我想大家对Kafka或多或少都有所耳闻，那么它究竟是什么呢？其实说白了也很简单，它其实就是一个分布式的消息队列，也就是我们通常所说的消息的发布和订阅，只是它的目标更倾向于高吞吐和低延迟。那我们就从头开始来看看Kafka究竟是如何诞生的。

发布/订阅消息

在正式开始聊Kafka之前，我们来看看什么是消息的发布和订阅。我们先来看这样一个例子：系统中有两个应用程序，然后我们有一个metrics的dashboard，当这两个应用程序开始运行时，会把相关的metric数据发送到dashboard所在的server，然后就可以把它们的metric显示出来，简单的架构如下所示：

这种架构看起来还是很清晰的，但是当我们的系统变得稍微庞大起来，有了更多的应用，也需要有了不同的metric处理方式，比如我们既需要显示metrics的数据到一个UI上，又需要分析这个metric或者根据metric的数据来做一些monitor发送alerts之类的，那整个系统就可能变得复杂起来，甚至有时你会觉得有一些系统，比如monitor其实并不需要你一直把metric发送过去，最好是做个poll的形式，让monitor主动找application来拿数据，于是你的系统变成了下面这样：

这样一来整个系统看起来就很乱，程序员的特性让你蠢蠢欲动，捋起袖子来refactor一下呗，你想啊想，要是能在中间加一层，让所有的应用端把数据都发送给这一层，然后对这个数据感兴趣的server再统一到这一层来拿就完美了，于是你的想法就变成了下面这样的一个架构：

而这就是最基本的消息发布和订阅的形式。

这个架构运行得还不错，于是你在吃饭的时候和同事吹嘘了一下，你的同事发现它在处理log和tracking的时候也有类似的需求，于是他来和你学习了一下，把它那边的处理逻辑也改成了这个机制，所以你们的系统变成了下面这样：

这样一来你的系统里面有了三个类似的发布/订阅系统，他们的business逻辑有所不同，但技术层面是类似的。所以当你们把这个架构demo给老板看并要求提职加薪的时候，老板说，你们能不能搞一个统一的系统，这样可以给所有有类似需求的team一起使用，而且也不需要单独处理各自的bug等等。这个时候Kafka就诞生了，它就是这样一个统一的系统，来处理类似的功能需求的。

消息

我们把各个应用给Kafka发送的内容称之为消息，然后各个处理的模块只要订阅相应的消息就可以了。对Kafka本身来说看，消息是什么样子的它并不关心，因为它只是一个转发中心，只要接受端的各个处理模块能理解就好。我们可以简单把消息理解成类似数据库中的一条记录，当然可以有它定义的格式或者schema，但是对数据库本身来说，它并不关心这个schema的定义。

Topics和partitions

Kafka中的消息会被分类成一个topics，用数据库来理解，topics就类似一个表。每个topics会被分成多个partition。所以当你写数据到topics时，会按照partition的规律写到各个partition中，在每个partition中它是有序的，有点类似数据库的append-only log的方式，但是多个partition之间数据的顺序是无法保证的。

上面这个图就显示了一个拥有4个partition的topic，也许你会问为什么要这个partition啊，这里有很多好处，比如说我们可以把不同的partition部署到不同的机器上，这样就可以在大吞吐量的时候做到很好的scalability，当然我们还可以对每个partition做replication，从而提高high availability以防止单点的fail。

我们通常所说的数据流在Kafka这里对应的其实就是一个topic。

Producer和Consumer

Producer和Consumer这两个概念比较好理解，前者产生消息，后者需要接收处理消息。

对producer来说，主要需要注意的就是把消息发送给谁，也就是topics中的哪个partition，需要有一定的机制来决定发送到的partition，可以是类似hash的map来选择partition，这样同样的消息能发送到同一个partition，也可以是均匀的partition分布或者是基于consumer的partition分布，这些方式的选取取决于你的数据形式和business的需求。只是需要注意的是不同的partition之间的顺序是无法保证的，但是同一个partition则是可以保证这一点的。

Consumer可以订阅多个topics中的多个partition的消息，它是通过消息的offset来判断是否已经取得了相应的消息，offset是一个递增的数值，每个消息的这个offset都不一样（同一parition中），这样一来consumer就可以使用这个值来区分不同的消息。只要保存好这个offset，哪怕有重启等事件的发生，也能够继续从上次的地方取消息。

多个consumer还可以组成一个consumer group，他们可以共同订阅一个topics的消息，但是一个partition只能被consumer group中的一个consumer来进行处理，当这个consumer group中的某个consumer出现了问题之后，可以让consumer group中别的consumer来继续处理出问题的consumer所对应的partition，示意图如下所示：

Broker和Cluster

我们称每个Kafka中的server就是一个broker，它一方面接收producer的消息，给他们加上offset，把这些消息写到磁盘中。另一个方面它还要服务consumer，处理它们请求消息的request。一般来说，一个broker可以支持几千个partition，每秒处理百万基本的消息（当然不同的硬件也有不同的处理能力）。

多个broker可以组成cluster，其中一个broker会被选举成controller，这个controller需要做一些特殊的操作，比如把不同的partition assign给不同的broker，监控处理fail的broker等。

同样在partition level还有一个leader的概念，我们前面提到partition可以有多份拷贝（replication），他们中只有一份拷贝是leader，另外的我们称之为followers，一般来说会分布在不同的broker上，从而达到高可靠性的目的。所有的producer都必须把消息发布给leader，而consumer则可以从leader或者followers来获取消息。其实和数据库的读写一样，写必须经过leader，读则可以到任意节点。简单的示意如下图所示：

另外一个Kafka很重要的特性就是它的持久保存，也就是说每个broker都会把消息保存一段时间或者直到保存的消息大于某个大小。这个多长时间的设置一般会设置在topic这个层级上。

多个cluster

很多时候我们会使用多个cluster，这样做有各种各样的原因，一般来说下面这三种原因会比较主流：

• 隔离不同类型的数据
• 因为安全的原因进行隔离
• 不同数据库的隔离

有时候我们希望消息能够在不同的cluster之间交互，这个时候就引入了一个新的技术，我们称之为MirrorMaker。下图所示的例子就是数据中心A、B通过MirroMaker组成了一个新的aggregate的cluster，然后这个aggregate的消息又被数据中心C订阅，然后发布给数据中心C的aggregate的cluster，从而被数据中心C的consumer使用。

Kafka的特性

我们上面简单介绍了Kafka中的各种概念，下面来看看我们为什么要选择Kafka：

支持多producer

Kafka支持多个producer，就像我们上面例子中提到的一样，多个应用可以很自然地送消息给同个topic或者不同的topic。这样一来consumer就可以只需要处理一个数据流。

支持多consumer

Kafka支持多个consumer读哪怕是同一个数据流，这和别的类似系统中消息只能被一个consumer读取不太相同。当然你也可以把这些consumer放到同一个consumer group中，这样一个消息就只被一个consumer读取了。

数据持久保存到磁盘

Kafka的消息是被持久保存到磁盘上的，这样一来consumer就不需要实时来拿消息了，这也就意味着即使consumer很慢也不用担心有消息会丢失，甚至可以把consumer拿出去维护一下，然后再加回来也是可以继续获取消息而不需要担心有任何问题。

Scalable

Kafka的这种架构很容易处理大量的数据，production环境可以搞个几十或者几百个broker的cluster完全没有问题。而且因为replication的存在，所以对failure的处理也有保证。

高性能

把上面这些特性结合起来也就意味着Kafka的性能很容易就可以做得很好，毕竟多producer/consumer加上cluster完全可以高效地处理很大的流量。

总结

至此本文就把Kafka相关的基本概念和总体架构进行了简单介绍，希望大家能够对Kafka有个初步的了解。