Kafka 里面的信息是如何被消费的？

92 阅读 0 评论 61 点赞

我是靠谱客的博主勤奋老虎，最近开发中收集的这篇文章主要介绍Kafka 里面的信息是如何被消费的？，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

作为一个爬虫工程师，Kafka 对你而言就是一个消息队列，你只需要掌握如何向里面写入数据，以及如何读取数据就可以了。


请谨记：使用 Kafka 很容易，但对 Kafka 集群进行搭建、维护与调优很麻烦。Kafka 集群需要有专人来维护，不要以为你能轻易胜任这个工作。
”

本文，以及接下来的几篇针对 Kafka 的文章，我们面向的对象都是爬虫工程师或者仅仅需要使用 Kafka 的读者。关于 Kafka 更深入的底层细节与核心原理，不在我们的讨论范围中。为了解释方便，文章中对 Kafka 的一些术语会使用一些不太准确但能表明意思的类比。如果你需要在面试中解释这些术语，还请阅读Kafka 的官方文档。

今天我们要讨论的一个话题是，Kafka 是如何做到，对单个程序的多个进程而言，能持续消费，断点续传和并行消费；对多个程序而言又互不影响，各自独立。

一个 Kafka 可以有多个不同的队列，我们把这个队列叫做Topic，假设其中一个队列如下图所示：

信息从右边进去，从左边出来。如果这是Redis 的列表，那么它弹出一条信息以后，队列会变成下面这样：

最左边的信息1不见了。所以即使程序在消费了信息1后立刻关闭，再重新打开，程序也会接着从信息2开始消费，不会把信息1重复消费两次。

但我如果有两个程序呢？程序1读取每一条数据，再转存到数据库。程序2读取每一条数据，再检查是否有关键词。这种情况下，信息1应该能被程序1消费，也能被程序2消费。但上面这种方案显然是不行的。当程序1消费了信息1，程序2就再也拿不到它了。

所以，在 Kafka 里面，信息会停留在队列里面，但对每一个程序来说，有一个单独的记号，来记录当前消费到了哪一条数据，如下图所示。

当程序1要读取 Kafka 里面下一条数据时，Kafka 先把当前位置的标记向右移动一位，把新的这个值返回出来。标记移动与返回这两个操作合在一起算是一个原子操作，不会出现重复读取的问题。

程序1与程序2使用的是不同的标记，所以各自的标记指向哪个值，是互不影响的。

当增加一个程序3的时候，只需要再加一个标记即可。新的这个标记也不受前两个标记的影响。

这就实现了在多个不同的程序读取 Kafka 时，各自互不影响。

现在如果你觉得程序1消费太慢了，把程序1同时运行了3次，那么由于标记和移位是原子操作，即使你看起来程序是同时去读取 Kafka，但在内部 Kafka 也会对他们进行“排队”，从而使得他们返回的结果不重复，不遗漏。

如果你在网上看 Kafka 的教程，你会发现他们提到了一个叫做 Offset 的东西，实际上就是本文所说的各个程序里面指向当前数据的标记。

你还会看到一个关键词叫做Group，实际上对应到本文的程序1，程序2和程序3。

对同一个队列，如果多个程序使用不同的Group消费，那么他们读取的数据就互不干扰。

对同一个队列，相同 Group 的多个进程在消费数据时，看起来就像是在对 Redis 进行 lpop 操作一样。

最后，你在网上关于 Kafka 的文章里面，一定会看到一个词叫做Paritition或者中文分片。而且你会发现你无法理解这个东西。

没关系，忘记它吧。你只需要知道，一个 Topic 有多少个 Partition，那么你最多能启动多少个进程读取同一个 Group。——如果一个Topic有3个Partition，那么你只能最多开3个进程同时读相同的 Group。Topic如果有5个Partition，那么你只能最多开5个进程读同一个 Group。