Kafka必问面试题

一、说说你对kafka的理解

kafka本身是一个流式处理平台，同时也具有消息系统得能力，在我们得系统中更多得是把kafka作为一个消息队列系统来使用
而如果来介绍kafka，大致可以分为这几块：

1. kafka集群元数据得管理，集群得协调工作，这部分其实再2.7版本以前都是由zookeeper来负责，zookeeper相当于注册中心，每个kafka服务器启动的时候去连接到Zookeeper，把自己注册到Zookeeper当中（元数据包括：有哪些主题、主题都有哪些分区、分区有哪些副本，分区的Leader副本等信息）
2. kafka得核心概念。
   record：代表消息；
   topic：主题，其实可以理解成消息的一个分类；
   partition：分区，主题会由多个分区组成，通常每个分区的消息都是按照顺序读取的，不同的分区无法保证顺序性
   broker：kafka服务器
   Leader/Follower：分区的副本。为了保证高可用，分区都会有一些副本，每个分区都会有一个Leader主副本负责读写数据，Follower从副本只负责和Leader副本保持数据同步，不对外提供任何服务
   offset：偏移量，分区中的每一条消息都会根据时间先后顺序有一个递增的序号，这个序号就是offset偏移量
   producer：生产者，负责发送消息；
   consumer：消费者，负责消费消息
   Consumer group：消费者组，由多个消费者组成，一个组内只会由一个消费者去消费一个分区的消息
   Coordinator：协调者，主要是为消费者组分配分区以及重平衡Rebalance操作
   Controller：控制器，其实也是一个broker，用于协调和管理整个kafka集群，比如说负责分区leader的选举，主题管理等工作，再zookeeper中第一个创建临时节点的就是控制器
3. kafka的核心数据
   kafka以segment日志形式写入磁盘，而每个segment都是由log，index，timeindex文件组成，文件名表示的是一个Segment的起始Offset，log、index、timeindex中存储的都是二进制的数据（log中存储的就是上一部分介绍的BatchRecords的内容，而index和timeindex分别是一些索引信息。）

二、消息队列模型知道吗？kafka是怎么做到支持这两种模型的？

传统的消息队列模型包括点对点和发布订阅模式
点对点很好理解，就是一个生产者对应一个消费者，
发布订阅模式表示 消息可以被所有消费者消费
而kafka是通过消费者组Consumer Group的概念来实现
如果说所有的消费者都同属一个消费者组，那么一条消息只会被这个这个消费者下的一个实例消费，这就是点对点模式
而如果每个消费者都对应一个消费者组，那么就是发布订阅模式

三、能说说kafka通信过程原理吗？

1. 首先kafka broker启动的时候，会去向Zookeeper注册自己的ID（创建临时节点），这个ID可以配置也可以自动生成，同时会去订阅Zookeeper的brokers/ids路径，当有新的broker加入或者退出时，可以得到当前所有broker信息
2. 生产者启动，而生产者启动的时候会基于你再bootstrap server中配置的broker地址，来与kafka集群创建tcp连接
3. 当连接到broker以后，会发送请求获取元数据信息
4. 之后就是发送消息的过程
5. 消费者和生产者一样，也会指定bootstrap.servers属性，然后选择一台broker创建TCP连接，发送请求找到协调者所在的broker
6. 然后会和协调者broker创建TCP连接，获取元数据
7. 根据分区Leader节点所在的broker节点，和这些broker分别创建连接
8. 最后开始消费消息

四、发送消息时如何选择分区的？

分为有key和没有key

1. 如果为消息指定key，那么就会根据消息的key对分区数进行取模，来决定消息落在哪个分区上，所以，对于相同key的消息来说，总是会发送到同一个分区上，也是我们常说的消息分区有序性
2. 如果没有指定key和具体的分区，那么就会走kafka默认的轮询策略

五、为什么kafka设计中要引入分区，好处是什么？

我们可以反过来想下如果没有分区的概念，那其实意味着消息都会写入到一台机器，这样一来，非常不利于数据的负载均衡和横向扩展。
因此引入分区使得再发消息时可以根据分区的数量落在不同的kafka节点上，这提高并发写消息的性能，同时消费消息的时候是跟消费者组进行绑定，可以从不同节点的不同分区进行消费消息，提高了读消息的能力
另外一点，就是再分区的基础上又引入了副本，冗余的副本保证了kafka的高可用和高持久性

六、如何保证消息可靠性？

消息可靠性的保证基本上我们都要从3个方面

1 生产者发送消息丢失

kafka支持3种方式发送消息，这也是常规的3种方式，发送后不管结果、同步发送、异步发送

1. 发送后不管结果，这种直接调用send方法，有丢失消息的可能
2. 同步发送，同步发送返回Future对象，我们可以知道发送结果，然后进行处理
3. 异步发送，发送消息，同时指定一个回调函数，根据结果进行相应的处理
   我们一般采用的是异步发送并且带有回调的方式进行发送消息，再设置参数为发送消息失败不停地重试
   而如果做到这样生产端也是需要作一些配置，就是
   把acks=all；retries=N
   acks可以取的值是0，1 ，all
   0表示生产者写入消息不管服务器的响应，有丢失消息风险
   1表示至少有一个副本收到消息才认为成功，这样副本也有没同步导致消息丢失风险
   all表示所有ISR都写入成功才算成功，那除非所有ISR里的副本全挂了，消息才会丢失

retries=N，设置一个非常大的值，可以让生产者发送消息失败后不停重试

2 kafka自身消息丢失

针对kafka自身丢失的可能设置参数：

1. replication.factor>=2;保证至少有两个或者两个以上的副本数
2. min.insync.replicas=N ，这个值用来设置同步副本个数的下限，保证至少写入1个或者以上的副本才算写入消息成功
3. unclean.leader.election.enable=false，这个设置意味着没有完全同步的分区副本不能成为Leader副本

3 消费者消息丢失

消费者丢失的可能就比较简单，关闭自动提交位移即可，改为业务处理成功手动提交
具体修改参数
enable.auto.commit=false，设置为手动提交
auto.offset.reset=earliest，这个参数代表没有偏移量可以提交或者broker上不存在偏移量的时候，消费者如何处理。earliest代表从分区的开始位置读取，可能会重复读取消息，但是不会丢失，消费方一般我们肯定要自己保证幂等，另外一种latest表示从分区末尾读取，那就会有概率丢失消息

七、详细说说消费者组和消费者重平衡？

消费者组的好处：可以支持多种消息模型，另外的话根据消费者和分区的消费关系，支撑横向扩容伸缩

当消费者数量小于分区数量的时候，那么必然会有一个消费者消费多个分区的消息。
而消费者数量超过分区的数量的时候，那么必然会有消费者没有分区可以消费。

消费者重平衡主要是通过协调者来完成，每一次新的消费者加入都会发送请求给协调者去获取分区的分配，这个分区分配的算法逻辑由协调者来完成

而重平衡Rebalance就是指的有新消费者加入的情况，比如刚开始我们只有消费者A在消费消息，过了一段时间消费者B和C加入了，这时候分区就需要重新分配，这就是重平衡，也可以叫做再平衡，但是重平衡的过程和我们的GC时候STW很像，会导致整个消费群组停止工作，重平衡期间都无法消息消息。

另外，发生重平衡并不是只有这一种情况，因为消费者和分区总数是存在绑定关系的，上面也说了，消费者数量最好和所有主题的分区总数一样。

那只要消费者数量、主题数量（比如用的正则订阅的主题）、分区数量任何一个发生改变，都会触发重平衡。

八、下面说说重平衡的过程

重平衡的机制依赖消费者和协调者之间的心跳来维持，消费者会有一个独立的线程去定时发送心跳给协调者，这个可以通过参数heartbeat.interval.ms来控制发送心跳的间隔时间（默认值 3秒）。

1. 每个消费者第一次加入组的时候都会向协调者发送JoinGroup请求，第一个发送这个请求的消费者会成为“群主”，协调者会返回组成员列表给群主

2. 群主执行分区分配策略，然后把分配结果通过SyncGroup请求发送给协调者，协调者收到分区分配结果

3. 其他组内成员也向协调者发送SyncGroup，协调者把每个消费者的分区分配分别响应给他们
   

九、kafka的副本和同步原理

Kafka副本的之前提到过，分为Leader副本和Follower副本，也就是主副本和从副本，和其他的比如Mysql不一样的是，Kafka中只有Leader副本会对外提供服务，Follower副本只是单纯地和Leader保持数据同步，作为数据冗余容灾的作用。

在Kafka中我们把所有副本的集合统称为AR（Assigned Replicas），和Leader副本保持同步的副本集合称为ISR（InSyncReplicas）。

ISR是一个动态的集合，维持这个集合会通过replica.lag.time.max.ms参数来控制，这个代表落后Leader副本的最长时间，默认值10秒，所以只要Follower副本没有落后Leader副本超过10秒以上，就可以认为是和Leader同步的（简单可以认为就是同步时间差）。

另外还有两个关键的概念用于副本之间的同步：

HW（High Watermark）：高水位，也叫做复制点，表示副本间同步的位置。
LEO（Log End Offset）：下一条待写入消息的位移

十、新版本Kafka为什么抛弃了Zookeeper？

1. 从运维的复杂度来看，Kafka本身是一个分布式系统，他的运维就已经很复杂了，那除此之外，还需要重度依赖另外一个ZK，这对成本和复杂度来说都是一个很大的工作量。
2. 另外Kafka严重依赖ZK来实现元数据的管理和集群的协调工作，如果集群规模庞大，主题和分区数量很多，会导致ZK集群的元数据过多，集群压力过大，直接影响到很多Watch的延时或者丢失。

十一、Kafka为什么快？

首先 Kafka 在写入磁盘文件的时候，可以直接写入这个 os cache 里，也就是仅仅写入内存中，接下来由操作系统自己决定什么时候把 os cache 里的数据真的刷入磁盘文件中。通过这一个步骤，就可以将磁盘文件写性能提升很多了，因为其实这里相当于是在写内存，不是在写磁盘

其次另一个主要功能是 kafka 写数据的时候，是以磁盘顺序写的方式来写的。也就是说，仅仅将数据追加到文件的末尾，不是在文件的随机位置来修改数据

并且kafka再读数据的时候引入零拷贝技术

参考资料
https://kafka.apache.org/documentation/
《kafka核心技术与实战》
https://mp.weixin.qq.com/s/4X5oCIrxxpNf83IV6vwqHQ
https://mp.weixin.qq.com/s/WJ-JnzxVIagzQskN53L__Q
https://www.szzdzhp.com/kafka/qa/acksAndMir#%E6%9C%80%E5%B0%8F%E5%90%8C%E6%AD%A5%E5%89%AF%E6%9C%AC%E6%95%B0-min-insync-replicas