Kafka 常见面试题

Kafka 常见面试题

Kafka 是由 LinkedIn 开发的一个分布式的消息系统,使用 Scala 编写,它以可水平扩展和高吞吐率而被广泛使用。Kafka 本身设计也非常精巧,有很多关键的知识点需要注意。在面试中,也常常被问到。整理篇文章,梳理一下自己的知识点。

架构设计问题

Kafka 整体架构如下:

Kafka 架构
图 1. Kafka 架构

Kafka 架构分为以下几个部分

  • Producer:消息生产者,就是向 Kafka Broker 发消息的客户端。

  • Consumer:消息消费者,向 Kafka Broker 取消息的客户端。

  • Topic:可以理解为一个队列,一个 Topic 又分为一个或多个分区。

  • Consumer Group:这是 Kafka 用来实现一个 Topic 消息的广播(发给所有的 Consumer)和单播(发给任意一个 Consumer)的手段。一个 Topic 可以有多个 Consumer Group。

  • Broker:一台 Kafka 服务器就是一个 Broker。一个集群由多个 Broker 组成。一个 Broker 可以容纳多个 Topic。

  • Partition:为了实现扩展性,一个非常大的 Topic 可以分布到多个 Broker上,每个 Partition 是一个有序的队列。Partition 中的每条消息都会被分配一个有序的id(offset)。将消息发给 Consumer,Kafka 只保证按一个 Partition 中的消息的顺序,不保证一个 Topic 的整体(多个 Partition 间)的顺序。

  • Offset:Kafka 的存储文件都是按照 offset.Kafka 来命名,用 offset 做名字的好处是方便查找。例如你想找位于 2049 的位置,只要找到 2048.Kafka 的文件即可。当然 the first offset 就是 00000000000.Kafka。

  1. Kafka 是如何实现高吞吐率的?

    1. 批量异步推送

    2. 零拷贝技术

    3. 文件分段

    4. 服务端顺序写

    5. 数据压缩。

    6. 批量拉取

  2. Kafka 缺点?

    • 由于是批量发送,数据并非真正的实时;

    • 对于 MQTT 协议不支持;

    • 不支持物联网传感数据直接接入;

    • 仅支持统一分区内消息有序,无法实现全局消息有序;

    • 监控不完善,需要安装插件;

    • 依赖 ZooKeeper 进行元数据管理;

生产者问题

  1. Kafka 如何发送消息?

    应用在调用 Kafka 的 API 写消息时,并不是实时发送到服务端的。而是先在本地缓存起来,得到一定的量再发送;或者在一段时间内,还没有达到足够的量,也会发送。另外,API 内置了自动重试,但是也有些错误(比如消息太大)没办法重试,需要单独处理。这个知识点常考,一定要注意。

    发送消息 API 有两个:

    • Future<RecordMetadata> send(ProducerRecord<K, V> record) — 这个 API 没有任何保证,属于 "fire and forget"。所以,它不能用于对消息保证送达的场景下。它底层调用了下面的这个方法,只是第二个方法传递的是 null

    • Future<RecordMetadata> send(ProducerRecord<K, V> record, Callback callback) — 这个方法可以通过 Callback callback 的回调确切知道消息的处理结果。如果发送失败,也可以自行处理失败。

  2. 简述 Kafka 的 ACK 机制.

    • ack=-1,需要等待 ISR 中所有 follower 都确认收到数据后才算一次发送完成,可靠性最高。

    • ack=0,生产者将消息发出后就不管了,不需要等待任何返回。

    • ack=1,只需要经过 leader 成功接收消息的确认就算是发送成功了。

  3. Kafka 中的分区器、序列化器、拦截器是否了解?它们之间的处理顺序是什么?

    拦截器 ProducerInterceptor → 序列化器 Serializer → 分区器 Partitioner

    • 拦截器 ProducerInterceptor — 可以在发送前,对消息做一个统一处理,比如统计发送消息个数。

    • 序列化器 Serializer — 把消息进行序列化。

    • 分区器 Partitioner — 根据分区算法,对消息进行分区。

  4. Kafka 生产者客户端中使用了几个线程来处理?分别是什么?

    2个,主线程和 Sender 线程。主线程负责创建消息,然后通过分区器、序列化器、拦截器作用之后缓存到累加器 RecordAccumulator 中。Sender 线程负责将 RecordAccumulator 中消息发送到 Kafka 中.

消费者问题

  1. “消费组中的消费者个数如果超过 Topic 的分区,那么就会有消费者消费不到数据”这句话是否正确?如果不正确,那么有没有什么 hack 的手段?

    不正确,通过自定义分区分配策略,可以将一个Consumer指定消费所有Partition。

  2. 消费者提交消费位移时提交的是当前消费到的最新消息的 offset 还是 offset+1 ?

    offset+1

  3. Rebalance 的弊端是什么呢?

    1. Rebalance 影响 Consumer 端 TPS。在 Rebalance 期间,Consumer 会停下手头的事情,什么也干不了。

    2. Rebalance 很慢。一个极端案例:Group 下有几百个 Consumer 实例,Rebalance 一次要几个小时。

    3. Rebalance 效率不高。当前 Kafka 的设计机制决定了每次 Rebalance 时,Group 下的所有成员都要参与进来,而且通常不会考虑局部性原理。

  4. 什么情况下会发生 Rebalance?

    • 组成员数量发生变化,增加 Consumer 实例或者 Consumer 实例心跳检查(session.timeout.ms)失败也会引起 Rebalance。

    • 订阅主题数量发生变化,这种情况一般出现在使用通配符订阅主题的情况。

    • 订阅主题的分区数发生变化,增加分区时。

  5. Rebalance 有什么新变化吗?

    在 Kafka 2.5.0 稳定版中,增加了“Kafka Consumer 支持增量再平衡(Incremental rebalance)”特性。incremental 协议允许消费者在重新平衡事件期间保留其分区,从而尽量减少消费者组成员之间的分区迁移。因此,通过 scaling out/down 操作触发的端到端重新平衡时间更短,这有利于重量级、有状态的消费者,比如 Kafka Streams 应用程序。

  6. 有哪些情形会造成重复消费?

    消费者消费后没有 commit offset(程序崩溃/强行kill/消费耗时/自动提交偏移情况下unscrible)

  7. 哪些情景下会造成消息遗漏消费?

    消费者没有处理完消息就提交 offset(自动提交偏移,未处理情况下程序异常结束)。

  8. KafkaConsumer 是非线程安全的,那么怎么样实现多线程消费?

    1. 在每个线程中新建一个 KafkaConsumer

    2. 单线程创建 KafkaConsumer,多个处理线程处理消息(难点在于是否要考虑消息顺序性,offset的提交方式)

  9. 简述消费者与消费组之间的关系。

    消费者从属与消费组,消费偏移以消费组为单位。每个消费组可以独立消费主题的所有数据,同一消费组内消费者共同消费主题数据,每个分区只能被同一消费组内一个消费者消费。

  10. Kafka 消费者是否可以消费指定分区消息?

    Kafa Consumer 消费消息时,向 Broker 发出 fetch 请求去消费特定分区的消息,Consumer 指定消息在日志中的偏移量(offset),就可以消费从这个位置开始的消息,customer 拥有了 offset 的控制权,可以向后回滚去重新消费之前的消息。

服务端问题

  1. Kafka 中的 ISR、OSR、AR 又代表什么?ISR 的伸缩又指什么?

    ISR:In-Sync Replicas 副本同步队列

    OSR:Out-of-Sync Replicas

    AR:Assigned Replicas 所有副本

    ISR 是由 leader 维护,follower 从 leader 同步数据有一些延迟(包括延迟时间 replica.lag.time.max.ms 和延迟条数 replica.lag.max.messages 两个维度, 当前最新的版本 0.10.x 中只支持 replica.lag.time.max.ms 这个维度),任意一个超过阈值都会把 follower 剔除出 ISR, 存入 OSR(Outof-Sync Replicas)列表,新加入的 follower 也会先存放在 OSR 中。AR = ISR + OSR。

  2. Kafka 目前有那些内部 Topic,它们都有什么特征?各自的作用又是什么?

    __Consumer_offsets 以下划线开头,保存消费组的偏移。

    从 Kafka 2.5.0 正式版开始,Kafka 准备去除对 ZooKeeper 的依赖,这个工作可能要持续几个版本才能完成。到时,应该也会有新的 Topic。

  3. Kafka 中的 HW、LEO、LSO、LW 等分别代表什么?

    HW:High Watermark 高水位,严格来说,它表示的就是位置信息,即位移(offset)。取一个 Partition 对应的 ISR 中最小的 LEO 作为HW,Consumer 最多只能消费到 HW 所在的位置上一条信息。

    High Water Mark
    图 2. High Water Mark

    LEO:LogEndOffset 当前日志文件中下一条待写信息的 offset。

    HW/LEO 这两个都是指最后一条的下一条的位置而不是指最后一条的位置。

    LSO:LastStableOffset 对未完成的事务而言,LSO 的值等于事务中第一条消息的位置(firstUnstableOffset),对已完成的事务而言,它的值同 HW 相同

    LW:Low Watermark 低水位, 代表 AR 集合中最小的 logStartOffset 值

  4. 优先副本是什么?它有什么特殊的作用?

    优先副本会是默认的 leader 副本,发生 leader 变化时重选举会优先选择优先副本作为 leader。

  5. 简述 Kafka 的日志目录结构。

    每个Partition一个文件夹,包含四类文件 .index .log .timeindex leader-epoch-checkpoint.index .log.timeindex 三个文件成对出现,前缀为上一个segment的最后一个消息的偏移。

    • .log 文件中保存了所有的消息;

    • .index 文件中保存了稀疏的相对偏移的索引;

    • .timeindex 保存的则是时间索引;

    • leader-epoch-checkpoint 中保存了每一任 leader 开始写入消息时的 offset,会定时更新,follower 被选为 leader 时会根据这个确定哪些消息可用。

  6. Kafka 分区的目的?

    分区对于 Kafka 集群的好处是:实现负载均衡。分区对于消费者来说,可以提高并发度,提高效率。

实际应用问题

  1. Kafka 的用途有哪些?使用场景如何?

    • 日志收集:一个公司用 Kafka 收集各种服务的 log,通过 Kafka 以统一接口服务的方式开放给各种 Consumer,例如 Hadoop、HBase、Solr 等。

    • 消息系统:解耦和生产者和消费者、缓存消息等。

    • 用户活动跟踪:Kafka 经常被用来记录 Web 用户或者 APP 用户的各种活动,如浏览网页、搜索、点击等活动,这些活动信息被各个服务器发布到 Kafka 的 Topic 中,然后订阅者通过订阅这些 Topic 来做实时的监控分析,或者装载到 Hadoop、数据仓库中做离线分析和挖掘。

    • 运营指标:Kafka 也经常用来记录运营监控数据。包括收集各种分布式应用的数据,生产各种操作的集中反馈,比如报警和报告。

    • 流式处理:比如 Spark Streaming 和 Flink

  2. Kafka 如何保证数据的一致性?

    这是一个全局性问题需要需要从如下几个方面来考虑:

    • 发送端要是用 Future<RecordMetadata> send(ProducerRecord<K, V> record, Callback callback) 方法来发送消息。如果出现错误,可以通过代码来处理错误。

    • 服务端,要设置 ack=-1,分区要最少三副本,来保证数据的不会丢失。

    • 消费端,消费是接上一次消费的 offset 开始消费;消费成功后,再同步提交 offset。

    • 业务方,要保证接口的幂等性,防止重复消费消息带来的数据不一致性。

Kafka 问题还远远不止这些,后续再慢慢完善。