Kafka - Kafka 设计原理 - 《Java 知识库》

Kafka ZooKeeper 节点
Kafka 核心总控制器 Controller
- Controller 选举机制
Partition Leader 选举机制
Kafka 文件存储机制
Kafka 生产者
Kafka 事务
- Producer 事务
- Consumer 事务
Kafka 消费者
Kafka 高效读写数据

Kafka ZooKeeper 节点

Kafka 核心总控制器 Controller

在 Kafka 集群中会有一个或者多个 broker，其中有一个 broker 会被选举为控制器（Kafka Controller），它负责管理整个集群中所有分区和副本的状态。

当某个分区的 Leader 副本出现故障时，由控制器负责为该分区选举新的 Leader 副本。
当检测到某个分区的 ISR 集合发生变化时，由控制器负责通知所有 broker 更新其元数据信息。
当使用 kafka-topics.sh 脚本为某个 topic 增加分区数量时，同样还是由控制器负责让新分区被其他节点感知到。

具备控制器身份的 broker 需要比其他普通的 broker 多一份职责，具体细节如下：

监听 broker 相关的变化。为 Zookeeper 中的 /brokers/ids/ 节点添加 BrokerChangeListener，用来处理 broker 增减的变化。

broker 启动时会往 ZooKeeper 的 /brokers/ids/ 的节点添加以自己的 broker Id 为名称的临时子节点。
监听 topic 相关的变化。为 Zookeeper 中的 /brokers/topics 节点添加TopicChangeListener，用来处理 topic 增减的变化；为 Zookeeper 中的 /admin/delete_topics 节点添加 TopicDeletionListener，用来处理删除 topic 的动作。
从 Zookeeper 中读取获取当前所有与 topic、partition 以及 broker 有关的信息并进行相应的管理。对于所有 topic 所对应的 Zookeeper 中的 /brokers/topics/[topic] 节点添加 PartitionModificationsListener，用来监听 topic 中的分区分配变化。
更新集群的元数据信息，同步到其他普通的 broker 节点中。
Controller 选举机制

broker 尝试在 ZooKeeper 上创建 /controller 临时节点，创建成功就成为 Controller。 一台一台启动，那么第一台就会成为 Controller。

在 Kafka 集群启动的时候，会自动选举一台 broker 作为 Controller 来管理整个集群，选举的过程是集群中每个 broker 都会尝试在 ZooKeeper 上创建一个 /controller 临时节点，ZooKeeper 会保证有且仅有一个 broker 能创建成功，这个 broker 就会成为集群的总控器 Controller。当这个 Controller 角色的 broker 宕机了，此时 ZooKeeper 临时节点会消失，集群里其他 broker 会一直监听这个临时节点，发现临时节点消失了，就竞争再次创建临时节点，就是我们上面说的选举机制，ZooKeeper 又会保证有一个 broker 成为新的 Controller。
Controller 节点信息：

Partition Leader 选举机制

从 ISR 列表里选第一个 broker 作为 Leader

Controller 感知到分区 Leader 所在的 broker 挂了(Controller 监听了很多 zk 节点可以感知到 broker 存活)，Controller 会从 ISR 列表(参数 unclean.leader.election.enable=false 的前提下)里挑第一个 broker 作为 Leader (第一个 broker 最先放进 ISR 列表，可能是同步数据最多的副本)，如果参数 unclean.leader.election.enable 为 true，代表在 ISR 列表里所有副本都挂了的时候可以在 ISR 列表以外的副本中选 Leader，这种设置，可以提高可用性，但是选出的新 Leader 有可能数据少很多。
副本进入 ISR 列表有两个条件：

副本节点不能产生分区，必须能与 ZooKeeper 保持会话以及跟 Leader 副本网络连通；
副本能复制 Leader 上的所有写操作，并且不能落后太多。(与 Leader 副本同步滞后的副本，是由 replica.lag.time.max.ms 配置决定的，超过这个时间都没有跟 Leader 同步过的一次的副本会被移出 ISR 列表)
Kafka 文件存储机制
1. Kafka 日志索引文件（稀疏索引），通过索引文件快速定位到指定的消息（即指定的 offset）在日志文件里的物理位置。
2. 日志文件分段存储，避免文件过大导致数据定位效率低下。
3. topic 的分区方案也能提供并发度。
4. Kafka 日志是顺序写入到日志文件中，写的过程是一直追加到末端文件中。顺序写的效率比随机写的效率高很多！

Kafka 中消息是以 topic 进行分类的，生产者生产消息，消费者消费消息，都是面向 topic 的。topic 是逻辑上的概念，而 partition 是物理上的概念，每个 partition 对应于一个 log 文件夹（文件夹的命名规则为 topic 名称+分区序号，比如test1-0），该文件夹下会有多个分段的 log 日志文件，该 log 日志文件中存储的就是 producer 生产的数据。Producer 生产的数据会被不断追加到该 log 文件末端，且每条数据都有自己的 offset。消费者组中的每个消费者，都会实时记录自己消费到了哪个 offset，以便出错恢复时，从上次的位置继续消费。
由于生产者生产的消息会不断追加到 log 文件末尾，为防止 log 文件过大导致数据定位效率低下，Kafka 采取了分片和索引机制，将每个 partition 分为多个 segment。每个 segment 对应三个文件：“.index”文件、“.log”文件和 “timeindex”文件。这些文件位于一个文件夹下，该文件夹的命名规则为：topic 名称+分区序号。index 和 log 文件以当前segment 的第一条消息的 offset 命名。
index 文件是一个索引文件，大概是取每 4 K 的消息对应的 offset；而 timeindex 是时间对应的 offset 的索引，即指定的时间对应的 offset，然后通过 offset 就可以获取到对应的消息。

通过 server.properties 里的 log.dirs 参数来指定消息的存储目录。
Kafka 的消息在消费后默认是不删除的，会默认保存在磁盘一周的时间。可以通过 log.retetion.hours=168 参数来调整。

Partition 是一个有序的 message 序列，这些 message 按顺序添加到一个叫做 commit log 的文件中。每个partition中的消息都有一个唯一的编号，称之为 offset，用来唯一标示某个分区中的 message。
每个 partition，都对应一个 commit log 文件。一个 partition 中的 message 的 offset 都是唯一的，但是不同的 partition 中的 message 的 offset 可能是相同的。
kafka 一般不会删除消息，不管这些消息有没有被消费。只会根据配置的日志保留时间(log.retention.hours)确认消息多久被删除，默认保留最近一周的日志消息。kafka 的性能与保留的消息数据量大小没有关系，因此保存大量的数据消息日志信息不会有什么影响。
每个 consumer 是基于自己在 commit log 中的消费进度(offset)来进行工作的。在 kafka 中，消费 offset 由 consumer 自己来维护；一般情况下我们按照顺序逐条消费 commit log 中的消息，当然我可以通过指定 offset 来重复消费某些消息，或者跳过某些消息。这意味 kafka 中的 consumer 对集群的影响是非常小的，添加一个或者减少一个 consumer，对于集群或者其他 consumer 来说，都是没有影响的，因为每个 consumer 维护各自的消费 offset。

Kafka 生产者

写入方式

producer 采用 push 模式将消息发布到 broker，每条消息都被 append 到 patition 中，属于顺序写磁盘（顺序写磁盘效率比随机写内存要高，保障 Kafka 吞吐率）。

写入流程

producer 先从 zookeeper 的 “/brokers/…/state” 节点找到该 partition 的 leader；
producer 将消息发送给该 leader；
leader 将消息写入本地 log；
followers 从 leader pull 消息，写入本地 log 后向leader 发送 ACK；
leader 收到所有 ISR 中的 replica 的 ACK 后，增加 HW（high watermark，最后 commit 的 offset）并向 producer 发送 ACK。
分区策略
分区原因
（1）方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 Topic 又可以有多个 Partition，因此整个集群可以适应任意大小的数据。
（2）可以提高并发，因为可以 Partition 为单位读写了。
分区原则（消息路由）
我们在使用 Java 代码使用 Producer 发送消息时，需要将发送的消息封装成一个 ProducerRecord 对象。
```
public class ProducerRecord<K, V> {
 private final String topic;
 private final Integer partition;
 private final Headers headers;
 private final K key;
 private final V value;
 private final Long timestamp;
}
```
producer 发送消息到 broker 时，会根据分区算法选择将其存储到哪一个 partition。其路由机制为：
（1）指明 partition 的情况下，直接将指明值作为 partiton 值；
（2）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；
（3）既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成个整数（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。
消息可靠性
为保证 producer发送的数据能可靠的发送到指定 topic，topic 的每个 partition 收到 producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 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。

副本数据同步策略
| 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 台节点的故障，需要 n+1 个副本。 | 延迟高。 |

Kafka 选择了第二种方案，原因如下：

同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1个副本，而 Kafka 的每个分区都有大量的数据，第一种方案会造成大量数据的冗余。
虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。
ISR
采用第二种方案之后，设想以下情景：Leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，迟迟不能与 Leader 进行同步，那 Leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？
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。Leader 发生故障之后，就会从 ISR 中选举新的 Leader。
ack 应答机制
Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。
（1）acks=0：表示 producer 不需要等待任何 broker 确认收到消息的回复，就可以继续发送下一条消息。性能最高，但是最容易丢消息。broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据。
（2）acks=1：至少要等待 leader 已经成功将数据写入本地 log，但是不需要等待所有 follower 是否成功写入。就可以继续发送下一条消息。如果在 follower同步成功之前 Leader 故障，那么将会丢失数据；
（3）acks=-1 或 all：需要等待 min.insync.replicas(默认为1，推荐配置大于等于 2) 这个参数配置的副本个数都成功写入日志，这种策略会保证只要有一个备份存活就不会丢失数据。这是最强的数据保证。一般除非是金融级别，或跟钱打交道的场景才会使用这种配置。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复。
LEO 和 HW
LEO：log-end-offset，指的是每个副本最大的 offset；
HW：HighWatermark，指的一个 Partition 对应的 ISR 列表中最小的 LEO，是消费者能见到的最大的 offset。

另外每个 replica 都有 HW，Leader 和 follower 各自负责更新自己的 HW 的状态。对于 Leader 新写入的消息，consumer 不能立刻消费，Leader 会等待该消息被所有 ISR 中的 replicas 同步后更新 HW，此时消息才能被consumer 消费。这样就保证了如果 Leader 所在的 broker 失效，该消息仍然可以从新选举的 Leader 中获取。对于来自内部 broker 的读取请求，没有 HW 的限制。
Follower 故障
follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 Leader 进行同步。等该 Lollower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 Leader 之后，就可以重新加入 ISR 了。
Leader 故障
Leader 发生故障之后，会从 ISR 中选出一个新的 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。
注意：这只能保证副本之间的数据一致性，并不能保证不丢失或者不重复。
下图详细的说明了当 producer 生产消息至 broker 后，ISR 以及 HW 和 LEO 的流转过程：

由此可见，Kafka 的复制机制既不是完全的同步复制，也不是单纯的异步复制。事实上，同步复制要求所有能工作的follower 都复制完，这条消息才会被 commit，这种复制方式极大的影响了吞吐率。而异步复制方式下，follower 异步的从leader 复制数据，数据只要被 Leader 写入 log 就被认为已经 commit，这种情况下如果 follower 都还没有复制完，落后于leader 时，突然 leader 宕机，则会丢失数据。而 Kafka 的这种使用 ISR 的方式则很好的均衡了确保数据不丢失以及吞吐率。再回顾下消息发送端对发出消息持久化机制参数 acks 的设置，我们结合 HW 和 LEO 来看下 acks=1 的情况：

Exactly Once 语义(幂等性）
将服务器的 ACK 级别设置为 -1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。
将服务器的 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。
At Least Once 可以保证数据不丢失，但是不能保证数据不重复；
At Most Once 可以保证数据不重复，但是不能保证数据不丢失。
但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的Exactly Once 语义。即：
At Least Once + 幂等性 = Exactly Once
要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。Kafka 的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而 Broker 端会对做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。
Kafka 事务

官方文档

Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上，生产和消费可以跨分区和会话，要么全部成功，要么全部失败。
Kafka 的事务不同于 Rocketmq，Rocketmq 是保障本地事务(比如数据库)与 mq 消息发送的事务一致性，Kafka 的事务主要是保障一次发送多条消息的事务一致性(要么同时成功要么同时失败)。

Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("transactional.id", "my-transactional-id");
Producer<String, String> producer = new KafkaProducer<>(props, new StringSerializer(), new StringSerializer());
//初始化事务
producer.initTransactions();
try {
    //开启事务
    producer.beginTransaction();
    for (int i = 0; i < 100; i++){
        //发到不同的主题的不同分区
        producer.send(new ProducerRecord<>("hdfs-topic", Integer.toString(i), Integer.toString(i)));
        producer.send(new ProducerRecord<>("es-topic", Integer.toString(i), Integer.toString(i)));
        producer.send(new ProducerRecord<>("redis-topic", Integer.toString(i), Integer.toString(i)));
    }
    //提交事务
    producer.commitTransaction();
} catch (ProducerFencedException | OutOfOrderSequenceException | AuthorizationException e) {
    // We can't recover from these exceptions, so our only option is to close the producer and exit.
    producer.close();
} catch (KafkaException e) {
    // For all other exceptions, just abort the transaction and try again.
    //回滚事务
    producer.abortTransaction();
}
producer.close();

Producer 事务

为了实现跨分区跨会话的事务，需要引入一个全局唯一的 Transaction ID，并将 Producer 获得的 PID 和 Transaction ID 绑定。这样当 Producer 重启后就可以通过正在进行的 Transaction ID 获得原来的 PID。为了管理 Transaction，Kafka 引入了一个新的组件 Transaction Coordinator。Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。

Consumer 事务

上述事务机制主要是从 Producer 方面考虑，对于 Consumer 而言，事务的保证就会相对较弱，尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息，而且不同的 Segment File 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。

Kafka 消费者

消费方式

Consumer采用 pull（拉）模式从 broker 中读取数据。push（推）模式很难适应速率不同的消费者，因为消息发送是由 broker 决定。它的目标是尽可能以最快速度传递消息，但这样很容易造成 Consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 Consumer 的消费能力以适当的速率消费消息。
pull 模式不足之处是，如果 Kafka 没有数据，消费者可能会陷入循环中，一直返回空数据。针对这一点，Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有数据可供消费，Consumer 会等待一段时间之后再返回，这段时长即为 timeout。

offset 记录机制

Kafka 0.9 版本之前，Consumer 默认将 offset 保存在 ZooKeeper 中，从 0.9 版本开始，Consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为 __consumer_offsets。

每个 Consumer 会定期将自己消费分区的 offset 提交给 Kafka 内部 topic：__consumer_offsets，提交过去的时候，key 是 ConsumerGroupId+topic+分区号，value 就是当前 offset 的值，Kafka 会定期清理 topic 里的消息，最后就保留最新的那条数据。
因为 consumer_offsets 可能会接收高并发的请求，Kafka 默认给其分配 50 个分区(可以通过 offsets.topic.num.partitions 设置)，这样可以通过加机器的方式抗大并发。
通过如下公式可以选出 Consumer 消费的 offset 要提交到 consumer_offsets 的哪个分区：
公式：hash(ConsumerGroupId) % __consumer_offsets 主题的分区数

由计算公式可以看出，同一个消费组提交到的分区是一样！ 关于 offset，broker 端关注的是同一个消费组下某个 topic 的某个分区的消费情况，而不关注消费者的消费情况。因此 offset 的 key 为 groupId+topic+partition，value 就是当前的 offset。

Consumer 的 Rebalance 机制

Kafka 里一个分区只能被一个消费组里的一个消费者消费。 Rebalance 就是将一个 Topic 下的 Partition 交由 Consumer Group 里的指定的消费者消费的过程。就是建立 Partition 与 Consumer 的对应关系。

Rebalance 就是说如果消费组里的消费者数量有变化或消费的分区数有变化，Kafka 会重新分配消费者消费分区的关系。比如 Consumer Group 中某个消费者挂了，此时会自动把分配给他的分区交给其他的消费者，如果他又重启了，那么又会把一些分区重新交还给他。
注意：Rebalance 只针对 subscribe 这种不指定分区消费的情况，如果通过 assign 这种消费方式指定了分区，Kafka 不会进行 Rebanlance。
如下情况可能会触发消费者 Rebalance：

消费组里的 Consumer 增加或减少了；
动态给 topic 增加了分区；
消费组订阅了更多的 topic。

Rebalance 过程中，消费者无法从 Kafka 消费消息，这对 Kafka 的 TPS 会有影响，如果 Kafka 集群内节点较多，比如数百个，那重平衡可能会耗时极多，所以应尽量避免在系统高峰期的 Rebalance 发生。

消费者 Rebalance 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。
主要有三种 Rebalance的策略：range、round-robin、sticky。
Kafka 提供了消费者客户端参数 partition.assignment.strategy 来设置消费者与订阅主题之间的分区分配策略。默认情况为 range 分配策略。
假设一个主题有 10 个分区(0-9)，现在有三个 Consumer 消费：

range 策略就是按照分区序号排序。

假设 n＝分区数／消费者数量 = 3， m＝分区数%消费者数量 = 1，那么前 m 个消费者每个分配 n+1 个分区，后面的（消费者数量－m ）个消费者每个分配 n 个分区。
Consumer1：0，1，2，3
Consumer2：4，5，6
Consumer3：7，8，9

基本原则是按区间等分，如果没法均等分配的话，前面的分区在一开始分配的时候就会多分配

round-robin 策略就是轮询分配。

Consumer1：0，3，6，9
Consumer2：1，4，7
Consumer3：2，5，8

sticky 策略初始时分配策略与 round-robin 类似，但是在 Rebalance 的时候，需要保证如下两个原则。

1）分区的分配要尽可能均匀。
2）分区的分配尽可能与上次分配的保持相同。
当两者发生冲突时，第一个目标优先于第二个目标。这样可以最大程度维持原来的分区分配的策略。
比如对于第一种 range 情况的分配，如果第三个 Consumer 挂了，那么重新用 sticky 策略分配的结果如下：
consumer1 除了原有的 0~3，会再分配一个 7；
consumer2 除了原有的 4~6，会再分配 8 和 9。

Rebalance 过程

分区方案由谁制定？如果由 Kafka broker 来制定，那么每次新增消费者，broker 都需要进行 rebalance，broker 的压力会比较大，影响 Kafka 性能。因此是由消费者来制定的。分区方案制定完成后需要再同步给组内的所有的消费者，而每个消费者之间是没法直接通信的，因此这个通信交由 broker 来完成。 GroupCoordinate：broker 端的协调者，消费者对应的 __consumer_offsets 的分区的 Leader； ConsumerCoordinate：消费组的协调者，由第一个加入消费组的消费者担任。

消费组里的 Coordinator 指定分区方案，然后将分区方案同步给 Kafka 的 Coordinator，然后由 GroupCoordinate 将分区方案同步给所有的消费者。

当有消费者加入消费组时，消费者、消费组及组协调器之间会经历以下几个阶段。

第一阶段：选择组协调器

组协调器 GroupCoordinator：每个 Consumer Group 都会选择一个 broker 作为自己的组协调器 Coordinator，负责监控这个消费组里的所有消费者的心跳，以及判断是否宕机，然后开启消费者 Rebalance。
Consumer Group 中的每个 Consumer 启动时会向 Kafka 集群中的某个节点发送 FindCoordinatorRequest 请求来查找对应的组协调器 GroupCoordinator，并跟其建立网络连接。
组协调器选择方式：
Consumer 消费的 offset 要提交到 __consumer_offsets 的哪个分区，这个分区 Leader 对应的 broker 就是这个Consumer Group 的 Coordinator。

第二阶段：加入消费组 JOIN GROUP

在成功找到消费组所对应的 GroupCoordinator 之后就进入加入消费组的阶段，在此阶段的消费者会向 GroupCoordinator 发送 JoinGroupRequest 请求，并处理响应。然后 GroupCoordinator 从一个 Consumer Group 中选择第一个加入 Group 的 Consumer 作为 Leader(消费组协调器)，把 Consumer Group 情况发送给这个 Leader，接着这个 Leader 会负责制定分区方案。

第三阶段：SYNC GROUP

Consumer Leader 通过给 GroupCoordinator 发送 SyncGroupRequest，接着 GroupCoordinator 就把分区方案下发给各个 Consumer，他们会根据指定分区的 Leader broker 进行网络连接以及消息消费。

Kafka 高效读写数据

顺序写磁盘

Kafka 的 Producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。官网有数据表明，同样的磁盘，顺序写能到 600M/s，而随机写只有 100K/s。这与磁盘的机械机构有关，顺序写之所以快，是因为其省去了大量磁头寻址的时间。

Java 知识库

Kafka 设计原理

Kafka ZooKeeper 节点

Kafka 核心总控制器 Controller

Controller 选举机制

Partition Leader 选举机制

Kafka 文件存储机制

Kafka 生产者

写入方式

写入流程

分区策略

分区原因

分区原则（消息路由）

消息可靠性

副本数据同步策略

ISR

ack 应答机制

LEO 和 HW

Follower 故障

Leader 故障

Exactly Once 语义(幂等性）

Kafka 事务