当前位置：首页 > news >正文

图解Kafka架构学习笔记（二）

news 来源：原创 2024/4/28 8:08:07

kafka的存储机制

https://segmentfault.com/a/1190000021824942
https://www.lin2j.tech/md/middleware/kafka/Kafka%E7%B3%BB%E5%88%97%E4%B8%83%E5%AD%98%E5%82%A8%E6%9C%BA%E5%88%B6.html
https://tech.meituan.com/2015/01/13/kafka-fs-design-theory.html
https://feizichen.me/2019/12/KafkaFileMessage/
https://juejin.cn/post/6965401216599736351

存储文件结构

topic：可以理解为一个消息队列的名字
partition：为了实现扩展性，一个非常大的topic可以分布到多个 broker（即服务器）上，一个topic可以分为多个partition，每个partition是一个有序的队列
segment：partition物理上由多个segment组成
message：每个segment文件中实际存储的每一条数据就是message
offset：每个partition都由一系列有序的、不可变的消息组成，这些消息被连续的追加到partition中，partition中的每个消息都有一个连续的序列号叫做offset,用于partition唯一标识一条消息

Partition分区

假设topic名称为test-topic，默认设置partition为3，topic创建成功后默认的存储位置在：/tmp/kafka-logs下，分区分别以topic名称-分区数命名，(不考虑副本的情况)如下：

//分布在不同的broker节点上  
test-topic-0  
test-topic-1  
test-topic-2

疑问一：为什么要分区呢？

为了性能考虑，如果不分区每个topic的消息只存在一个broker上，那么所有的消费者都是从这个broker上消费消息，那么单节点的broker成为性能的瓶颈，如果有分区的话生产者发过来的消息分别存储在各个broker不同的partition上，这样消费者可以并行的从不同的broker不同的partition上读消息，实现了水平扩展。

疑问二：分区文件下到底存了那些东西？

如下，其实每个分区下保存了很多文件，而概念上我们把他叫segment，即每个分区都是又多个segment构成的，其中index（索引文件），log（数据文件），time index（时间索引文件）统称为一个segment。

test-topic-0  
├── 00000000000000000001.index  
├── 00000000000000000001.log  
├── 00000000000000000001.timeindex  
├── 00000000000000001018.index  
├── 00000000000000001018.log  
├── 00000000000000001018.timeindex  
├── 00000000000000002042.index  
├── 00000000000000002042.log  
├── 00000000000000002042.timeindex

Segment File 组成：由2大部分组成，分别为.log 和 .index 文件，此 2 个文件一一对应，成对出现。
Segment File 命名规则：Partion 全局的第一个 Segment 从0开始，后续每个 Segment 文件名为上一个 Segment 文件最后一条消息的 offset 值。

index 文件为 log 文件的消息提供了索引，具体是提供某条消息所在的位置。

在这里插入图片描述
疑问三：为什么有了partition还需要segment ？

通过上面目录显示存在多个segment的情况，既然有分区了还要存多个segment干嘛？如果不引入segment，那么一个partition只对应一个文件（log），随着消息的不断发送这个文件不断增大，由于kafka的消息不会做更新操作都是顺序写入的，如果做消息清理的时候只能删除文件的前面部分删除，不符合kafka顺序写入的设计，如果多个segment的话那就比较方便了，直接删除整个文件即可保证了每个segment的顺序写入

Segment存储

Segment中核心文件是index索引文件和log数据文件，既然是索引文件当然是为了更高效的定位到数据，那么索引文件和数据文件中到底是存了那些数据？又是如何快速找到消息数据呢？

使用kafka自带脚本发送测试数据

sh kafka-producer-perf-test.sh --topic test-topic --num-records 50000000 --record-size 1000 --throughput 10000000  --producer-props bootstrap.servers=192.168.60.201:9092

使用kafka自带脚本Dump index

sh kafka-run-class.sh kafka.tools.DumpLogSegments --files /tmp/kafka-logs/test-topic-0/00000000000000001018.index --print-data-log

offset: 1049 position: 16205  
offset: 1065 position: 32410  
offset: 1081 position: 48615  
offset: 1097 position: 64820  
offset: 1113 position: 81025  
offset: 1129 position: 97230

通过dump index我们发现其实索引文件中其实就保存了offset和position，分别是消息的offset也就是具体那一条消息，position表示具体消息存储在log中的物理地址。

疑问一：通过上面数据可以看出，kafka并不是每个offset都保存了，为什么在index文件中这些offset编号不是连续的呢？

因为index文件中并没有为数据文件中的每条消息都建立索引，而是采用了稀疏存储的方式，每隔一定字节的数据建立一条索引。这样避免了索引文件占用过多的空间，从而可以将索引文件保留在内存中。但缺点是没有建立索引的Message也不能一次定位到其在数据文件的位置，从而需要做一次顺序扫描，但是这次顺序扫描的范围就很小了。

使用kafka自带脚本Dump log

sh kafka-run-class.sh kafka.tools.DumpLogSegments --files /tmp/kafka-logs/test-topic-0/00000000000000001018.log --print-data-log

在这里插入图片描述
log数据文件中并不是直接存储数据，而是通过许多的message组成，message包含了实际的消息数据。

Message字段

kafka从0.11.0版本开始所使用的消息格式版本为v2，参考了Protocol Buffer而引入了变长整型（Varints）和ZigZag编码。 Varints是使用一个或多个字节来序列化整数的一种方法，数值越小，其所占用的字节数就越少。ZigZag编码以一种锯齿形（zig-zags）的方式来回穿梭于正负整数之间，以使得带符号整数映射为无符号整数，这样可以使得绝对值较小的负数仍然享有较小的Varints编码值，比如-1编码为1,1编码为2，-2编码为3。

在这里插入图片描述