActiveMQ的分布式模型。
ActiveMQ支持分布式，它支持Master-Slave提供高可用，也支持Broker-Cluster提供负载均衡，但是它的负载基于一种Forwarding Bridge机制。
在这种机制下，任意时刻一条消只会被一个broker持有，producer发送的消息，可能会经过多个broker转发最终才会到达consumer，可以想象，当broker越来越多时，几乎每次消费都要经过转发，效率会明显下降；并且在这种复杂逻辑下，任一broker的加入和移除都显得十分复杂；这两点是我不建议使用ActiveMQ分布式集群的根本原因。
1
3.Kafka
好，我们最后来谈今天的主角Kafka，这个奇特的名字我始终没有找到典故，也许是开发者暗恋女孩（基友）的名字吧^_^，Kafka由linkin开发，最初的目的是为了应对linkin庞大的活动流数据（登录、浏览、点击、分享、喜欢等），这部分数据容量庞大，但是可靠性要求不高，故而通过牺牲一部分可靠性（这并不是说我们的数据会按百分比丢，我们后面再谈）来提升吞吐量；它砍掉了很多复杂的特性，如事务、分发策略、多种消息模型等；通过自身独特的设计将消息持久化到磁盘上，以此同时支持在线和离线消费；并且其天生为分布式而设计，压根就没有单机模式（或者说单机模式是分布式的特例），能够很好的扩展。实际应用中，Kafka可以用来做消息队列、流式处理（一般结合storm）、日志聚合等。
3.1.架构
2
我们先宏观的看看Kafka的架构，Producer集群通过zookeeper（实际中写的是broker list）获取所写topic对应的partition列表，然后顺序发送消息（支持自己实现分发策略），broker集群负责消息的存储和传递，支持Master Slaver模型，可分布式扩展；Consumer集群从zookeeper上获取topic所在的partition列表，然后消费，一个partition只能被一个consumer消费。Name Server集群（一般是zookeeper）提供名称服务等协调信息。至于什么是topic，什么是partition，我们接下来看。
3.2.Topic
Topic是生产者生产、消费者消费的队列标识。一个Topic由一个或多个partition组成，每个partition可以单独存在一个broker上，消费者可以往任一partition发送消息，以此实现生产的分布式，任一partition都可以被且只被一个消费者消息，以此实现消费的分布式；因此partition的设计提供了分布式的基础。
3
同时，从上图我们也能发现这种设计还有一个优点，因为每个partition内的消息是有序的，而一个partition只能被一个消费者消费，因此Kafka能提供partition层面的消息有序，而传统的队列在多个consumer的情况下是完全无法保证有序的。
3.3.消息传递模型
传统的消息队列最少提供两种消息模型，一种P2P，一种PUB/SUB，而Kafka并没有这么做，巧妙的，它提供了一个消费者组的概念，一个消息可以被多个消费者组消费，但是只能被一个消费者组里的一个消费者消费，这样当只有一个消费者组时就等同与P2P模型，当存在多个消费者组时就是PUB/SUB模型。
4
3.4.消息持久化
很多系统、组件为了提升效率一般恨不得把所有数据都扔到内存里，然后定期flush到磁盘上；可实际上，现代操作系统也是这样，所有的现代操作系统都乐于将空闲内存转作磁盘缓存（页面缓存），想不用都难；对于这样的系统，他的数据在内存中保存了一份，同时也在OS的页面缓存中保存了一份，这样不但多了一个步骤还让内存的使用率下降了一半；因此，Kafka决定直接使用页面缓存；但是随机写入的效率很慢，为了维护彼此的关系顺序还需要额外的操作和存储，而线性的写入可以避免这些，实际上，线性写入（linear write）的速度大约是300MB/秒，但随即写入却只有50k/秒，其中的差别接近10000倍。这样，Kafka以页面缓存为中间的设计在保证效率的同时还提供了消息的持久化，每个消费者自己维护当前读取数据的offser（也可委托给zookeeper），以此可同时支持在线和离线的消费。
3.5.Push vs. Pull
对于消息的消费，ActiveMQ使用PUSH模型，而Kafka使用PULL模型，两者各有利弊，对于PUSH，broker很难控制数据发送给不同消费者的速度，而PULL可以由消费者自己控制，但是PULL模型可能造成消费者在没有消息的情况下盲等，这种情况下可以通过long polling机制缓解，而对于几乎每时每刻都有消息传递的流式系统，这种影响可以忽略。
3.6.可靠性
刚刚说Kafka牺牲了一些可靠性来提升吞吐量，很多同学可能担心消息的丢失，那么我们现在来看看各种情况下的可靠性。
5
对于如上的模型，我们分开来看，
先来看消息投递可靠性，一个消息如何算投递成功，Kafka提供了三种模式，第一种是啥都不管，发送出去就当作成功，这种情况当然不能保证消息成功投递到broker；第二种是对于Master Slave模型，只有当Master和所有Slave都接收到消息时，才算投递成功，这种模型提供了最高的投递可靠性，但是损伤了性能；第三种模型，即只要Master确认收到消息就算投递成功；实际使用时，根据应用特性选择，绝大多数情况下都会中和可靠性和性能选择第三种模型。
我们再来看消息在broker上的可靠性，因为消息会持久化到磁盘上，所以如果正常stop一个broker，其上的数据不会丢失；但是如果不正常stop，可能会使存在页面缓存来不及写入磁盘的消息丢失，这可以通过配置flush页面缓存的周期、阈值缓解，但是同样会频繁的写磁盘会影响性能，又是一个选择题，根据实际情况配置。
接着，我们再看消息消费的可靠性，Kafka提供的是“At least once”模型，因为消息的读取进度由offset提供，offset可以由消费者自己维护也可以维护在zookeeper里，但是当消息消费后consumer挂掉，offset没有即时写回，就有可能发生重复读的情况，这种情况同样可以通过调整commit offset周期、阈值缓解，甚至消费者自己把消费和commit offset做成一个事务解决，但是如果你的应用不在乎重复消费，那就干脆不要解决，以换取最大的性能。
最后，我们再来看zookeeper的可靠性，很明显，他要挂了，一切都完了，地球就毁灭了，人类就灭绝了，星级穿越也挽救不了了……所以增强可靠性的方式就是把zookeeper也部署成集群。
3.7.性能
好了，说了那么多，我们实际来测试下Kafka在各种情况下的性能，为了对比我也测了下单机模式下ActiveMQ的性能，不过由于懒，没有搭建ActiveMQ集群进行测试，但是基于其恶心的Forwarding Bridge模型，我也持悲观态度。
首先，测试环境如下：
Kafka：3 broker；8核/32G；默认配置
ActiveMQ：1 broker；8核/32G；默认配置
Producer: 一台机器通过多线程模拟多producer；8核/32G；默认配置，异步发送
Consumer: 一台机器通过多线程模拟多consumer；8核/32G；默认配置
除了特殊说明，生产和消费同时进行。
然后，我使用如下字符表示各种测试条件：
1T-1P3C-1P1C-1KW-1K：
1T:1个toipc
1P3C：1个partition 3个replication
1P1C：1个producer 1个consumer
1KW：1千万条消息
1K：每个消息1K
我先对ActiveMQ在单机多Producer、多consumer的情况下的测试，结果比我想象中的好，官方的给出的一个数据是1-2K的数据，每秒10-20K个，这样算下来大概30-40MB/S，而测试的结果在多线程的情况下会更好些。
ActiveMQ-thread Produce Consume 1T-XXX-1P1C-1KW-1K 28.925MB/S 28.829MB/S 1T-XXX-3P3C-1KW-1K 43.711MB/S 41.791MB/S 1T-XXX-8P8C-1KW-1K 52.426MB/S 52.383MB/S
然后我又对Kafka进行了相应的测试，用一个partition模拟单机模式，结果和预想的一样，在单机模型下，两者差异不大；而官方给的数据说生产者能达到50MB/S，消费者能达到100MB/S，生产者符合官方数据，而消费者我始终没有压到那么高的速度。
Kafka- thread Produce Consume 1T-1P1C-1P1C-1KW-1K 29.214MB/S 29.117MB/S 1T-1P1C-3P3C-1KW-1K 46.168MB/S 43.018MB/S 1T-1P1C-8P8C-1KW-1K 52.140MB/S 51.975MB/S
接下来的对于Kafka集群，我想同样数量的消息会不会因为topic数目的增多而影响，测试结果如下，表明topic越多，速度会有所下降，也符合预期。
Kafka-topic Produce Consume 1T-3P3C-3P3C-1.2KW-1K 49.255MB/S 49.204MB/S 3T-3P3C-3P3C-0.4KW*3-1K 46.239MB/S 45.774MB/S
然后为了测试partition对性能的影响，进行了如下测试，可以看到partition数量越多，总的生产和消费速度越快；但是意外的是Only produce情况下生产效率没有明显提升反而略慢，这里怀疑和page cache有关，没有深入研究。
Kafka-partition Produce Consume Only Produce Only Consume 1T-1P3C-1P1C-1KW-1K 29.213MB/S 29.117MB/S 28.941MB/S 34.360MB/S 1T-3P3C-3P3C-1KW-1K 47.103MB/S 46.966MB/S 46.540MB/S 66.219MB/S 1T-8P3C-8P8C-1KW-1K 61.522MB/S 61.412MB/S 60.703MB/S 72.701MB/S
综上，我们可以看到Kafka的性能和吞吐是可以扩展的。
3.8.风险点
对于我们来说，Kafka主要有两个风险点，第一，要深入使用必须要熟读源码，而kafka源码是用scala写的，我们并没有相应的技术储备，需要学习；第二，kafka技术较新，目前的版本是0.8.1.1，看起来还不太成熟。
看完上述内容，你们对分布式消息系统kafka该怎么理解有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注创新互联行业资讯频道，感谢大家的支持。
