作為一個(gè)爬蟲工程師，Kafka 對(duì)你而言就是一個(gè)消息隊(duì)列，你只需要掌握如何向里面寫入數(shù)據(jù)，以及如何讀取數(shù)據(jù)就可以了。

[[285596]]

請(qǐng)謹(jǐn)記：使用 Kafka 很容易，但對(duì) Kafka 集群進(jìn)行搭建、維護(hù)與調(diào)優(yōu)很麻煩。Kafka 集群需要有專人來(lái)維護(hù)，不要以為你能輕易勝任這個(gè)工作。”本文，以及接下來(lái)的幾篇針對(duì) Kafka 的文章，我們面向的對(duì)象都是爬蟲工程師或者僅僅需要使用 Kafka 的讀者。關(guān)于 Kafka 更深入的底層細(xì)節(jié)與核心原理，不在我們的討論范圍中。為了解釋方便，文章中對(duì) Kafka 的一些術(shù)語(yǔ)會(huì)使用一些不太準(zhǔn)確但能表明意思的類比。如果你需要在面試中解釋這些術(shù)語(yǔ)，還請(qǐng)閱讀Kafka 的官方文檔。

今天我們要討論的一個(gè)話題是，Kafka 是如何做到，對(duì)單個(gè)程序的多個(gè)進(jìn)程而言，能持續(xù)消費(fèi)，斷點(diǎn)續(xù)傳和并行消費(fèi);對(duì)多個(gè)程序而言又互不影響，各自獨(dú)立。

一個(gè) Kafka 可以有多個(gè)不同的隊(duì)列，我們把這個(gè)隊(duì)列叫做Topic，假設(shè)其中一個(gè)隊(duì)列如下圖所示：

信息從右邊進(jìn)去，從左邊出來(lái)。如果這是Redis 的列表，那么它彈出一條信息以后，隊(duì)列會(huì)變成下面這樣：

最左邊的信息1不見了。所以即使程序在消費(fèi)了信息1后立刻關(guān)閉，再重新打開，程序也會(huì)接著從信息2開始消費(fèi)，不會(huì)把信息1重復(fù)消費(fèi)兩次。

但我如果有兩個(gè)程序呢?程序1讀取每一條數(shù)據(jù)，再轉(zhuǎn)存到數(shù)據(jù)庫(kù)。程序2讀取每一條數(shù)據(jù)，再檢查是否有關(guān)鍵詞。這種情況下，信息1應(yīng)該能被程序1消費(fèi)，也能被程序2消費(fèi)。但上面這種方案顯然是不行的。當(dāng)程序1消費(fèi)了信息1，程序2就再也拿不到它了。

所以，在 Kafka 里面，信息會(huì)停留在隊(duì)列里面，但對(duì)每一個(gè)程序來(lái)說，有一個(gè)單獨(dú)的記號(hào)，來(lái)記錄當(dāng)前消費(fèi)到了哪一條數(shù)據(jù)，如下圖所示。

當(dāng)程序1要讀取 Kafka 里面下一條數(shù)據(jù)時(shí)，Kafka 先把當(dāng)前位置的標(biāo)記向右移動(dòng)一位，把新的這個(gè)值返回出來(lái)。標(biāo)記移動(dòng)與返回這兩個(gè)操作合在一起算是一個(gè)原子操作，不會(huì)出現(xiàn)重復(fù)讀取的問題。

程序1與程序2使用的是不同的標(biāo)記，所以各自的標(biāo)記指向哪個(gè)值，是互不影響的。

當(dāng)增加一個(gè)程序3的時(shí)候，只需要再加一個(gè)標(biāo)記即可。新的這個(gè)標(biāo)記也不受前兩個(gè)標(biāo)記的影響。

這就實(shí)現(xiàn)了在多個(gè)不同的程序讀取 Kafka 時(shí)，各自互不影響。

現(xiàn)在如果你覺得程序1消費(fèi)太慢了，把程序1同時(shí)運(yùn)行了3次，那么由于標(biāo)記和移位是原子操作，即使你看起來(lái)程序是同時(shí)去讀取 Kafka，但在內(nèi)部 Kafka 也會(huì)對(duì)他們進(jìn)行“排隊(duì)”，從而使得他們返回的結(jié)果不重復(fù)，不遺漏。

如果你在網(wǎng)上看 Kafka 的教程，你會(huì)發(fā)現(xiàn)他們提到了一個(gè)叫做 Offset 的東西，實(shí)際上就是本文所說的各個(gè)程序里面指向當(dāng)前數(shù)據(jù)的標(biāo)記。

你還會(huì)看到一個(gè)關(guān)鍵詞叫做Group，實(shí)際上對(duì)應(yīng)到本文的程序1，程序2和程序3。

對(duì)同一個(gè)隊(duì)列，如果多個(gè)程序使用不同的Group消費(fèi)，那么他們讀取的數(shù)據(jù)就互不干擾。

對(duì)同一個(gè)隊(duì)列，相同 Group 的多個(gè)進(jìn)程在消費(fèi)數(shù)據(jù)時(shí)，看起來(lái)就像是在對(duì) Redis 進(jìn)行 lpop 操作一樣。

最后，你在網(wǎng)上關(guān)于 Kafka 的文章里面，一定會(huì)看到一個(gè)詞叫做Paritition或者中文分片。而且你會(huì)發(fā)現(xiàn)你無(wú)法理解這個(gè)東西。

沒關(guān)系，忘記它吧。你只需要知道，一個(gè) Topic 有多少個(gè) Partition，那么你最多能啟動(dòng)多少個(gè)進(jìn)程讀取同一個(gè) Group。——如果一個(gè)Topic有3個(gè)Partition，那么你只能最多開3個(gè)進(jìn)程同時(shí)讀相同的 Group。Topic如果有5個(gè)Partition，那么你只能最多開5個(gè)進(jìn)程讀同一個(gè) Group。