大数据生产者消息分区机制原理

直播：近二十载从业老兵谈金融科技赋能的探索与实践

在使用Apache Kafka生产和消费消息的时候，肯定是希望能够将数据均匀地分配到所有服务器上。

比如很多公司使用Kafka收集应用服务器的日志数据，这种数据都是很多的，特别是对于那种大批量机器组成的集群环境，每分钟产生的日志量都能以GB数，因此如何将这么大的数据量均匀地分配到Kafka的各个Broker上，就成为一个非常重要的问题。

为什么分区?

Topic的概念，它是承载真实数据的逻辑容器，而在主题之下还分为若干个分区，也就是说Kafka的消息组织方式实际上是三级结构：主题-分区-消息。主题下的每条消息只会保存在某一个分区中，而不会在多个分区中被保存多份。官网上的这张图非常清晰地展示了。

Kafka的三级结构，如下所示：

看到了这张图，我有几个问题，为什么Kafka要做这样的设计?为什么使用分区而不是直接使用多个Topic呢?

分区的作用

其实，分区的作用就是提供负载均衡的能力，或者说对数据进行分区的主要原因，就是为了实现系统的高伸缩性(Scalability)

不同的分区能够被放置到不同节点的机器上，而数据的读写操作也都是针对分区这个粒度而进行的，这样每个节点的机器都能独立地执行各自分区的读写请求处理，并且，我们还可以通过添加新的节点机器来增加整体系统的吞吐量

实际上分区的概念以及分区数据库早在1980年就已经有大牛们在做了，比如那时候有个叫Teradata的数据库就引入了分区的概念

在不同的分布式系统对分区的叫法也不尽相同：比如在Kafka中叫分区，在MongoDB和Elasticsearch中就叫分片Shard，而在HBase中则叫Region，在Cassandra中又被称作vnode

从表面看起来，它们实现原理可能不尽相同，但对底层分区(Partitioning)的整体思想却从未改变

除了提供负载均衡这种最核心的功能之外，利用分区也可以实现其他一些业务级别的需求，比如实现业务级别的消息顺序的问题

Kafka中的分区策略

Kafka中的分区策略，就是决定生产者将消息发送到哪个分区的算法

Kafka提供了默认的分区策略，同时，也支持自定义分区策略

• 默认分区策略
• 自定义分区策略

默认分区策略

• 轮询策略(Round-robin)
• 随机策略(Randomness)(已过时)
• 消息键策略(Key-ordering)
• 地理分区策略

轮询策略

也称Round-robin策略，即顺序分配

比如一个主题下有3个分区，那么第一条消息被发送到分区0，第二条被发送到分区1，第三条被发送到分区2，以此类推。当生产第4条消息时又会重新开始，即将其分配到分区0，如下图所示

如果你未指定partitioner.class参数，那么你的生产者程序会按照轮询的方式在Topic的所有分区间均匀地“存放”消息

轮询策略有非常优秀的负载均衡表现，它总是能保证消息最大限度地被平均分配到所有分区上，默认情况下它是最合理的分区策略，也是我们最常用的分区策略之一

随机策略

也称Randomness策略，所谓随机就是我们随意地将消息放置到任意一个分区上，如下图所示

如果要实现随机策略版的partition方法，很简单，只需要两行代码即可：

1. List<PartitionInfo> partitions = cluster.partitionsForTopic(topic); 
2. return ThreadLocalRandom.current().nextInt(partitions.size()); 

先计算出该Topic总的分区数，然后随机地返回一个小于它的正整数

本质上看随机策略也是力求将数据均匀地打散到各个分区，但从实际表现来看，它要逊于轮询策略，所以如果追求数据的均匀分布，还是使用轮询策略比较好

事实上，随机策略是老版本生产者使用的分区策略，在新版本中已经改为轮询了

消息键策略

也称Key-ordering策略，Kafka允许为每条消息定义消息键，简称为Key

这个Key的作用非常大，它可以是一个有着明确业务含义的字符串，比如客户代码、部门编号或是业务ID等;也可以用来表征消息元数据

特别是在Kafka不支持时间戳的年代，在一些场景中，工程师们都是直接将消息创建时间封装进Key里面的

一旦消息被定义了Key，那么你就可以保证同一个Key的所有消息都进入到相同的分区里面，由于每个分区下的消息处理都是有顺序的，故这个策略被称为按消息键策略，如下图所示

实现这个策略的partition方法同样简单，只需要下面两行代码即可：

1. List<PartitionInfo> partitions = cluster.partitionsForTopic(topic); 
2. return Math.abs(key.hashCode()) % partitions.size(); 

先计算出该Topic总的分区数，然后计算出key的hashCode与分区数取模的绝对值

Kafka在默认分区策略的选择：如果指定了Key，那么默认实现按消息键策略;如果没有指定Key，则使用轮询策略

地理分区策略

上面这几种分区策略都是比较基础的策略，其实还有一种比较常见的，即所谓的基于地理位置的分区策略

当然这种策略一般只针对那些大规模的Kafka集群，特别是跨城市、跨国家甚至是跨大洲的集群

自定义分区策略

说完了默认分区，来说说自定义分区

Kafka中如果要自定义分区策略，你需要显式地配置生产者端的参数partitioner.class

这个参数该怎么设定呢?方法很简单，在编写生产者程序时，你可以编写一个具体的类实现org.apache.kafka.clients.producer.Partitioner接口

这个接口也很简单，只定义了两个方法：partition()和close()，通常你只需要实现最重要的partition方法，代码如下所示

1. /** 
2.      * Compute the partition for the given record. 
3.      * 
4.      * @param topic The topic name 
5.      * @param key The key to partition on (or null if no key) 
6.      * @param keyBytes The serialized key to partition on( or null if no key) 
7.      * @param value The value to partition on or null 
8.      * @param valueBytes The serialized value to partition on or null 
9.      * @param cluster The current cluster metadata 
10.      */ 
11.     public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster); 
12.  
14.     /** 
15.      * This is called when partitioner is closed. 
16.      */ 
17.     public void close(); 

这里的topic、key、keyBytes、value和valueBytes都属于消息数据，cluster则是集群信息(比如当前Kafka集群共有多少主题、多少Broker等)

Kafka给你这么多信息，就是希望让你能够充分地利用这些信息对消息进行分区，计算出它要被发送到哪个分区中

只要你自己的实现类定义好了partition方法，同时设置partitioner.class参数为你自己实现类的Full Qualified Name，那么生产者程序就会按照你的代码逻辑对消息进行分区

结语

今天学习了Kafka生产者消息分区的机制以及常见的几种分区策略

分区是实现负载均衡以及高吞吐量的关键，故在生产者这一端就要仔细盘算合适的分区策略，避免造成消息数据的倾斜，使得某些分区成为性能瓶颈，这样极易引发下游数据消费的性能下降

大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。