本篇内容主要讲解“Kafka核心思想概括和底层原理”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Kafka核心思想概括和底层原理”吧!
成都创新互联成立于2013年，先为柴桑等服务建站，柴桑等地企业，进行企业商务咨询服务。为柴桑企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
所有的消息以“有序日志“的方式存储，生产者将消息发布到末端（可理解为追加），消费者从某个逻辑位按序读取。
【场景一】消息中间件
在选择消息中间件时，我们的主要关注点有：性能、消息的可靠性，顺序性。
1.性能
关于Kafka的高性能，主要是因为它在实现上利用了操作系统一些底层的优化技术，尽管作为写业务代码的程序员，这些底层知识也是需要了解的。
【优化一】零拷贝
这是Kafka在消费者端的优化，我们通过两张图来比较一下传统方式与零拷贝方式的区别：
传统方式：
零拷贝方式：
终极目标：如何让数据不经过用户空间？
从图中可看出，零拷贝省略了拷贝到用户缓冲的步骤，通过文件描述符，直接从内核空间将数据复制到网卡接口。
【优化二】顺序写入磁盘
写入消息时，采用文件追加的方式，并且不允许修改已经写入的消息，于是写入磁盘的方式是顺序写入。我们通常认为的基于磁盘读写性能较差，指的是基于磁盘的随机读写；事实上，基于磁盘的顺序读写，性能接近于内存的随机读写，以下是性能对比图：
【优化三】内存映射
概括：用户空间的一段内存区域映射到内核空间，这样，无论是内核空间或用户空间对这段内存区域的修改，都可以直接映射到另一个区域。
优势：如果内核态和用户态存在大量的数据传输，效率是非常高的。
为什么会提高效率：概括来讲，传统方式为read()系统调用，进行了两次数据拷贝；内存映射方式为mmap()系统调用，只进行一次数据拷贝
【优化四】批量压缩
生产者：批量发送消息集消费者：主动拉取数据，同样采用批量拉取的方式
2.可靠性
Kafka的副本机制是保证其可靠性的核心。
关于副本机制，我将它理解为Leader-Follower机制，就是多个服务器中有相同数据的多个副本，并且划分的粒度是分区。很明显，这样的策略就有下面几个问题必须解决：
各副本间如何同步？
ISR机制：Leader动态维护一个ISR（In-Sync Replica）列表，
Leader故障，如何选举新的Leader？
要想解决这个问题，就要引出Zookeeper，它是Kafka实现副本机制的前提，关于它的原理且听下回分解，本篇还是从Kafka角度进行分析。在这里我们只需要了解，一些关于Broker、Topics、Partitions的元信息存储在Zookeeper中，Leader发生故障时，从ISR集合中进行选举新的Leader。
request.required.acks来设置数据的可靠性：
分区机制和副本机制知识点：
3.顺序性
顺序性保证主要依赖于分区机制 + 偏移量。
提到分区，首先就要解释一下相关的概念以及他们之间的关系，个人总结如下几点：
服务器（Broker）：指一个独立的服务器
主题（Topic）：消息的逻辑分类，可跨Broker
分区（Partition）：消息的物理分类，基本的存储单元
这里盗一张图阐述上述概念间的关系
为什么分区机制可以保证消息的顺序性？
Kafka可以保证一个分区内消息是有序且不可变的。
生产者：Kafka的消息是一个键值对，我们通过设置键值，指定消息被发送到特定主题的特定分区。
可以通过设置key，将同一类型的消息，发到同一个分区，就可以保证消息的有序性。
消费者：消费者需要通过保存偏移量，来记录自己消费到哪个位置，在0.10版本前，偏移量保存在zk中，后来保存在 __consumeroffsets topic中。
【场景二】流处理
在0.10版本后，Kafka内置了流处理框架API——Kafka Streams，一个基于Kafka的流式处理类库，它利用了上述，至此，Kafka也就随之发展成为一个囊括消息系统、存储系统、流处理系统的中央式的流处理平台。
与已有的Spark Streaming平台不同的是，Spark Streaming或Flink是一个是一个系统架构，而Kafka Streams属于一个库。Kafka Streams秉承简单的设计原则，优势体现在运维上。同时Kafka Streams保持了上面提到的所有特性。
关于二者适合的应用场景，已有大佬给出了结论，就不强行总结了。
Kafka Streams：适合”Kafka --> Kafka“场景
Spark Streaming：适合”Kafka --> 数据库”或“Kafka --> 数据科学模型“场景
到此，相信大家对“Kafka核心思想概括和底层原理”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！