丹徒网站建设平台/泰州百度seo公司

1 文件存储

1.1 文件存储机制

  Topic是逻辑上的概念，而partition是物理上的概念，每个partition对应于一个log文件，该log文件中存储的是Producer生产的数据。

  Producer生产的数据会被不断追加到该log文件末端，为防止log文件过大导致数据定位效率低下，Kafka采取了分片和索引机制，将每个partition分为多个segment。

  每个segment包括：“.index”文件、“.log”文件和.timeindex等文件。这些文件位于一个文件夹下。
  文件夹的命名规则为：topic名称+分区序号，例如：first-0。

topic数据存储位置：
（1）启动生产者并发送消息。

bin/kafka-console-producer.sh --bootstrap-server hadoop102:9092,hadoop103:9092 --topic first
> hello

（2）查看hadoop102的/opt/module/kafka/datas/first-0路径上的文件。

（3）通过工具查看 index 和 log 信息。

kafka-run-class.sh kafka.tools.DumpLogSegments --files ./00000000000000000000.index

日志参数配置：

1.2 文件清理策略

Kafka 中默认的日志保存时间为 7 天，通过调整如下参数修改保存时间：

日志超时时，Kafka 中提供的日志清理策略有 delete 和 compact 两种。
（1）delete 日志删除：将过期数据删除。

  （i）基于时间：默认打开。以 segment 中所有记录中的最大时间戳作为该文件时间戳。
  （ii）基于大小：默认关闭。超过设置的所有日志总大小，删除最早的 segment。 log.retention.bytes，默认等于-1，表示无穷大。

  因为以 segment 中所有记录中的最大时间戳作为该文件时间戳。所以对于002.timeindex文件，一个 segment 中有一部分数据过期，一部分没有过期，此时文件的命名为未过期的数据的时间戳，该时间未过期，所以保留该文件。

（2）compact 日志压缩：对于相同key的不同value值，只保留最后一个版本。


  压缩后的offset可能是不连续的，比如上图中没有6，当从这些offset消费消息时，将会拿到比这个offset大的offset对应的消息，实际上会拿到offset为7的消息，并从这个位置开始消费。

  这种策略只适合特殊场景，比如消息的key是用户ID，value是用户的资料，通过这种压缩策略，整个消息集里就保存了所有用户最新的资料。例如一个人的19岁数据可以覆盖18岁数据。

2 高效读写数据

（1）Kafka 本身是分布式集群，可以采用分区技术，并行度高.
（2）读数据采用稀疏索引，可以快速定位要消费的数据。
（3）顺序写磁盘。
  Kafka 的 producer 生产数据，要写入到 log 文件中，写的过程是一直追加到文件末端，为顺序写。
  顺序写能够减少大量的磁头寻址时间。
（4）页缓存 + 零拷贝技术。

零拷贝：Kafka的数据加工处理操作交由Kafka生产者和Kafka消费者处理。Kafka Broker应用层不关心存储的数据，所以就不用走应用层，传输效率高。

PageCache页缓存： Kafka重度依赖底层操作系统提供的PageCache功能。当上层有写操作时， 操作系统只是将数据写入 PageCache。当读操作发生时，先从PageCache中查找，如果找不到，再去磁盘中读取。实际上PageCache是把尽可能多的空闲内存都当做了磁盘缓存来使用。