Kafka从入门到放弃 —— Kafka在大数据领域的应用

560

Kafka作为一个消息中间件，其应用相当广泛，尤其在大数据领域，基本都会用到。由于笔者参与大数据工作，因此本文将从我的角度和经验出发，讲一下Kafka为什么广泛应用于大数据领域。对于Kafka不是很熟悉的朋友可以点击下方链接跳转进行阅读：

背景&场景

在大数据场景下，数据经常需要经过ETL（抽取-转换-加载）的处理，从一端流向另一端（当然也有ELT，根据各个企业不同的考量决定不同的架构），比如从各个业务系统经过处理后落地到数据仓库，数据仓库有时候又要把数据提供给业务系统。

由于数据流向比较多，如果不做好数据链路规划，很容易造成开发重复、成本增加，出现问题也比较难以排查。因此，合理构造数据管道是很重要的，而Kafka在数据管道的构建中发挥了很大的优势。

特点&原因

批流一体

大数据处理分为流处理和批处理。流处理对实时性要求比较高，数据像水流一样源源不断的流动；批处理就是批量处理，就是字面意思，比如当天处理前一天的数据。

由于Kafka是一个基于流的数据平台，在数据处理方面可以做到实时，所以经常在流处理架构中用到它。

另外它也提供数据存储，可以将一段时间内的数据存储起来，后续对挤压的数据进行批量处理；也可以在数据到达的时候及时获取并处理。

可用性&可靠性

之前的几篇文章中说的那些特点多少包含了Kafka在这方面的情况。

Kafka通过zookeeper维护集群的信息，同时Kafka也有Controller，它不单能完成broker的工作，同时还负责分区Leader的选举。

另外，Kafka的分区可以有副本，而且分leader和follower，当leader挂掉后follower能顶替其位置，保证其可用性。

在生产者方面，发送消息到Kafka有确认机制以及重试机制，详情可以看这篇文章：Kafka从入门到放弃——细说生产者

在消费者方面，提交偏移量的策略选择以及重分区可以保证数据可靠性。

Kafka还支持“exactly once”语意。exactly once是有且只有一次，可以简单理解为：数据到达并保存了，但还没返回确认消息的时候挂了，生产者再发一次，Kafka再存一次，这种是at least once；而exactly once则只保存一次，没有重复。

一般在消费者端实现exactly once是通过设置唯一键，Kafka也可以通过设置唯一标识对应每一条数据，这种方式是幂等性（简单理解为：多次操作，结果是一致的）。

高吞吐

Kafka可以作为生产者和消费者之间的缓冲区，生产和消费的速度就可以不一致了。消费者的吞吐能力差的时候，可以将数据积压到Kafka，慢慢消费。

伸缩性

这个其实也和高吞吐有关，Kafka可以动态扩容，通过增加分区或者增加消费者，提高吞吐能力。

解耦&集成

大数据处理的过程中，不管是源端还是目标端都有很多，经常需要将日志导入HDFS，或者从MySQL导数到Oracle，如果每个流程都建一条链路，会变得难以维护，而且有可能造成重复开发。

引入Kafka，可以解耦生产者和消费者，同时可以将多源异构的数据集成起来，就可以减少重复开发，提高效率。

总结

Kafka由于其具有批流一体、可靠性、可用性、解耦、伸缩性、高吞吐的特性，使其在大数据领域应用十分广泛，常作为数据总线，多用于数据采集以及数据服务。

文章转载自大数据的奇妙冒险，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。