Kafka 作为一个流式数据平台，对开发者提供了三种客户端：生产者 / 消费者、连接器、流处理。本文着重分析这三种客户端的线程模型。看到最后的通常都有惊喜。

消费者的线程模型

0.8 版本以前的消费者客户端会创建一个基于 ZK 的消费者连接器，一个消费者客户端是一个 Java 进程，消费者可以订阅多个主题，每个主题也可以多个线程。为了让消息在多个节点被分布式地消费，提高消息处理的吞吐量，Kafka 允许多个消费者订阅同一个主题，这些消费者需要满足“一个分区只能被一个消费者中的一个线程处理”的限制条件。通常，我们会将同一份相同业务处理逻辑的应用程序部署在不同机器上，并且指定一个消费组编号。当不同机器上的消费者进程启动后，所有这些消费者进程就组成了一个逻辑意义上的消费组。

消费组中的消费者数量是动态变化的，当有新消费者加入消费组，或者旧消费者离开消费组，都会触发基于 ZK 的消费组“再平衡”操作。当“再平衡”操作发生时，每个消费者都会在客户端执行分区分配算法，然后从全局的分配结果中获取属于自己的分区。它的缺点是消费者会和 ZK 产生频繁的交互，造成 ZK 集群的压力过大，并且容易产生羊群效应和脑裂等问题。

在 0.8 版本以后，Kafka 重新设计了客户端，并且引入了“协调者”和“消费组管理协议”。新的消费者将“消费组管理协议”和“分区分配策略”进行了分离。协调者负责消费组的管理，而分区分配则会在消费组的一个主消费者中完成。采用这种方式，每个消费者都需要发送下面两种请求给协调者。

加入组请求：协调者收集消费组的所有消费者，并选举一个主消费者执行分区分配工作。

同步组请求：主消费者完成分区分配，由协调者将分区的分配结果传播给每个消费者。

新版本的消费者客户端引入了一个客户端协调者的抽象类，它的实现除了消费者的协调者，还有一个连接器的实现。

连接器的线程模型

Kafka 连接器的出现标准化了 Kafka 与各种外部存储系统的数据同步。用户开发和使用连接器就变得非常简单，只需要在配置文件中定义连接器，就可以将外部系统的数据导入 Kafka 或将 Kafka 数据导出到外部系统。如图 1 所示，中间部分都是 Kafka 连接器的内部组件，包括源连接器（Source Connector）和目标连接器（Sink Connector）。

 

图 1 Kafka 连接器的源连接器与目标连接器

Kafka 连接器的单机模式会在一个进程内启动一个 Worker 以及所有的连接器和任务。分布式模式的每个进程都有一个 Worker，而连接器和任务则分别运行在各个节点上。图 2 列举了连接器和任务在不同 Worker 上的四种分布方式：

一个 Worker，一个源任务、一个目标任务

一个 Worker，两个源任务、两个目标任务

两个 Worker，两个源任务、两个目标任务

三个 Worker，两个源任务、两个目标任务

 

图 2 分布式模式的 Kafka 连接器集群

分布式模式下，不同 Worker 进程之间的协调工作类似于消费者的协调。消费者通过协调者获取分配的分区，Worker 也会通过协调者获取分配的连接器与任务。如图 3 所示，消费者客户端和 Worker 客户端为了加入到组管理中，分别通过客户端的协调者对象来和服务端的消费组协调（GroupCoordinator）通信。

 

图 3 消费者和 Worker 的工作都是通过协调者分配的

流处理的线程模型

Kafka 流处理的工作流程简单来看分成三个步骤：消费者读取输入分区的数据、流式地处理每条数据、生产者将处理结果写入输出分区，这里面步骤 1 也充分利用了“消费组管理协议”。Kafka 流处理的输入数据源基于具有分布式分区模型的 Kafka 主题，它的线程模型主要由下面三个类组成：

流实例（KafkaStreams）：通常一个节点（一台机器）只运行一个流实例。

流线程（StreamThread）：一个流实例可以配置多个流线程。

流任务（StreamTask）：一个流线程可以运行多个流任务，根据输入主题的分区数确定任务数。

如图 4 所示，输入主题有六个分区，Kafka 流处理总共就会产生六个流任务。流实例可以动态扩展，流线程的个数也可以动态配置。图中一共有三个流线程，则每个流线程会有两个流任务，每个流任务都对应输入主题的一个分区。

 

图 4 Kafka 流处理的线程模型

Kafka 的流处理框架使用并行的线程模型处理输入主题的数据集，这种设计思路和 Kafka 的消费者线程模型非常类似。消费者分配到订阅主题的不同分区，流处理框架的流任务也分配到输入主题的不同分区。如图 5 所示，输入主题 1 的分区 P1 和输入主题 2 的分区 P1 分配给流线程 1 的流任务，输入主题 1 的分区 P2 和输入主题 2 的分区 P2 分配给流线程 2 的流任务。流处理相比消费者，还会将拓扑的计算结果写到输出主题。

 

图 5 消费者模型与流处理的线程模型

消费者和流处理的故障容错机制也是类似的。如图 6 所示，假设消费者 2 进程挂掉，它所持有的分区会被分配给同一个消费组中的消费者 1，这样消费者 1 会分配到订阅主题的所有分区。对于流处理而言，如果流线程 2 挂掉了，流线程 2 中的流任务会分配给流线程 1。即流线程 1 会运行两个流任务，每个流任务分配的分区仍然保持不变。

 

图 6 消费者与流处理的故障容错机制

小 结

Kafka 客户端抽象出来的的“组管理协议”充分运用在消费者、连接器、流处理三个使用场景中。客户端中的消费者、连接器中的工作者、流处理中的流进程都可以看做“组”的一个成员。当增加或减少组成员时，在这个协议的约束下，每个组成员都可以获取到最新的任务，从而做到无缝的任务迁移。一旦理解了“组管理协议”，对于理解 Kafka 的架构设计是很有帮助的。

更多关于 Kafka 的技术内幕，欢迎参考郑奇煌的《Kafka 技术内幕》一书。

 

作者：郑奇煌定价：119.00 元图文详解 Kafka 的内部原理、设计与实现全面分析以 Kafka 为中心的分布式流平台Kafka 新特性详解，包括连接器、流处理阿里巴巴高级技术专家、Aliware MQ 总架构师、Apache RocketMQ 联合创始人、Linux OpenMessaging 规范发起人冯嘉（Von Gosling），华为云主任工程师时金魁，过往记忆技术博客博主、Qunar 数据架构师吴阳平倾力推荐

Kafka 自 LinkedIn 开源以来就以高性能、高吞吐量、分布式的特性著称，本书以 0.10 版本的源码为基础，深入分析了 Kafka 的设计与实现，包括生产者和消费者的消息处理流程，新旧消费者不同的设计方式，存储层的实现，协调者和控制器如何确保 Kafka 集群的分布式和容错特性，两种同步集群工具 MirrorMaker 和 uReplicator ，流处理的两种 API 以及 Kafka 的一些高级特性等。