Apache Kafka是一款流行的分布式数据流平台，它已经广泛地被诸如New Relic（数据智能平台）、Uber、Square（移动支付公司）等大型公司用来构建可扩展的、高吞吐量的、高可靠的实时数据流系统。
例如，在New Relic的生产环境中，Kafka群集每秒能够处理超过1500万条消息，而且其数据聚合率接近1Tbps。可见，Kafka大幅简化了对于数据流的处理，因此它也获得了众多应用开发人员和数据管理专家的青睐。
然而，在大型系统中Kafka的应用会比较复杂。如果你的Consumers无法跟上数据流的话，各种消息往往在未被查看之前就已经消失掉了。
同时，它在自动化数据保留方面的限制，高流量的发布+订阅（publish-subscribe，pub/sub）模式等，可能都会影响到系统的性能。可以毫不夸张地说，如果那些存放着数据流的系统无法按需扩容、或稳定性不可靠的话，估计大家经常会寝食难安。
为了减少上述复杂性，我在此分享New Relic公司为Kafka集群在应对高吞吐量方面的20项最佳实践。
我将从如下四个方面进行展开：
● Partitions（分区）● Consumers（消费者）
● Producers（生产者）
● Brokers（代理）
一、快速了解Kafka的概念与架构
Kafka是一种高效的分布式消息系统。在性能上，它具有内置的数据冗余度与弹性，也具有高吞吐能力和可扩展性。
在功能上，它支持自动化的数据保存限制，能够以“流”的方式为应用提供数据转换，以及按照“键-值（key-value）”的建模关系“压缩”数据流。
要了解各种最佳实践，首先需要熟悉如下关键术语：
Message（消息）
Kafka中的一条记录或数据单位。每条消息都有一个键和对应的一个值，有时还会有可选的消息头。
Producer（生产者）
Producer将消息发布到Kafka的topics上。Producer决定向topic分区的发布方式，如：轮询的随机方法、或基于消息键（key）的分区算法。
Broker（代理）
Kafka以分布式系统或集群的方式运行，那么群集中的每个节点称为一个Broker。
Topic（主题）
Topic是那些被发布的数据记录或消息的一种类别。消费者通过订阅Topic来读取写给它们的数据。
Topic Partition（主题分区）
不同的Topic被分为不同的分区，而每一条消息都会被分配一个Offset，通常每个分区都会被复制至少一到两次。
每个分区都有一个Leader和存放在各个Follower上的一到多个副本（即：数据的副本），此法可防止某个Broker的失效。
群集中的所有Broker都可以作为Leader和Follower，但是一个Broker最多只能有一个Topic Partition的副本。Leader可被用来进行所有的读写操作。
Offset（偏移量）
单个分区中的每一条消息都被分配一个Offset，它是一个单调递增的整型数，可用来作为分区中消息的唯一标识符。
Consumer（消费者）
Consumer通过订阅Topic partition，来读取Kafka的各种Topic消息。然后，消费类应用处理会收到消息，以完成指定的工作。
Consumer group（消费组）
Consumer可以按照Consumer group进行逻辑划分。Topic Partition被均衡地分配给组中的所有Consumers。
因此，在同一个Consumer group中，所有的Consumer都以负载均衡的方式运作。
换言之，同一组中的每一个Consumer都能群组看到分配给他的相应分区的所有消息。如果某个Consumer处于“离线”状态的话，那么该分区将会被分配给同组中的另一个Consumer。这就是所谓的“再均衡（rebalance）”。
当然，如果组中的Consumer多于分区数，则某些Consumer将会处于闲置的状态。
相反，如果组中的Consumer少于分区数，则某些Consumer会获得来自一个以上分区的消息。
Lag（延迟）
当Consumer的速度跟不上消息的产生速度时，Consumer就会因为无法从分区中读取消息，而产生延迟。
延迟表示为分区头后面的Offset数量。从延迟状态（到“追赶上来”）恢复正常所需要的时间，取决于Consumer每秒能够应对的消息速度。
其公式如下：time=messages/(consume rate per second - produce rate per second)
1针对Partitions
1）了解分区的数据速率，以确保提供合适的数据保存空间
此处所谓“分区的数据速率”是指数据的生成速率。换言之，它是由“平均消息大小”乘以“每秒消息数”得出的数据速率决定了在给定时间内，所能保证的数据保存空间的大小（以字节为单位）。
如果你不知道数据速率的话，则无法正确地计算出满足基于给定时间跨度的数据，所需要保存的空间大小。
同时，数据速率也能够标识出单个Consumer在不产生延时的情况下，所需要支持的最低性能值。
2）除非有其他架构上的需要，否则在写Topic时请使用随机分区
在进行大型操作时，各个分区在数据速率上的参差不齐是非常难以管理的。
其原因来自于如下三个方面：
● 首先，“热”（有较高吞吐量）分区上的Consumer势必会比同组中的其他Consumer处理更多的消息，因此很可能会导致出现在处理上和网络上的瓶颈。● 其次，那些为具有最高数据速率的分区，所配置的最大保留空间，会导致Topic中其他分区的磁盘使用量也做相应地增长。
● 第三，根据分区的Leader关系所实施的最佳均衡方案，比简单地将Leader关系分散到所有Broker上，要更为复杂。在同一Topic中，“热”分区会“承载”10倍于其他分区的权重。
有关Topic Partition的使用，可以参阅《Kafka Topic Partition的各种有效策略》
参考链接：
https://blog.newrelic.com/engineering/effective-strategies-kafka-topic-partitioning/
2针对Consumers
3）如果Consumers运行的是比Kafka 0.10还要旧的版本，那么请马上升级
在0.8.x版中，Consumer使用Apache ZooKeeper来协调Consumer group，而许多已知的Bug会导致其长期处于再均衡状态，或是直接导致再均衡算法的失败（我们称之为“再均衡风暴”）。
因此在再均衡期间，一个或多个分区会被分配给同一组中的每个Consumer。
而在再均衡风暴中，分区的所有权会持续在各个Consumers之间流转，这反而阻碍了任何一个Consumer去真正获取分区的所有权。
4）调优Consumer的套接字缓冲区（socket buffers），以应对数据的高速流入
在Kafka的0.10.x版本中，参数receive.buffer.bytes的默认值为64KB。而在Kafka的0.8.x版本中，参数socket.receive.buffer.bytes的默认值为100KB。
这两个默认值对于高吞吐量的环境而言都太小了，特别是如果Broker和Consumer之间的网络带宽延迟积（bandwidth-delay product）大于局域网（local areanetwork，LAN）时。
对于延迟为1毫秒或更多的高带宽的网络（如10Gbps或更高），请考虑将套接字缓冲区设置为8或16MB。
如果内存不足，也至少考虑设置为1MB。当然，也可以设置为-1，它会让底层操作系统根据网络的实际情况，去调整缓冲区的大小。
但是，对于需要启动“热”分区的Consumers来说，自动调整可能不会那么快。
5）设计具有高吞吐量的Consumers，以便按需实施背压（back-pressure）
通常，我们应该保证系统只去处理其能力范围内的数据，而不要超负荷“消费”，进而导致进程中断“挂起”，或出现Consume group的溢出。
如果是在Java虚拟机（JVM）中运行，Consumers应当使用固定大小的缓冲区，而且最好是使用堆外内存（off-heap）。
请参见Disruptor模式：
http://lmax-exchange.github.io/disruptor/files/Disruptor-1.0.pdf
固定大小的缓冲区能够阻止Consumer将过多的数据拉到堆栈上，以至于JVM花费掉其所有的时间去执行垃圾回收，进而无法履行其处理消息的本质工作。
6）在JVM上运行各种Consumers时，请警惕垃圾回收对它们可能产生的影响
例如，长时间垃圾回收的停滞，可能导致ZooKeeper的会话被丢弃、或Consumer group处于再均衡状态。
对于Broker来说也如此，如果垃圾回收停滞的时间太长，则会产生集群掉线的风险。
3针对Producers
7）配置Producer，以等待各种确认
籍此Producer能够获知消息是否真正被发送到了Broker的分区上。在Kafka的0.10.x版本上，其设置是Acks；而在0.8.x版本上，则为request.required.acks。
Kafka通过复制，来提供容错功能，因此单个节点的故障、或分区Leader关系的更改不会影响到系统的可用性。
如果没有用Acks来配置Producer（或称“fireand forget”）的话，则消息可能会悄然丢失。
8）为各个Producer配置Retries
其默认值为3，当然是非常低的。不过，正确的设定值取决于你的应用程序，即：就那些对于数据丢失零容忍的应用而言，请考虑设置为Integer.MAX_VALUE（有效且最大）。
这样将能够应对Broker的Leader分区出现无法立刻响应Produce请求的情况。
9）为高吞吐量的Producer，调优缓冲区的大小
特别是buffer.memory和batch.size（以字节为单位）。由于batch.size是按照分区设定的，而Producer的性能和内存的使用量，都可以与Topic中的分区数量相关联。
因此，此处的设定值将取决于如下几个因素：
● Producer数据速率（消息的大小和数量）；● 要生成的分区数；
● 可用的内存量。
请记住，将缓冲区调大并不总是好事，如果Producer由于某种原因而失效了（例如，某个Leader的响应速度比确认还要慢），那么在堆内内存（on-heap）中的缓冲的数据量越多，其需要回收的垃圾也就越多。
10）检测应用程序，以跟踪诸如生成的消息数、平均消息大小、以及已使用的消息数等指标
4针对Brokers
11）在各个Brokers上，请压缩Topics所需的内存和CPU资源
日志压缩需要各个Broker上的堆栈（内存）和CPU周期都能成功地配合实现，而如果让那些失败的日志压缩数据持续增长的话，则会给Brokers分区带来风险。
请参见：
https://kafka.apache.org/documentation/#compaction
你可以在Broker上调整log.cleaner.dedupe.buffer.size和log.cleaner.threads这两个参数，但是请记住，这两个值都会影响到各个Brokers上的堆栈使用。
如果某个Broker抛出OutOfMemoryError异常，那么它将会被关闭、并可能造成数据的丢失。
而缓冲区的大小和线程的计数，则取决于需要被清除的Topic Partition数量、以及这些分区中消息的数据速率与密钥的大小。
对于Kafka的0.10.2.1版本而言，通过ERROR条目来监控日志清理程序的日志文件，是检测其线程可能出现问题的最可靠方法。
12）通过网络吞吐量来监控Brokers
请监控发向（transmit，TX）和收向（receive，RX）的流量，以及磁盘的I/O、磁盘的空间和CPU的使用率，而且容量规划是维护群集整体性能的关键步骤。
13）在群集的各个Brokers之间分配分区的Leader关系
Leader通常会需要大量的网络I/O资源。例如，当我们将复制因子（replication factor）配置为3、并运行起来时。
Leader必须首先获取分区的数据，然后将两套副本发送给另两个Followers，进而再传输到多个需要该数据的Consumers上。
因此在该例子中，单个Leader所使用的网络I/O，至少是Follower的四倍。而且，Leader还可能需要对磁盘进行读操作，而Follower只需进行写操作。
14）不要忽略监控Brokers的in-sync replica（ISR）shrinks、under-replicatedpartitions和unpreferred leaders
这些都是集群中潜在问题的迹象。例如，单个分区频繁出现ISR收缩，则暗示着该分区的数据速率超过了Leader的能力，已无法为Consumer和其他副本线程提供服务了。
15）按需修改Apache Log4j的各种属性
详细内容可以参考：
https://github.com/apache/kafka/blob/trunk/config/log4j.properties
Kafka的Broker日志记录会耗费大量的磁盘空间，但是我们却不能完全关闭它。
因为有时在发生事故之后，需要重建事件序列，那么Broker日志就会是我们最好的、甚至是唯一的方法。
16）禁用Topic的自动创建，或针对那些未被使用的Topics建立清除策略
例如，在设定的x天内，如果未出现新的消息，你应该考虑该Topic是否已经失效，并将其从群集中予以删除。此举可避免花时间去管理群集中被额外创建的元数据。
17）对于那些具有持续高吞吐量的Brokers，请提供足够的内存，以避免它们从磁盘子系统中进行读操作
我们应尽可能地直接从操作系统的缓存中直接获取分区的数据。然而，这就意味着你必须确保自己的Consumers能够跟得上“节奏”，而对于那些延迟的Consumer就只能强制Broker从磁盘中读取了。
18）对于具有高吞吐量服务级别目标（service level objectives，SLOs）的大型群集，请考虑为Brokers的子集隔离出不同的Topic
至于如何确定需要隔离的Topics，则完全取决于自己的业务需要。例如，你有一些使用相同群集的联机事务处理（multipleonline transaction processing，OLTP）系统。
那么将每个系统的Topics隔离到不同Brokers子集中，则能够有助于限制潜在事件的影响半径。
19）在旧的客户端上使用新的Topic消息格式。应当代替客户端，在各个Brokers上加载额外的格式转换服务
当然，最好还是要尽量避免这种情况的发生。
20）不要错误地认为在本地主机上测试好Broker，就能代表生产环境中的真实性能了
要知道，如果使用复制因子为1，并在环回接口上对分区所做的测试，是与大多数生产环境截然不同的。
在环回接口上网络延迟几乎可以被忽略的，而在不涉及到复制的情况下，接收Leader确认所需的时间则同样会出现巨大的差异。
二、总结
希望上述各项建议能够有助于大家更有效地去使用Kafka。如果你想提高自己在Kafka方面的专业知识，请进一步查阅Kafka配套文档中的“操作”部分，其中包含了有关操作群集等实用信息。
原文发布时间为：2018-11-21
本文作者：陈峻编译
