消息中间件Kafka、RocketMQ该怎么理解

这期内容当中小编将会给大家带来有关消息中间件Kafka、RocketMQ该怎么理解，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

消息中间件的应用场景

• 异步解耦

• 削峰填谷

• 顺序收发

• 分布式事务一致性

主流 MQ 框架及对比

说明

• Kafka：整个行业应用广泛

• RocketMQ：阿里，从 apache 孵化

• Pulsar：雅虎开源，符合云原生架构的消息队列，社区活跃

• RabbitMQ 架构比较老，AMQP并没有在主流的 MQ 得到支持

• NSQ：内存型，不是最优选择

• ActiveMQ、ZeroMQ 可忽略

Kafka 优点

• 非常成熟，生态丰富，与 Hadoop 连接紧密

• 吞吐非常高，可用性高sharding提升 replication 速度

• 主要功能：pub-sub，压缩支持良好

• 可按照 at least once, at most once 进行配置使用，exactly once 需要 Consumer 配合

• 集群部署简单，但 controller 逻辑很复杂，实现partition 得多副本、数据一致性

• controller 依赖 ZooKeeper

• 异步刷磁盘（除了钱的业务，很少有同步 flush 的需求）

Kafka 缺点

• 写入延时稳定性问题，partition 很多时Kafka 通常用机械盘，随机写造成吞吐下降和延时上升100ms ~ 500ms

• 运维的复杂性单机故障后补充副本数据迁移快手的优化：迁移 partition 时旧数据不动，新数据写入新 partition 一定时间后直接切换

RocketMQ

• 阿里根据 Kafka 改造适应电商等在线业务场景

• 以牺牲性能为代价增强功能安 key 对消息查询，维护 hash 表，影响 io为了在多 shard 场景下保证写入延迟稳定，在 broker 级别将所有 shard 当前写入的数据放入一个文件，形成 commitlog list，放若干个 index 文件维护逻辑 topic 信息，造成更多的随机读

• 没有中心管理节点，现在看起来并没有什么用，元数据并不多

• 高精度的延迟消息（快手已支持秒级精度的延迟消息）

Pulsar

• 存储、计算分离，方便扩容存储：bookkeeperMQ逻辑：无状态的 broker 处理

发展趋势

• 云原生

• 批流一体：跑任务时，需要先把 Kafka 数据→HDFS，资源消耗大。如果本来就存在 HDFS，能节省很大资源

• Serverless

各公司发展

• 快手：Kafka所有场景均在使用特殊形态的读写分离数据实时消费到 HDFS在有明显 lag 的 consumer 读取时，broker 把请求从本地磁盘转发的 HDFS不会因为有 lag 的 consumer 对日常读写造成明显的磁盘随机读写由于自己改造，社区新功能引入困难

• 阿里巴巴：开源 RocketMQ

• 字节跳动在线场景：NSQ→RocketMQ离线场景：Kafka→自研的存储计算分类的 BMQ（协议层直接兼容Kafka，用户可以不换 client）

• 百度：自研的 BigPipe，不怎么样

• 美团：Kafka 架构基础上用 Java 进行重构，内部叫 Mafka

• 腾讯：部分使用了自研的 PhxQueue，底层是 KV 系统

• 滴滴：DDMQ对 RocketMQ 和 Kafka 进行封装多机房数据一致性可能有问题

• 小米：自研 Talos架构类似 pulsar，存储是 HDFS，读场景有优化

Kafka

• Kafka官网： https://kafka.apache.org/documentation/#uses

• 最新版本：2.7

Kafka 是什么？

• 开源的消息引擎系统（消息队列/消息中间件）

• 分布式流处理平台

• 发布/订阅模型

• 削峰填谷

Kafka 术语

• Topic：发布订阅的主题

• Producer：向Topic发布消息的客户端

• Consumer：消费者

• Consumer Group：消费者组，多个消费者共同组成一个组

• Broker：Kafka的服务进程

• Replication：备份，相同数据拷贝到多台机器Leader ReplicaFollower Replica，不与外界交互

• Partition：分区，解决伸缩性问题，多个Partition组成一个Topic

• Segment：partition 有多个 segment 组成

Kafka 如何持久化？

• 消息日志（Log）保存数据，磁盘追加写（Append-only）避免缓慢的随机I/O操作高吞吐

• 定期删除消息（日志段）

Kafka 文件存储机制

https://www.open-open.com/lib/view/open1421150566328.html

• 每个 partition 相当于一个巨型文件→多个大小相等 segment 数据文件中

• 每个 partition 只需要顺序读写就行了，segment 文件生命周期由配置决定

• segment file 组成：index file：索引文件data file：数据文件

• segment file 文件命名规则：全局第一个 segment 是 0后序每个加上全局 partition 的最大 offset

一对 segment file

message 物理结构

分区

为什么分区？

• Kafka的消息组织方式：主题-分区-消息

• 一条消息，仅存在某一个分区中

• 提高伸缩性，不同分区可以放到不同机器，读写操作也是以分区粒度

分区策略？

• 轮询

• 随机

• 按 key 保序，单分区有序

Kafka 是否会消息丢失？

• 只对“已提交”的消息做有限度的持久化保证已提交的消息：消息写入日志文件有限度的持久化保证：N个 broker 至少一个存活

• 生产者丢失数据producer.send(msg) 异步发送消息，不保证数据到达Kafkaproducer.send(msg, callback) 判断回调

• 消费者程序丢失数据应该「先消费消息，后更新位移的顺序」新问题：消息的重复处理多线程异步处理消息，Consumer不要开启自动提交位移，应用程序手动提交位移

控制器

• 在 ZooKeeper帮助下管理和协调整个 Kafka 集群

• 运行过程中，只能有一个 Broker 成为控制器

控制器如何选购？

在 ZooKeeper 创建 /controller 节点，第一个创建成功的 Broker 被指定为控制器。

控制器有什么用？

• 主题管理（创建、删除、增加分区）

• 分区重分配

• 领导者选举

• 集群成员管理（新增 Broker、Broker 主动关闭、Broker 宕机）（ZooKeeper 临时节点）

• 数据服务：最全的集群元数据信息

控制器故障转移

• 只有一个 Broker 当控制器，单点失效，立即启用备用控制器

Kafka 的 ZooKeeper 存储结构

分布式事务的应用场景

• 团队内部，某些操作要同时更新多个数据源

• 业务团队 A 完成某个操作后，B 业务的某个操作也必须完成，A 业务并不能直接访问 B 的数据库

• 公司之间，用户付款后，支付系统（支付宝/微信）必须通知商家的系统更新订单状态

两阶段最终一致

• 先完成数据源 A 的事务（一阶段）

• 成功后通过某种机制，保证数据源 B 的事务（二阶段）也一定最终完成不成功，会不断重试直到成功为止或达到一定重试次数后停止（配合对账、人工处理）

如何保证最终一致？

为了保证最终一致，消息系统和业务程序需要保证：

• 消息发送的一致性：消息发送时，一阶段事务和消息发送必须同时成功或失败

• 消息存储不丢失：消息发送成功后，到消息被成功消费前，消息服务器（broker）必须存储好消息，保证发生故障时，消息不丢失

• 消费者不丢失消息：处理失败不丢弃，重试直到成功为止

消息发送的一致性如何保证？

目标 ：本地事务、消息发送必须同时成功/失败

问题

• 先执行本地事务，再发送消息，消息可能发送失败

• 可把失败的消息放入内存，稍后重试，但成功率也无法达到 100%

• 解决方案`* 先发送半消息（Half Msg，类似 Prepare 操作），不会投递给消费者

• 半消息发送成功，再执行 DB 操作

• DB 操作执行成功后，提交半消息

发送异常会如何？

• 1 异常，半消息发送失败，本地 DB 没有执行，整个操作失败，DB/消息的状态一致（都没有提交）

• 2 异常/超市生产者以为失败了，不执行 DBbroker 存储半消息成功，等不到后续操作，会询问生产者是提交还是回滚（第6步）

• 3 DB操作失败：生产者在第 4 步告知 broker 回滚半消息

• 4 提交/回滚半消息失败：broker 等不到这个操作，触发回查（第 6 步）

• 5、6、7回查失败：RocketMQ 最多回查 15 次

上述就是小编为大家分享的消息中间件Kafka、RocketMQ该怎么理解了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。