Kafka架构技术：Kafka的架构和客户端API设计

今天我们来聊一聊 Kafka 的架构。

大家一般熟悉的是三层结构：生产者、消费者、消息代理（Message Broker）。其实 Kafka 有更加详细的架构。

我们来一起看看。

Kafka 给自己的定位是事件流平台（event stream platform）。因此在消息队列中经常使用的 "消息"一词，在 Kafka 中被称为 "事件"。

下图详细展示了 Kafka 的架构和客户端 API 设计。我们可以看到，尽管生产者、消费者和消息代理仍然是架构的关键，但要构建一个高吞吐量、低时延的 Kafka，还需要更多的组件。让我们逐一介绍这些组件。

从高层次来看，架构分为两层：

计算层

存储层

计算层

计算层允许各种应用程序通过 API 与 Kafka Broker 通信。

生产者使用生产者 API。如果数据库等外部系统想与 Kafka 通信，它还提供 Kafka Connect 作为集成 API。

消费者通过消费者 API 与 Broker 通信。我们可以使用 Kafka Connect API 将事件数据路由到其他数据处理平台上，例如搜索引擎或数据库。

此外，消费者还可以使用 Kafka Streams API 进行流式处理。如果要处理无边界的数据流，我们可以创建一个 KStream。

下面的代码片段为主题 "订单 "创建了一个 KStream，并为 key 和 value 创建了 Serdes（Serializers and Deserializers，序列化和反序列化）。

如果我们只需要更新实体的最新状态，我们可以创建一个 KTable 来维护状态。

Kafka Streams 允许我们对事件流进行聚合、过滤、分组和连接。

final KStreamBuilder builder = new KStreamBuilder();
final KStream orderEvents = 
builder.stream(Serdes.String(), orderEventSerde, "orders");

虽然 Kafka Streams API 在 Java 应用程序中运行良好，但有时我们可能希望部署一个独立的流处理模块，而不将其嵌入到应用程序中。这时，我们可以使用 ksqlDB。这是一个针对流处理进行了优化的数据库集群。它还提供了 REST API，供我们查询结果。

我们可以看到，有了计算层中的各种 API 支持，我们可以非常灵活地对事件流进行链式操作。

例如，我们可以在消费者中订阅主题 "orders"，按照产品维度进行订单聚合，然后将每个产品的订单数发回 Kafka 主题 "ordersByProduct"；另一个分析模块可以订阅这个主题并在界面上显示这些订单。

存储层

这一层由 Kafka Broker 组成。Kafka Broker 以集群模式运行。数据存储在不同主题的分区中。

主题就像一个数据库表，主题中的分区可以分布在不同的集群节点上。在分区内，事件严格按照偏移量（offset）排序。偏移量代表事件在分区中的位置，并单调递增。

在 Broker 上持久化的事件是不可变的（immutable）、只可追加的（append only），即使是删除也被模拟为删除事件，而不是直接从磁盘上删除数据。因此，生产者只能处理顺序写入，消费者只能顺序读取。

Kafka Broker 的职责包括管理分区、处理读写操作以及管理分区的数据复制。它的设计非常简单，因此易于扩展。

由于 Kafka Broker 是以集群模式部署的，因此有两个必要的组件来管理节点：控制面板和数据面板。

控制面板

控制平面管理 Kafka 集群的元数据。以前的版本中是由 Zookeeper 来管理控制器：挑选一个 Broker 作为控制器（Controller）。现在，Kafka 使用名为 KRaft 的共识模块来实现控制面板，选取几个 Broker 做为控制器。

为什么不再依赖 Zookeeper？因为使用 Zookeeper 时，我们需要维护两个不同类型的系统：一个是 Zookeeper，另一个是 Kafka。有了 KRaft，我们只需维护一种类型的系统，这使得配置和部署比以前容易得多。此外，KRaft 在向 Broker 传播元数据方面效率更高。

我们不会在这里讨论 KRaft 共识的细节。需要记住的一点是，控制器和 Broker 中的元数据缓存是通过 Kafka 中的一个特殊主题同步的。

数据面板

数据面板处理数据的复制操作。单个分区的数据可以在不同的 Broker 上有多份拷贝，这些拷贝之间需要进行数据同步。

下图是一个示例。主题 "订单"中的分区 0 在 3 个代理上有 3 个副本。Broker 1 上的分区是领导者（leader），当前数据偏移量为 4；Broker 2 和 3 上的分区是跟随者（follower），偏移量分别为 2 和 3。

第一步

为了赶上领导者，跟随者 1 发出偏移量为 2 的 FetchRequest，跟随者 2 发出偏移量为 3 的 FetchRequest。

第二步

然后，领导者相应地向两个跟随者发送数据。

第三步

由于跟随者的请求隐含地确认了先前获取记录的接收情况，因此领导者会将偏移量 2 之前的记录提交。

编辑：黄飞