kafka工作流程
kafka中消息是以topic进行分类的，topic是数据的主题，生产者是生产消息，消费者是消费消息，中间都需要topic。
topic是逻辑上的概念，而物理概念的是partition，broker（服务器）中可以有一个或多个partition，一个partition对应于一个log文件，log文件用来存储生产者的数据，生产者生产的数据会不断追加到log文件的末端，且每天数据都有自己的offset（偏移量）。消费者组中的每个消费者，消费指定分区的数据，实时记录自己消费的offset，防止出错时恢复，从上次消费位置继续消费。
kafka文件存储
生产者生产的消息会不断追加到log文件末尾，这个顺序不会打乱，官网数据说，同样的磁盘，顺序写能到600M/s，而随机写只有100k/s，之所以写的这么快，是因为顺序写，省去了大量磁头寻址的时间，从而实现高效读写。
实际存储使用log文件，当然不能一直往里存，kafka采用了分片和索引机制，每个partition又分为多个segment file，每个segment对应两个文件，即.log和.index文件。
.index：文件存储大量索引信息.log：文件存储大量的数据
索引文件中的元数据指向对应log文件中message的物理偏移地址
kafka的分区
为什么要分区
- 易于集群扩展：分区机制使得Topic的数据可以被"切分"成多个部分，存储在不同的服务器（Broker）上。
- 存储扩展：一个Topic的数据量可能远超单个服务器的磁盘容量。通过分区，可以将Topic的数据分散到整个集群，理论上Topic的容量只受限于集群的总磁盘空间。
- 负载均衡 ：读写请求会被分散到持有不同分区的多个Broker上，避免了单一服务器的I/O、CPU和网络瓶颈。当集群负载增加时，我们只需向集群中添加新的Broker服务器，并将部分分区迁移过去，即可线性地扩展整个集群的处理能力。
场景举例：假设一个Topic每秒产生1GB的数据，单台服务器无法承受如此高的写入负载。如果我们将该Topic设置为10个分区，并将它们分布在10台不同的Broker上，那么每台Broker平均只需处理每秒100MB的写入请求，使得系统可以轻松应对
- 提高并发：并发体现在生产者（Producer）和消费者（Consumer）两端。
- 生产者并发写入：生产者可以同时向多个分区发送消息。例如，发往Partition-0的请求和发往Partition-1的请求可以由不同的Broker并行处理，从而极大地提高了消息的写入速度。
- 消费者并行处理：这是分区的核心优势。在同一个消费者组（Consumer Group）内，Kafka允许不同的消费者实例同时消费不同的分区。如果一个Topic有10个分区，那么一个消费者组最多可以有10个消费者实例来并行处理消息，每个消费者负责一个分区。这使得消息的处理能力可以随着消费者数量的增加而横向扩展，从而实现高吞-吐量。最大并行度=分区数量
- 提供数据冗余和高可用性：分区是Kafka实现容灾和高可用的基础单元。每个分区都可以配置多个副本（Replica），这些副本存储在不同的Broker上。
- 保证消息的顺序性：分区在提供高并发的同时，也提供了一种局部有序性的保证。
- 分区内有序 ：Kafka只保证在单个分区内的消息是有序的。也就是说，生产者按照A、B、C的顺序发送到同一个分区的消息，消费者也一定会按照A、B、C的顺序来消费它们。
- 分区之间无序：但是，Kafka不保证Topic级别的全局消息顺序。发往Partition-0的消息和发往Partition-1的消息，它们的消费顺序是无法保证的。
分区的原则
producer将发送的数据封装成ProducerRecord对象。有以下3中分区原则：
- 指明partition值的情况下：直接将指明的值直接作为partiton值
- 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
- 即没有partition值，又没有key值的情况下：第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与topic可用的partition总数取余得到partition值，也就是常说的round-robin算法。
数据可靠性保证
ack
为了保证producer发送的数据，能可靠的发送到指定的topic，topic的每个partition收到来自producer的消息，都需要向producer发从ack(acknowledgement)，以确认收到，如果producer收到ack，就会进行下一轮的发送，否则重新发送数据。
副本同步策略：
| 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台节点故障，需要n+1个副本 | 延迟高 |
kafka选择使用第二种方案，因为第二种方案虽然延迟有些高，但对kafka影响非常小，而这样会减少服务器的数量，避免的数据大量冗余，也就是说降低了成本
ISR
采用第二种方案后，如果leader收到数据后，follower开始同步数据，但其中一个迟迟不能与leader同步，那leader就得一直等下去，直到同步完，才能发送ack。
面对这样的问题，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follower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。
如果Leader发生故障之后，就会从ISR中选举新的leader，之后，为保证多个副本之间的数据一致性，其余的follower会先将各自的log文件高于HW的部分截掉，然后从新的leader同步数据。
消费方式
消费者的消费方式采用pull（拉）的方式从broker中读取数据
push模式是消息的发送速率由broker决定，目标是尽可能以最快速度传递消息，这样会引发一个问题，即消费者可能来不及处理消息，典型的表现就是拒绝服务以及网络拥堵。
而pull方式，则是由消费者来决定消息传递的速率，但也是有不足之处，如果kafka没有数据，消费者可能会陷入循环，一直返回空数据。kafka 为了解决这个问题，消费数据时会传入一个时长参数timeout，如果没有数据可以消费，消费者会等待一段时间后再返回，这段时长就是timeout。
分区分配策略
一个consumer group中有多个consumer，一个 topic有多个partition，所以必然会涉及到partition的分配问题，即确定那个partition由哪个consumer来消费。
Kafka有两种分配策略：RoundRobin（轮询）和Rang（范围）
RoundRobin策略：
- 将所有主题的分区按字典序排序，然后通过轮询方式分配给消费者组中的各个消费者
- 这种分配方式比较均衡，能确保每个消费者获得大致相同数量的分区
- 适用于消费者处理能力相近的场景，可以实现负载均衡
Range策略：
- 按主题逐个分配，对每个主题的分区按范围划分给消费者
- 例如，某个主题有10个分区，3个消费者，则可能分配为：消费者1(0-3)，消费者2(4-6)，消费者3(7-9)
- 可能导致分配不均衡，特别是当分区数不能被消费者数整除时
- 但这种策略能保证同一主题的分区连续分配，有利于局部性处理
offset（偏移量）维护
由于consumer在消费过程中可能会出现断电宕机等故障，consumer恢复后，需要从故障前的位置的继续消费，所以consumer需要实时记录自己消费到了哪个offset，以便故障恢复后继续消费。