? 优质资源分享 ?

一、副本机制

Kafka在⼀定数量的服务器上对主题分区进⾏复制。

当集群中的⼀个broker宕机后系统可以⾃动故障转移到其他可⽤的副本上，不会造成数据丢失。

创建主题：

|  | kafka-topics.sh --zookeeper localhost:2181/myKafka --create --topic tp\_demo\_02 --partitions 2 --replication-factor 3 |

上面创建主题中的 --replication-factor 3 表示有3个副本，1个Leader + 2个 Follower

1. 将复制因⼦为1的未复制主题称为复制主题。
2. 主题的分区是复制的最⼩单元。
3. 在⾮故障情况下，Kafka中的每个分区都有⼀个Leader副本和零个或多个Follower副本。
4. 包括Leader副本在内的副本总数构成复制因⼦。
5. 所有读取和写⼊都由Leader副本负责。
6. 通常，分区⽐broker多，并且Leader分区在broker之间平均分配

Follower分区像普通的Kafka消费者⼀样，消费来⾃Leader分区的消息，并将其持久化到⾃⼰的⽇志中。

允许Follower对⽇志条⽬拉取进⾏批处理。

同步节点定义：

1. 节点必须能够维持与ZooKeeper的会话（通过ZooKeeper的⼼跳机制）
2. 对于Follower副本分区，它复制在Leader分区上的写⼊，并且不要延迟太多

Kafka提供的保证是，只要有⾄少⼀个同步副本处于活动状态，提交的消息就不会丢失。

宕机如何恢复：

1. 少部分副本宕机

当leader宕机了，会从follower选择⼀个作为leader。当宕机的重新恢复时，会把之前commit的数据清空，重新从leader⾥pull数据。

2. 全部副本宕机

当全部副本宕机了有两种恢复⽅式

* 等待ISR中的⼀个恢复后，并选它作为leader。（等待时间较⻓，降低可⽤性）
* 选择第⼀个恢复的副本作为新的leader，⽆论是否在ISR中。（并未包含之前leader commit的数据，因此造成数据丢失）

二、Leader 选举

先看一张图片，在这张图片中：

• 分区P1的Leader是0，ISR是0和1
• 分区P2的Leader是2，ISR是1和2
• 分区P3的Leader是1，ISR是0，1，2。
  

⽣产者和消费者的请求都由Leader副本来处理。Follower副本只负责消费Leader副本的数据和Leader保持同步。

对于P1，如果0宕机会发⽣什么？

Leader副本和Follower副本之间的关系并不是固定不变的，在Leader所在的broker发⽣故障的时候，就需要进⾏分区的Leader副本和Follower副本之间的切换，需要选举Leader副本。

如何选举？

如果某个分区所在的服务器除了问题，不可⽤，kafka会从该分区的其他的副本中选择⼀个作为新的Leader。之后所有的读写就会转移到这个新的Leader上。现在的问题是应当选择哪个作为新的Leader。

只有那些跟Leader保持同步的Follower才应该被选作新的Leader。

Kafka会在Zookeeper上针对每个Topic维护⼀个称为ISR（in-sync replica，已同步的副本）的集合，该集合中是⼀些分区的副本。

只有当这些副本都跟Leader中的副本同步了之后，kafka才会认为消息已提交，并反馈给消息的⽣产者。

如果这个集合有增减，kafka会更新zookeeper上的记录。

如果某个分区的Leader不可⽤，Kafka就会从ISR集合中选择⼀个副本作为新的Leader。

显然通过ISR，kafka需要的冗余度较低，可以容忍的失败数⽐较⾼。

假设某个topic有N+1个副本，kafka可以容忍N个服务器不可⽤。

为什么不⽤少数服从多数的⽅法

少数服从多数是⼀种⽐较常⻅的⼀致性算发和Leader选举法。

它的含义是只有超过半数的副本同步了，系统才会认为数据已同步；

选择Leader时也是从超过半数的同步的副本中选择。

这种算法需要较⾼的冗余度，跟Kafka⽐起来，浪费资源。

譬如只允许⼀台机器失败，需要有三个副本；⽽如果只容忍两台机器失败，则需要五个副本。

⽽kafka的ISR集合⽅法，分别只需要两个和三个副本。

如果所有的ISR副本都失败了怎么办？

此时有两种⽅法可选：

1. 等待ISR集合中的副本复活，
2. 选择任何⼀个⽴即可⽤的副本，⽽这个副本不⼀定是在ISR集合中。
   • 需要设置 unclean.leader.election.enable=true

这两种⽅法各有利弊，实际⽣产中按需选择。

如果要等待ISR副本复活，虽然可以保证⼀致性，但可能需要很⻓时间。⽽如果选择⽴即可⽤的副本，则很可能该副本并不⼀致。

总结：

Kafka中Leader分区选举，通过维护⼀个动态变化的ISR集合来实现，⼀旦Leader分区丢掉，则从ISR中随机挑选⼀个副本做新的Leader分区。

如果ISR中的副本都丢失了，则：

1. 可以等待ISR中的副本任何⼀个恢复，接着对外提供服务，需要时间等待。
2. 从OSR中选出⼀个副本做Leader副本，此时会造成数据丢失

三、分区重新分配

向已经部署好的Kafka集群⾥⾯添加机器，我们需要从已经部署好的Kafka节点中复制相应的配置⽂件，然后把⾥⾯的broker id修改成全局唯⼀的，最后启动这个节点即可将它加⼊到现有Kafka集群中。

问题：新添加的Kafka节点并不会⾃动地分配数据，⽆法分担集群的负载，除⾮我们新建⼀个topic。

需要⼿动将部分分区移到新添加的Kafka节点上，Kafka内部提供了相关的⼯具来重新分布某个topic的分区。

在重新分布topic分区之前，我们先来看看现在topic的各个分区的分布位置：

创建主题：

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --create --topic tp\_re\_01 --partitions 5 --replication-factor 1 |

查看主题信息：

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_re\_01 |
|  | Topic:tp\_re\_01 PartitionCount:5 ReplicationFactor:1 Configs: |
|  | Topic: tp\_re\_01 Partition: 0 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 1 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 2 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 3 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 4 Leader: 0 Replicas: 0 Isr: 0 |

在node11搭建Kafka：

安装 JDK、Kafka，这里不需要安装Zookeeper

修改 Kafka 的配置config/server.properties

|  | broker.id=1 |
|  |  |
|  | zookeeper.connect=node1:2181/myKafka |

启动 kafka

|  | [root@node11 ~]# kafka-server-start.sh /usr/src/kafka\_2.12-1.0.2/config/server.properties |

注意观察node11上节点启动的时候的ClusterId，看和zookeeper节点上的ClusterId是否⼀致，如果是，证明node11和node1在同⼀个集群中。

node11启动的Cluster ID：

zookeeper节点上的Cluster ID：

在node1上查看zookeeper的节点信息（node11的节点已经加⼊集群了）：

现在我们在现有集群的基础上再添加⼀个Kafka节点，然后使⽤Kafka⾃带的kafka-reassign-partitions.sh ⼯具来重新分布分区。该⼯具有三种使⽤模式：

1. generate模式，给定需要重新分配的Topic，⾃动⽣成reassign plan（并不执⾏）
2. execute模式，根据指定的reassign plan重新分配Partition
3. verify模式，验证重新分配Partition是否成功

我们将分区3和4重新分布到broker1上，借助kafka-reassign-partitions.sh⼯具⽣成reassign plan，不过我们先得按照要求定义⼀个⽂件，⾥⾯说明哪些topic需要重新分区，⽂件内容如下

|  | [root@node1 ~]# cat topics-to-move.json  |
|  | {  |
|  |  "topics": [  |
|  |  { "topic":"tp\_re\_01" }  |
|  |  ],  |
|  |  "version":1 |
|  | } |

然后使⽤kafka-reassign-partitions.sh⼯具⽣成reassign plan

|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --topicsto-move-json-file topics-to-move.json --broker-list "0,1" --generate |
|  |  |
|  | Current partition replica assignment |
|  | {"version":1,"partitions":[{"topic":"tp\_re\_01","partition":4,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":1,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":2,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":3,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":0,"replicas":[0],"log\_dirs":["any"]}]} |
|  |  |
|  | Proposed partition reassignment configuration |
|  | {"version":1,"partitions":[{"topic":"tp\_re\_01","partition":4,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":1,"replicas":[1],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":2,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":3,"replicas":[1],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":0,"replicas":[0],"log\_dirs":["any"]}]} |

Proposed partition reassignment configuration下⾯⽣成的就是将分区重新分布到broker 1上的结果。我们将这些内容保存到名为result.json⽂件⾥⾯（⽂件名不重要，⽂件格式也不⼀定要以json为结尾，只要保证内容是json即可），然后执⾏这些reassign plan：

执⾏计划：

|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --reassignment-json-file topics-to-execute.json --execute |
|  |  |
|  | Current partition replica assignment |
|  | {"version":1,"partitions":[{"topic":"tp\_re\_01","partition":4,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":1,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":2,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":3,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":0,"replicas":[0],"log\_dirs":["any"]}]} |
|  |  |
|  | Save this to use as the --reassignment-json-file option during rollback |
|  | Successfully started reassignment of partitions. |

这样Kafka就在执⾏reassign plan，我们可以校验reassign plan是否执⾏完成：

|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --reassignment-json-file topics-to-execute.json --verify |
|  |  |
|  | Status of partition reassignment:  |
|  | Reassignment of partition tp\_re\_01-1 completed successfully |
|  | Reassignment of partition tp\_re\_01-4 completed successfully |
|  | Reassignment of partition tp\_re\_01-2 completed successfully |
|  | Reassignment of partition tp\_re\_01-3 completed successfully |
|  | Reassignment of partition tp\_re\_01-0 completed successfully |

查看主题的细节：

分区的分布的确和操作之前不⼀样了，broker 1上已经有分区分布上去了。使⽤ kafka-reassign-partitions.sh⼯具⽣成的reassign plan只是⼀个建议，⽅便⼤家⽽已。其实我们⾃⼰完全可以编辑⼀个reassign plan，然后执⾏它，如下：

|  | { |
|  | "version": 1, |
|  | "partitions": [{ |
|  | "topic": "tp\_re\_01", |
|  | "partition": 4, |
|  | "replicas": [1], |
|  | "log\_dirs": ["any"] |
|  | }, { |
|  | "topic": "tp\_re\_01", |
|  | "partition": 1, |
|  | "replicas": [0], |
|  | "log\_dirs": ["any"] |
|  | }, { |
|  | "topic": "tp\_re\_01", |
|  | "partition": 2, |
|  | "replicas": [0], |
|  | "log\_dirs": ["any"] |
|  | }, { |
|  | "topic": "tp\_re\_01", |
|  | "partition": 3, |
|  | "replicas": [1], |
|  | "log\_dirs": ["any"] |
|  | }, { |
|  | "topic": "tp\_re\_01", |
|  | "partition": 0, |
|  | "replicas": [0], |
|  | "log\_dirs": ["any"] |
|  | }] |
|  | } |

将上⾯的json数据⽂件保存到my-topics-to-execute.json⽂件中，然后也是执⾏它：

|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --reassignment-json-file my-topics-to-execute.json --execute |
|  | Current partition replica assignment |
|  | {"version":1,"partitions":[{"topic":"tp\_re\_01","partition":4,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":1,"replicas":[1],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":2,"replicas":[0],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":3,"replicas":[1],"log\_dirs":["any"]},{"topic":"tp\_re\_01","partition":0,"replicas":[0],"log\_dirs":["any"]}]} |
|  |  |
|  | Save this to use as the --reassignment-json-file option during rollback |
|  | Successfully started reassignment of partitions. |
|  |  |
|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --reassignment-json-file my-topics-to-execute.json --verify |
|  | Status of partition reassignment: |
|  | Reassignment of partition tp\_re\_01-1 completed successfully |
|  | Reassignment of partition tp\_re\_01-4 completed successfully |
|  | Reassignment of partition tp\_re\_01-2 completed successfully |
|  | Reassignment of partition tp\_re\_01-3 completed successfully |
|  | Reassignment of partition tp\_re\_01-0 completed successfully |

等这个reassign plan执⾏完，我们再来看看分区的分布：

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_re\_01 |
|  | Topic:tp\_re\_01 PartitionCount:5 ReplicationFactor:1 Configs: |
|  | Topic: tp\_re\_01 Partition: 0 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 1 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 2 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_01 Partition: 3 Leader: 1 Replicas: 1 Isr: 1 |
|  | Topic: tp\_re\_01 Partition: 4 Leader: 1 Replicas: 1 Isr: 1 |
|  |  |
|  | [root@node1 ~]# |

四、自动再平衡

我们可以在新建主题的时候，⼿动指定主题各个Leader分区以及Follower分区的分配情况，即什么分区副本在哪个broker节点上。

随着系统的运⾏，broker的宕机重启，会引发Leader分区和Follower分区的⻆⾊转换，最后可能Leader⼤部分都集中在少数⼏台broker上，由于Leader负责客户端的读写操作，此时集中Leader分区的少数⼏台服务器的⽹络I/O，CPU，以及内存都会很紧张。

Leader和Follower的⻆⾊转换会引起Leader副本在集群中分布的不均衡，此时我们需要⼀种⼿段，让Leader的分布重新恢复到⼀个均衡的状态。

执⾏脚本：

|  | [root@node11 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --create --topic tp\_demo\_03 --replica-assignment "0:1,1:0,0:1" |

上述脚本执⾏的结果是：创建了主题tp_demo_03，有三个分区，每个分区两个副本，Leader副本在列表中第⼀个指定的brokerId上，Follower副本在随后指定的brokerId上。

然后模拟broker0宕机的情况：

|  | # 通过jps找到Kafka进程PID |
|  | [root@node1 ~]# jps |
|  | 54912 Jps |
|  | 1699 QuorumPeerMain |
|  | 1965 Kafka |
|  | # 直接杀死进程 |
|  | [root@node1 ~]# kill -9 1965 |
|  | [root@node1 ~]# jps |
|  | 1699 QuorumPeerMain |
|  | 54936 Jps |
|  | [root@node1 ~]# |
|  | # 查看主题分区信息： |
|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_demo\_03 |
|  | Topic:tp\_demo\_03 PartitionCount:3 ReplicationFactor:2 Configs: |
|  | Topic: tp\_demo\_03 Partition: 0 Leader: 1 Replicas: 0,1 Isr: 1 |
|  | Topic: tp\_demo\_03 Partition: 1 Leader: 1 Replicas: 1,0 Isr: 1 |
|  | Topic: tp\_demo\_03 Partition: 2 Leader: 1 Replicas: 0,1 Isr: 1 |
|  | [root@node1 ~]# |
|  | # 重新启动node1上的Kafka |
|  | [root@node1 ~]# kafka-server-start.sh -daemon /opt/kafka\_2.12-1.0.2/config/server.properties |
|  | [root@node1 ~]# jps |
|  | 1699 QuorumPeerMain |
|  | 55525 Kafka |
|  | 55557 Jps |
|  | [root@node1 ~]# |
|  | # 查看主题的分区信息： |
|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_demo\_03 |
|  | Topic:tp\_demo\_03 PartitionCount:3 ReplicationFactor:2 Configs: |
|  | Topic: tp\_demo\_03 Partition: 0 Leader: 1 Replicas: 0,1 Isr: 1,0 |
|  | Topic: tp\_demo\_03 Partition: 1 Leader: 1 Replicas: 1,0 Isr: 1,0 |
|  | Topic: tp\_demo\_03 Partition: 2 Leader: 1 Replicas: 0,1 Isr: 1,0 |
|  |  |
|  | [root@node1 ~]# |
|  | # broker恢复了，但是Leader的分配并没有变化，还是处于Leader切换后的分配情况。 |

是否有⼀种⽅式，可以让Kafka⾃动帮我们进⾏修改？改为初始的副本分配？

此时，⽤到了Kafka提供的⾃动再均衡脚本：kafka-preferred-replica-election.sh

先看介绍：

该⼯具会让每个分区的Leader副本分配在合适的位置，让Leader分区和Follower分区在服务器之间均衡分配。

如果该脚本仅指定zookeeper地址，则会对集群中所有的主题进⾏操作，⾃动再平衡。

具体操作：

1. 创建preferred-replica.json，内容如下：

|  | { |
|  | "partitions": [ |
|  | { |
|  | "topic":"tp\_demo\_03", |
|  | "partition":0 |
|  | }, |
|  | { |
|  | "topic":"tp\_demo\_03", |
|  | "partition":1 |
|  | }, |
|  | { |
|  | "topic":"tp\_demo\_03", |
|  | "partition":2 |
|  | } |
|  | ] |
|  | } |

2. 执⾏操作：

|  | [root@node1 ~]# kafka-preferred-replica-election.sh --zookeeper node1:2181/myKafka --path-to-json-file preferred-replicas.json |
|  | Created preferred replica election path with {"version":1,"partitions":[{"topic":"tp\_demo\_03","partition":0},{"topic":"tp\_demo\_03","partition":1},{"topic":"tp\_demo\_03","partition":2}]} |
|  | Successfully started preferred replica election for partitions Set(tp\_demo\_03-0, tp\_demo\_03-1, tp\_demo\_03-2) |
|  | [root@node1 ~]# |

3. 查看操作的结果

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_demo\_03 |
|  | Topic:tp\_demo\_03 PartitionCount:3 ReplicationFactor:2 Configs: |
|  | Topic: tp\_demo\_03 Partition: 0 Leader: 0 Replicas: 0,1 Isr: 1,0  |
|  | Topic: tp\_demo\_03 Partition: 1 Leader: 1 Replicas: 1,0 Isr: 1,0 |
|  | Topic: tp\_demo\_03 Partition: 2 Leader: 0 Replicas: 0,1 Isr: 1,0 |
|  | [root@node1 ~]# |

恢复到最初的分配情况。

之所以是这样的分配，是因为我们在创建主题的时候：

|  | --replica-assignment "0:1,1:0,0:1" |

在逗号分割的每个数值对中排在前⾯的是Leader分区，后⾯的是副本分区。那么所谓的preferred replica，就是排在前⾯的数字就是Leader副本应该在的brokerId。

五、修改分区副本

实际项⽬中，我们可能由于主题的副本因⼦设置的问题，需要重新设置副本因⼦

或者由于集群的扩展，需要重新设置副本因⼦。

topic⼀旦使⽤⼜不能轻易删除重建，因此动态增加副本因⼦就成为最终的选择。

说明：kafka 1.0版本配置⽂件默认没有default.replication.factor=x， 因此如果创建topic时，不指定–replication-factor 想， 默认副本因⼦为1. 我们可以在⾃⼰的server.properties中配置上常⽤的副本因⼦，省去⼿动调整。例如设置default.replication.factor=3， 详细内容可参考官⽅⽂档https://kafka.apache.org/documentation/#replication

原因分析：

假设我们有2个kafka broker分别broker0，broker1。

1. 当我们创建的topic有2个分区partition时并且replication-factor为1，基本上⼀个broker上⼀个分区。当⼀个broker宕机了，该topic就⽆法使⽤了，因为两个个分区只有⼀个能⽤。
2. 当我们创建的topic有3个分区partition时并且replication-factor为2时，可能分区数据分布情况是

broker0， partiton0，partiton1，partiton2，

broker1， partiton1，partiton0，partiton2，

每个分区有⼀个副本，当其中⼀个broker宕机了，kafka集群还能完整凑出该topic的两个分区，例如当broker0宕机了，可以通过broker1组合出topic的两个分区。

3. 创建主题

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --create --topic tp\_re\_02 --partitions 3 --replication-factor 1 |

4. 查看主题细节

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_re\_02 |
|  | Topic:tp\_re\_02 PartitionCount:3 ReplicationFactor:1 Configs: |
|  | Topic: tp\_re\_02 Partition: 0 Leader: 1 Replicas: 1 Isr: 1 |
|  | Topic: tp\_re\_02 Partition: 1 Leader: 0 Replicas: 0 Isr: 0 |
|  | Topic: tp\_re\_02 Partition: 2 Leader: 1 Replicas: 1 Isr: 1 |
|  | [root@node1 ~]# |

5. 修改副本因⼦：错误
   
6. 使⽤kafka-reassign-partitions.sh修改副本因⼦：
   创建increment-replication-factor.json

|  | { |
|  | "version":1, |
|  | "partitions":[ |
|  | {"topic":"tp\_re\_02","partition":0,"replicas":[0,1]}, |
|  | {"topic":"tp\_re\_02","partition":1,"replicas":[0,1]}, |
|  | {"topic":"tp\_re\_02","partition":2,"replicas":[1,0]} |
|  | ] |
|  | } |

7. 执⾏分配

|  | [root@node1 ~]# kafka-reassign-partitions.sh --zookeeper node1:2181/myKafka --reassignment-json-file increase-replication-factor.json --execute |
|  | Current partition replica assignment |
|  |  |
|  | {"version":1,"partitions":[{"topic":"tp\_re\_02","partition":2,"replicas":[1,0],"log\_dirs":["any","any"]},{"topic":"tp\_re\_02","partition":1,"replicas":[0,1],"log\_dirs":["any","any"]},{"topic":"tp\_re\_02","partition":0,"replicas":[0,1],"log\_dirs":["any","any"]}]} |
|  |  |
|  | Save this to use as the --reassignment-json-file option during rollbackSuccessfully started reassignment of partitions. |

8. 查看主题细节

|  | [root@node1 ~]# kafka-topics.sh --zookeeper node1:2181/myKafka --describe --topic tp\_re\_02 |
|  | Topic:tp\_re\_02 PartitionCount:3 ReplicationFactor:2 Configs: |
|  | Topic: tp\_re\_02 Partition: 0 Leader: 1 Replicas: 0,1 Isr: 1,0 |
|  | Topic: tp\_re\_02 Partition: 1 Leader: 0 Replicas: 0,1 Isr: 0,1 |
|  | Topic: tp\_re\_02 Partition: 2 Leader: 1 Replicas: 1,0 Isr: 1,0 |
|  | [root@node1 ~]# |

六、分区分配策略

在Kafka中，每个Topic会包含多个分区，默认情况下⼀个分区只能被⼀个消费组下⾯的⼀个消费者消费，这⾥就产⽣了分区分配的问题。Kafka中提供了多重分区分配算法（PartitionAssignor）的实现：RangeAssignor、RoundRobinAssignor、StickyAssignor。

6.1 RangeAssignor

PartitionAssignor接⼝⽤于⽤户定义实现分区分配算法，以实现Consumer之间的分区分配。

消费组的成员订阅它们感兴趣的Topic并将这种订阅关系传递给作为订阅组协调者的Broker。协调者选择其中的⼀个消费者来执⾏这个消费组的分区分配并将分配结果转发给消费组内所有的消费者。Kafka默认采⽤RangeAssignor的分配算法。

RangeAssignor对每个Topic进⾏独⽴的分区分配。对于每⼀个Topic，⾸先对分区按照分区ID进⾏数值排序，然后订阅这个Topic的消费组的消费者再进⾏字典排序，之后尽量均衡的将分区分配给消费者。这⾥只能是尽量均衡，因为分区数可能⽆法被消费者数量整除，那么有⼀些消费者就会多分配到⼀些分区。

⼤致算法如下：

|  | assign(topic, consumers) { |
|  | // 对分区和Consumer进⾏排序 |
|  |  List partitions = topic.getPartitions();  |
|  |  sort(partitions);  |
|  |  sort(consumers); |
|  | // 计算每个Consumer分配的分区数 |
|  | int numPartitionsPerConsumer = partition.size() / consumers.size(); |
|  | // 额外有⼀些Consumer会多分配到分区 |
|  | int consumersWithExtraPartition = partition.size() % consumers.size(); |
|  | // 计算分配结果 |
|  | for (int i = 0, n = consumers.size(); i < n; i++) { |
|  | // 第i个Consumer分配到的分区的index |
|  | int start = numPartitionsPerConsumer * i + Math.min(i, consumersWithExtraPartition); |
|  | // 第i个Consumer分配到的分区数 |
|  | int length = numPartitionsPerConsumer + (i + 1 > consumersWithExtraPartition ? 0 : 1); |
|  | // 分装分配结果 |
|  |  assignment.get(consumersForTopic.get(i)).addAll(partitions.subList(start, start + length)); |
|  |  } |
|  | } |

RangeAssignor策略的原理是按照消费者总数和分区总数进⾏整除运算来获得⼀个跨度，然后将分区按照跨度进⾏平均分配，以保证分区尽可能均匀地分配给所有的消费者。对于每⼀个Topic，RangeAssignor策略会将消费组内所有订阅这个Topic的消费者按照名称的字典序排序，然后为每个消费者划分固定的分区范围，如果不够平均分配，那么字典序靠前的消费者会被多分配⼀个分区。

这种分配⽅式明显的⼀个问题是随着消费者订阅的Topic的数量的增加，不均衡的问题会越来越严重，⽐如上图中4个分区3个消费者的场景，C0会多分配⼀个分区。如果此时再订阅⼀个分区数为4的Topic，那么C0⼜会⽐C1、C2多分配⼀个分区，这样C0总共就⽐C1、C2多分配两个分区了，⽽且随着Topic的增加，这个情况会越来越严重。

字典序靠前的消费组中的消费者⽐较“贪婪”。

6.2 RoundRobinAssignor

RoundRobinAssignor的分配策略是将消费组内订阅的所有Topic的分区及所有消费者进⾏排序后尽量均衡的分配（RangeAssignor是针对单个Topic的分区进⾏排序分配的）。如果消费组内，消费者订阅的Topic列表是相同的（每个消费者都订阅了相同的Topic），那么分配结果是尽量均衡的（消费者之间分配到的分区数的差值不会超过1）。如果订阅的Topic列表是不同的，那么分配结果是不保证“尽量均衡”的，因为某些消费者不参与⼀些Topic的分配。

相对于RangeAssignor，在订阅多个Topic的情况下，RoundRobinAssignor的⽅式能消费者之间尽量均衡的分配到分区（分配到的分区数的差值不会超过1——RangeAssignor的分配策略可能随着订阅的Topic越来越多，差值越来越⼤）。

对于消费组内消费者订阅Topic不⼀致的情况：假设有两个个消费者分别为C0和C1，有2个Topic T1、T2，分别拥有3和2个分区，并且C0订阅T1和T2，C1订阅T2，那么RoundRobinAssignor的分配结果如下：

看上去分配已经尽量的保证均衡了，不过可以发现C0承担了4个分区的消费⽽C1订阅了T2⼀个分区，是不是把T2P0交给C1消费能更加的均衡呢？

6.3 StickyAssignor

动机

尽管RoundRobinAssignor已经在RangeAssignor上做了⼀些优化来更均衡的分配分区，但是在⼀些情况下依旧会产⽣严重的分配偏差，⽐如消费组中订阅的Topic列表不相同的情况下。

更核⼼的问题是⽆论是RangeAssignor，还是RoundRobinAssignor，当前的分区分配算法都没有考虑上⼀次的分配结果。显然，在执⾏⼀次新的分配之前，如果能考虑到上⼀次分配的结果，尽量少的调整分区分配的变动，显然是能节省很多开销的。

目标

从字⾯意义上看，Sticky是“粘性的”，可以理解为分配结果是带“粘性的”：

1. 分区的分配尽量的均衡
2. 每⼀次重分配的结果尽量与上⼀次分配结果保持⼀致

当这两个⽬标发⽣冲突时，优先保证第⼀个⽬标。第⼀个⽬标是每个分配算法都尽量尝试去完成的，⽽第⼆个⽬标才真正体现出StickyAssignor特性的。

我们先来看预期分配的结构，后续再具体分析StickyAssignor的算法实现。

例如：

• 有3个Consumer：C0、C1、C2
• 有4个Topic：T0、T1、T2、T3，每个Topic有2个分区
• 所有Consumer都订阅了这4个分区

StickyAssignor的分配结果如下图所示（增加RoundRobinAssignor分配作为对⽐）：

如果消费者1宕机，则按照RoundRobin的⽅式分配结果如下。打乱从新来过，轮询分配：

按照Sticky的⽅式。仅对消费者1分配的分区进⾏重分配，红线部分。最终达到均衡的⽬的：

再举⼀个例⼦：

• 有3个Consumer：C0、C1、C2
• 3个Topic：T0、T1、T2，它们分别有1、2、3个分区
• C0订阅T0；C1订阅T0、T1；C2订阅T0、T1、T2

分配结果如下图所示：

消费者0下线，则按照轮询的⽅式分配：

按照Sticky⽅式分配分区，仅仅需要动的就是红线部分，其他部分不动。

StickyAssignor分配⽅式的实现稍微复杂点⼉，我们可以先理解图示部分即可。感兴趣的同学可以研究⼀下。

6.4 自定义分区策略

⾃定义的分配策略必须要实现org.apache.kafka.clients.consumer.internals.PartitionAssignor接⼝。PartitionAssignor接⼝的定义如下：

|  | Subscription subscription(Set topics); |
|  |  |
|  | String name(); |
|  |  |
|  | Map assign(Cluster metadata, Map subscriptions); |
|  |  |
|  | void onAssignment(Assignment assignment); |
|  |  |
|  | class Subscription {  |
|  | private final List topics;  |
|  | private final ByteBuffer userData; |
|  | } |
|  |  |
|  | class Assignment {  |
|  | private final List partitions;  |
|  | private final ByteBuffer userData; |
|  | } |

PartitionAssignor接⼝中定义了两个内部类：Subscription和Assignment。

Subscription类⽤来表示消费者的订阅信息，类中有两个属性：topics和userData，分别表示消费者所订阅topic列表和⽤户⾃定义信息。PartitionAssignor接⼝通过subscription()⽅法来设置消费者⾃身相关的Subscription信息，注意到此⽅法中只有⼀个参数topics，与Subscription类中的topics的相互呼应，但是并没有有关userData的参数体现。为了增强⽤户对分配结果的控制，可以在subscription()⽅法内部添加⼀些影响分配的⽤户⾃定义信息赋予userData，⽐如：权重、ip地址、host或者机架（rack）等等。

再来说⼀下Assignment类，它是⽤来表示分配结果信息的，类中也有两个属性：partitions和userData，分别表示所分配到的分区集合和⽤户⾃定义的数据。可以通过PartitionAssignor接⼝中的onAssignment()⽅法是在每个消费者收到消费组leader分配结果时的回调函数，例如在StickyAssignor策略中就是通过这个⽅法保存当前的分配⽅案，以备在下次消费组再平衡（rebalance）时可以提供分配参考依据。

接⼝中的name()⽅法⽤来提供分配策略的名称，对于Kafka提供的3种分配策略⽽⾔，RangeAssignor对应的protocol_name为“range”，RoundRobinAssignor对应的protocol_name为“roundrobin”，StickyAssignor对应的protocol_name为“sticky”，所以⾃定义的分配策略中要注意命名的时候不要与已存在的分配策略发⽣冲突。这个命名⽤来标识分配策略的名称，在后⾯所描述的加⼊消费组以及选举消费组leader的时候会有涉及。

真正的分区分配⽅案的实现是在assign()⽅法中，⽅法中的参数metadata表示集群的元数据信息，⽽subscriptions表示消费组内各个消费者成员的订阅信息，最终⽅法返回各个消费者的分配信息。

Kafka中还提供了⼀个抽象类org.apache.kafka.clients.consumer.internals.AbstractPartitionAssignor，它可以简化PartitionAssignor接⼝的实现，对assign()⽅法进⾏了实现，其中会将Subscription中的userData信息去掉后，在进⾏分配。Kafka提供的3种分配策略都是继承⾃这个抽象类。如果开发⼈员在⾃定义分区分配策略时需要使⽤userData信息来控制分区分配的结果，那么就不能直接继承AbstractPartitionAssignor这个抽象类，⽽需要直接实现PartitionAssignor接⼝。

自定义分区策略

|  | package org.apache.kafka.clients.consumer; |
|  |  |
|  | import org.apache.kafka.clients.consumer.internals.AbstractPartitionAssignor; |
|  | import org.apache.kafka.common.TopicPartition; |
|  | import java.util.*; |
|  |  |
|  | public class MyAssignor extends AbstractPartitionAssignor {  |
|  | } |

在使⽤时，消费者客户端需要添加相应的Properties参数，示例如下：

|  | properties.put(ConsumerConfig.PARTITION\_ASSIGNMENT\_STRATEGY\_CONFIG, MyAssignor.class.getName()); |

转载请注明：xuhss » Kafka 分区