标签(空格分隔): kafka
Kafka中的Message是以topic为基本单位组织的,不同的topic之间是相互独立的。每一个topic又可以分成几个不同的partition(每一个topic有几个partition是在创建topic时指定的),每一个partition存储1部份Message。借用官方的1张图,可以直观地看到topic和partition的关系。
partition是以文件的情势存储在文件系统中,比如,创建了1个名为page_visits的topic,其有5个partition,那末在Kafka的数据目录中(由配置文件中的log.dirs指定的)中就有这样5个目录: page_visits-0, page_visits⑴,page_visits⑵,page_visits⑶,page_visits⑷,其命名规则为<topic_name>-<partition_id>,里面存储的分别就是这5个partition的数据。
接下来,本文将分析partition目录中的文件的存储格式和相干的代码所在的位置。
Partition中的每条Message由offset来表示它在这个partition中的偏移量,这个offset不是该Message在partition数据文件中的实际存储位置,而是逻辑上1个值,它唯1肯定了partition中的1条Message。因此,可以认为offset是partition中Message的id。partition中的每条Message包括了以下3个属性:
其中offset为long型,MessageSize为int32,表示data有多大,data为message的具体内容。它的格式和Kafka通讯协议中介绍的MessageSet格式是1致。
Partition的数据文件则包括了若干条上述格式的Message,按offset由小到大排列在1起。它的实现类为FileMessageSet,类图以下:
它的主要方法以下:
我们来思考1下,如果1个partition只有1个数据文件会怎样样?
那Kafka是如何解决查找效力的的问题呢?有两大宝贝:1) 分段 2) 索引。
Kafka解决查询效力的手段之1是将数据文件分段,比如有100条Message,它们的offset是从0到99。假定将数据文件分成5段,第1段为0⑴9,第2段为20⑶9,以此类推,每段放在1个单独的数据文件里面,数据文件以该段中最小的offset命名。这样在查找指定offset的Message的时候,用2分查找就能够定位到该Message在哪一个段中。
数据文件分段使得可以在1个较小的数据文件中查找对应offset的Message了,但是这仍然需要顺序扫描才能找到对应offset的Message。为了进1步提高查找的效力,Kafka为每一个分段后的数据文件建立了索引文件,文件名与数据文件的名字是1样的,只是文件扩大名为.index。
索引文件中包括若干个索引条目,每一个条目表示数据文件中1条Message的索引。索引包括两个部份(均为4个字节的数字),分别为相对offset和position。
index文件中并没有为数据文件中的每条Message建立索引,而是采取了稀疏存储的方式,每隔1定字节的数据建立1条索引。这样避免了索引文件占用过量的空间,从而可以将索引文件保存在内存中。但缺点是没有建立索引的Message也不能1次定位到其在数据文件的位置,从而需要做1次顺序扫描,但是这次顺序扫描的范围就很小了。
在Kafka中,索引文件的实现类为OffsetIndex,它的类图以下:
主要的方法有:
我们以几张图来总结1下Message是如何在Kafka中存储的,和如何查找指定offset的Message的。
Message是依照topic来组织,每一个topic可以分成多个的partition,比如:有5个partition的名为为page_visits的topic的目录结构为:
partition是分段的,每一个段叫LogSegment,包括了1个数据文件和1个索引文件,下图是某个partition目录下的文件:
可以看到,这个partition有4个LogSegment。
借用博主@lizhitao博客上的1张图来展现是如何查找Message的。
比如:要查找绝对offset为7的Message:
这套机制是建立在offset是有序的。索引文件被映照到内存中,所以查找的速度还是很快的。
1句话,Kafka的Message存储采取了分区(partition),分段(LogSegment)和稀疏索引这几个手段来到达了高效性。