1、外部数据是怎样的接入到kafka的？

外部数据接入到kafka的流程示意图：

（1）接入数据流程

（1）producer先从broker-list的节点中找到该partition的leader；

（2）然后producer将消息发送给作为leader的partition；

（3）leader收到消息后，将消息写入本地log；

（4）followers从leader中pull消息，实现replication的副本备份机制，同样写入本地log；

（5）replication写入本地log后向leader发送ack（确认）；

（6）leader收到所有的replication的ack之后，向producer发送ack；

（7）producer收到leader的ack，证明生产的数据已被kafka成功写入。

（2）kafka的ack应答机制（request.requred.acks中修改ack值）

ack = 0：producer不等待broker中leader的ack；broker接收消息后如果还没写入本地log，broker就发生故障，可能会丢失数据；

ack = 1：producer等待leader的ack，但是不等待replication的ack；这样partition的leader消息落盘成功后返回ack，但是在follwer备份成功之前若leader发生故障，也会丢失数据；延迟时间短但是可靠性低；

ack = -1：producer等待leader和replication的ack，这样只有等leader中partition消息落盘成功，并且follower中replication消息备份落盘成功，才会给producer返回ack，数据一般不会丢失，延迟时间长但是可靠性高。

2、kafka的数据存储

（1）kafka的重要概念

• Broker：消息中间件处理结点，一个Kafka节点就是一个broker，多个broker可以组成一个Kafka集群；

• Topic：一类消息，例如page

• view日志、click日志等都可以以topic的形式存在，Kafka集群能够同时负责多个topic的分发；

• Partition：topic物理上的分组，一个topic可以分为多个partition，每个partition是一个有序的队；

• Segment：每个partition又由多个segment file组成；

• offset：每个partition都由一系列有序的、不可变的消息组成，这些消息被连续的追加到partition中。partition中的每个消息都有一个连续的***叫做offset，用于partition唯一标识一条消息；

• message：这个算是kafka文件中最小的存储单位，即是 a commit log。
  kafka的message是以topic为基本单位，不同topic之间是相互独立的。每个topic又可分为几个不同的partition，每个partition存储一部的分message。topic与partition的关系如下：
  

其中，partition是以文件夹的形式存储在具体Broker本机上。

（2）partition中的数据文件

（2-1） segment中的文件

对于一个partition（在Broker中以文件夹的形式存在），里面又有很多大小相等的segment数据文件（这个文件的具体大小可以在config/server.properties中进行设置），这种特性可以方便old segment file的快速删除。

下面先介绍一下partition中的segment file的组成：

segment file 组成：由2部分组成，分别为index file和data file，这两个文件是一一对应的，后缀”.index”和”.log”分别表示索引文件和数据文件；
segment file 命名规则：partition的第一个segment从0开始，后续每个segment文件名为上一个segment文件最后一条消息的offset,ofsset的数值最大为64位（long类型），20位数字字符长度，没有数字用0填充。如下图所示：

关于segment file中index与data file对应关系图，这里我们选用网上的一个图片，如下所示：

segment的索引文件中存储着大量的元数据，数据文件中存储着大量消息，索引文件中的元数据指向对应数据文件中的message的物理偏移地址。以索引文件中的3，497为例，在数据文件中表示第3个message（在全局partition表示第368772个message），以及该消息的物理偏移地址为497。

注：Partition中的每条message由offset来表示它在这个partition中的偏移量，这个offset并不是该Message在partition中实际存储位置，而是逻辑上的一个值（如上面的3），但它却唯一确定了partition中的一条Message（可以认为offset是partition中Message的id）。

（2-2） message文件

message中的物理结构为：

（2-3） 数据文件的内部实现方法

Partition数据文件包含了若干上述格式的message，按照offset由小到大排列在一起，它实现的类是FileMessageSet，类图如下：

它的主要方法如下：

• append: 把给定的ByteBufferMessageSet中的Message写入到这个数据文件中。
• searchFor: 从指定的startingPosition开始搜索，找到第一个Message判断其offset是大于或者等于指定的offset，并返回其在文件中的位置 - - Position。它的实现方式是从startingPosition开始读取12个字节，分别是当前MessageSet的offset和size。如果当前offset小于指定的offset，那么将position向后移动LogOverHead+MessageSize（其中 - LogOverHead为offset+messagesize，为12个字节）。
• read：准确名字应该是slice，它截取其中一部分返回一个新的FileMessageSet。它不保证截取的位置数据的完整性。
• sizeInBytes: 表示这个FileMessageSet占有了多少字节的空间。
• truncateTo: 把这个文件截断，这个方法不保证截断位置的Message的完整性。
• readInto: 从指定的相对位置开始把文件的内容读取到对应的ByteBuffer中。

3、参考资料

Kafka的数据生产——数据写入流程 & 提高kafka的消费速率：
https://blog.****.net/wx1528159409/article/details/88663974

kafka接入学习：https://blog.****.net/u014001866/article/details/50971098