当前访客身份:游客 [ 登录  | 注册加入尚学堂]
启用新域名sxt.cn
新闻资讯

Kafka是个奇葩!——Linkin论文学习笔记

helloworld 发表于 2年前  | 评论(0 )| 阅读次数(7094 )|   0 人收藏此文章,   我要收藏

Kafka是啥?

是个消息中间件吗?那和市面上其他一堆堆的中间件例如ActiveMQ, RabbitMQ有什么区别?

答案只有一个:

Kafka是个集群的消息中间件+存储,一个节点可以存储几T的数据!

为啥一个中间件需要存储数据呢?

慢慢道来……

原来,对于Linkin这样的互联网企业来说,用户和网站上产生的数据有三种

  1. 需要实时响应的交易数据,用户提交一个表单,输入一段内容,这种数据最后是存放在关系数据库(Oracle, MySQL)中的,有些需要事务支持。
  2. 活动流数据,准实时的,例如页面访问量、用户行为、搜索情况,这些数据可以产生啥?广播、排序、个性化推荐、运营监控等。这种数据一般是前端服务器先写文件,然后通过批量的方式把文件倒到Hadoop这种大数据分析器里面慢慢整。
  3. 各个层面程序产生的日志,例如httpd的日志、tomcat的日志、其他各种程序产生的日志。码农专用,这种数据一个是用来监控报警,还有就是用来做分析。

Linkin的牛逼之处,就在于他们发现了原先2,3的数据处理方式有问题,对于2而言,原来动辄一两个钟头批处理一次的方式已经不行了,用户在一 次购买完之后最好马上就能看到相关的推荐。而对于3而言,传统的syslog模式等也不好用,而且很多情况下2和3用的是同一批数据,只是数据消费者不一 样。

这2种数据的特点是:

  1. 准实时,不需要秒级响应,分钟级别即可。
  2. 数据量巨大,是交易数据的10倍以上。
  3. 数据消费者众多,例如评级、投票、排序、个性化推荐、安全、运营监控、程序监控、后期报表等

于是,Linkin就自己开发了一套系统,专门用来处理这种性质的数据,这就是Kafka

那么,在整个实践过程中Linkin做了什么样的设计,解决了什么问题?

首先看下数据流动图:

数据结构图

多数据中心怎么管理数据:

跨数据中心图

集群本身的架构图

Kafka内部架构图

Kafka内部架构图,分为数据产生者(Producer),数据中间者(Broker),数据消费者(Consumer)

显然,这是一个集群的发布/订阅系统,有如下几个特点

  1. 生产者是推数据(Push),消费者是拉数据(Pull)。存在数据复用,在Linkin平均生产1条消息会被消费5.5次。
  2. 数据生产者和数据消费者的速度不对等,所以要把数据沉淀在Kafka内慢慢处理,Linkin一般在集群内放7天的数据。
  3. 性能上追求高吞吐,保证一定的延时性之内。这方面做了大量优化,包括没有全局hash,批量发送,跨数据中心压缩等等。
  4. 容错性上使用的“至少传输一次”的语义。不保证强一次,但避免最多传一次的情况。
  5. 集群中数据分区,保证单个数据消费者可以读到某话题(topic)的某子话题(例如某用户的数据)的所有数据,避免全局读数据
  6. 数据规范性,所有数据分为数百个话题,然后在数据的源头——生产者(Producer)这边就用Schema来规范数据,这种理念使得后期的数 据传输、序列化、压缩、消费都有了统一的规范,同时也解决了这个领域非常麻烦的数据版本不兼容问题——生产者一改代码,消费者就抓瞎。
  7. 用于监控,这个系统的威力在于,前面所有生产系统的数据流向,通过这个系统都能关联起来,用于日常的运营也好,用于数据审计,用于运维级别的监控也好都是神器啊!

To be continued…

所以,Kafka的设计基本上目前这个领域的唯一选择。我也看了很多其他实现,包括:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
scribe(Facebook)          |2  | C++      | 已停止更新,不建议使用
flume(Apache, Cloudera)   |1   | Java     | 配置较重
chukwa(Hadoop)            |12  | Java     |2012发布最后一版,不建议使用
fluentd                   |1   | Ruby     | 比较活跃,看起来不错
logstash                  |12345| JRuby    | 功能全,据说有不少小bug
splunk                    |12345| C/Python | 商业闭源,功能强大,可做参考
timetunnel(Alibaba)       |2  | Java     | 基于thrift,10年左右成熟
kafka(Linkin)             |24| Scala    | 性能强劲,设计巧妙,可以作为基础设施
Samza(Linkin)             |12345|          | =Kafka+YARN+Hadoop
rabbitmq/activemq/qpid    |2  | Java     | 传统消息中间件
Storm(twitter)            | 3 | Clojure  | 实时计算系统
Jstorm(Alibaba)           | 3 | Java     | storm的Java版,据说更稳定
S4(Yahoo)                 | 3 | Java     |2013年已停止维护
Streambase(IBM)           | 3 | Java     | 商业产品,作为参考
HStreaming                | 3 | Java     | 商业产品,作为参考
spark                     | 3 | Scala    | 基于Hadoop
mongodb                   |  4| C++      | 比较浪费硬盘
mysql                     |  4| C++      | 无需多说
hdfs/hbase                |  4| Java     | 无需多说
  1. 数据采集组件
  2. 数据传输组件
  3. 数据实时计算/索引/搜索组件
  4. 数据存储/持久化组件
  5. 数据展示/查询/报警界面组件

从数据传输这块的设计理念来说,Kafka是最为先进的,

在目前的各种实现中,我猜测可以和Kafka一战的也就只有Splunk了

后面我会分析一下这个软件的设计和实现

欲知后事如何,且听下回分解 ~~

主要参考文章

日志:每个软件工程师都应该知道的有关实时数据的统一概念 —— 这篇比较抽象,高屋建瓴,理论先行

Building LinkedIn’s Real-time Activity Data Pipeline —— 实践层的论文,把做事情的前因后果都写明白了

分布式发布订阅消息系统 Kafka 架构设计 —— 落地设计

次要参考文章

《分布式发布订阅消息系统 Kafka 架构设计》

《StreamBase简介》

《Yahoo! s4和Twitter storm的粗略比较》

《最火爆的开源流式系统Storm vs 新星Samza》

《架构之淘宝实时数据传输平台: TimeTunnel介绍》

《Graylog2 简介》

《logstash 还是不行》

《日志收集以及分析:Splunk 》

《LogStash日志分析系统》

《LogStash,使日志管理更简单》

《logstash VS splunk》

《个性化离线实时分析系统pora》

《日志:每个软件工程师都应该知道的有关实时数据的统一概念》

《基于Flume的美团日志收集系统(二)改进和优化》

《基于Flume的美团日志收集系统(一)架构和设计》

《对互联网海量数据实时计算的理解》

《流式日志系统启示录》

《flume-ng+Kafka+Storm+HDFS 实时系统搭建》

分享到:0
关注微信,跟着我们扩展技术视野。每天推送IT新技术文章,每周聚焦一门新技术。微信二维码如下:
微信公众账号:尚学堂(微信号:bjsxt-java)
声明:博客文章版权属于原创作者,受法律保护。如果侵犯了您的权利,请联系管理员,我们将及时删除!
(邮箱:webmaster#sxt.cn(#换为@))
北京总部地址:北京市海淀区西三旗桥东建材城西路85号神州科技园B座三层尚学堂 咨询电话:400-009-1906 010-56233821
Copyright 2007-2015 北京尚学堂科技有限公司 京ICP备13018289号-1 京公网安备11010802015183