370 lines
20 KiB
Markdown
370 lines
20 KiB
Markdown
---
|
||
tags: [MQ]
|
||
create time: 2026-05-24 19:52
|
||
---
|
||
|
||
# Kafka 存储设计
|
||
|
||
## 概述
|
||
|
||
Kafka 的高吞吐能力不仅来自"顺序写盘"和"零拷贝"等通用优化，更源于其精心设计的存储结构：Partition Log 的分段存储、稀疏索引、日志压缩，以及内部定时任务调度所用的时间轮。本文深入 Kafka 存储层的每一个关键设计，帮你理解"为什么 Kafka 这么快"。
|
||
|
||
## 正文
|
||
|
||
### Partition Log 的整体结构
|
||
|
||
Kafka 的存储层次可以概括为：**Topic → Partition → Segment**。每个 Partition 是一个有序的、不可变的消息序列，底层由多个 Segment 文件组成。
|
||
|
||
一个 Partition 目录下的典型文件结构：
|
||
|
||
```
|
||
partition-0/
|
||
├── 00000000000000000000.log # 第一个 Segment 的消息数据
|
||
├── 00000000000000000000.index # 稀疏偏移索引
|
||
├── 00000000000000000000.timeindex # 时间戳索引
|
||
├── 00000000000000523840.log # 第二个 Segment（起始 offset = 523840）
|
||
├── 00000000000000523840.index
|
||
├── 00000000000000523840.timeindex
|
||
└── ...
|
||
```
|
||
|
||
文件名是该 Segment 的 **base offset**（起始偏移量）。当 Segment 达到配置的大小或时间阈值时，Kafka 会"滚动"出一个新的 Segment。
|
||
|
||
### 消息物理格式：RecordBatch 与 Record
|
||
|
||
`.log` 文件中存储的不是裸消息，而是经过精心设计的二进制格式。Kafka 0.11+ 引入了 **RecordBatch** 结构——一个 Batch 包含多条 Record，整体写入 `.log` 文件：
|
||
|
||
```mermaid
|
||
graph LR
|
||
subgraph "RecordBatch"
|
||
BH["Batch Header<br/>BaseOffset + Length + ..."]
|
||
R1["Record 0"]
|
||
R2["Record 1"]
|
||
R3["Record 2"]
|
||
end
|
||
|
||
BH --> R1 --> R2 --> R3
|
||
|
||
style BH fill:#4A90D9,color:#fff
|
||
```
|
||
|
||
**RecordBatch Header** 的关键字段：
|
||
|
||
| 字段 | 大小 | 说明 |
|
||
|------|------|------|
|
||
| `BaseOffset` | 8B | 该 Batch 的起始 offset |
|
||
| `Length` | 4B | 整个 Batch 的字节长度 |
|
||
| `PartitionLeaderEpoch` | 4B | 用于检测 Leader 切换，防止过期数据写入 |
|
||
| `Magic` | 1B | 格式版本号（v2 = 0x02） |
|
||
| `CRC` | 4B | 整个 Batch 的校验和（CRC-32C），检测数据损坏 |
|
||
| `MaxTimestamp` | 8B | Batch 中最大的消息时间戳，用于基于时间的索引和清理 |
|
||
| `LastOffsetDelta` | 4B | 最后一条 Record 相对 BaseOffset 的偏移 |
|
||
| `RecordCount` | 2B | Batch 中 Record 的数量 |
|
||
|
||
每条 **Record** 的结构更为紧凑：
|
||
|
||
```
|
||
┌──────────────────────────────────────────┐
|
||
│ Length (varint) │
|
||
│ Attributes (1B) │
|
||
│ Timestamp Delta (varint) │ ← 相对于 Batch 的 MaxTimestamp
|
||
│ Offset Delta (varint) │ ← 相对于 Batch 的 BaseOffset
|
||
│ Key Length (varint) + Key │
|
||
│ Value Length (varint) + Value │
|
||
│ Headers Count + Headers[] │
|
||
└──────────────────────────────────────────┘
|
||
```
|
||
|
||
> [!question] 思考
|
||
> 为什么 Kafka 要把多条消息打包成 RecordBatch，而不是每条消息独立存储？提示：想想网络传输、磁盘 I/O 和 CRC 校验三个维度。
|
||
|
||
两个关键设计思想：
|
||
|
||
1. **增量编码**：每条 Record 的 offset 和 timestamp 只存**相对于 Batch 头的增量**（varint 编码），而非绝对值。消息越密集，增量越小，varint 编码字节数越少——典型场景下一条 Record 的元数据开销只有 5-6 字节。
|
||
2. **整体验校验**：CRC-32C 覆盖整个 Batch 而非单条消息，减少了校验和的存储和计算开销，同时仍然能检测出任何位置的数据损坏。
|
||
|
||
```mermaid
|
||
graph TD
|
||
T["Topic: orders"] --> P0["Partition 0"]
|
||
T --> P1["Partition 1"]
|
||
T --> P2["Partition 2"]
|
||
|
||
P0 --> S1["Segment 0<br/>base offset = 0"]
|
||
P0 --> S2["Segment 1<br/>base offset = 523840"]
|
||
P0 --> S3["Segment 2<br/>base offset = 1048576"]
|
||
|
||
S1 --> L1["00000.log"]
|
||
S1 --> I1["00000.index"]
|
||
S1 --> TI1["00000.timeindex"]
|
||
|
||
S2 --> L2["523840.log"]
|
||
S2 --> I2["523840.index"]
|
||
S2 --> TI2["523840.timeindex"]
|
||
|
||
style T fill:#4A90D9,color:#fff
|
||
style P0 fill:#6EC1E0,color:#fff
|
||
style P1 fill:#6EC1E0,color:#fff
|
||
style P2 fill:#6EC1E0,color:#fff
|
||
```
|
||
|
||
> [!question] 思考
|
||
> 为什么不把整个 Partition 写成一个巨大的日志文件，而要拆分成多个 Segment？
|
||
|
||
### 分段存储策略
|
||
|
||
Segment 滚动的触发条件有两个（满足任一即滚动）：
|
||
|
||
- **按大小**：默认 1GB（`log.segment.bytes`）
|
||
- **按时间**：默认 7 天（`log.roll.ms` / `log.roll.hours`）
|
||
|
||
分段的好处是多方面的：
|
||
|
||
1. **快速定位**：消费者只需根据 offset 找到对应 Segment，再在小文件内查找，而不是在一个 TB 级大文件中扫描。
|
||
2. **高效清理**：过期数据直接删除整个 Segment 文件，无需逐条标记删除或做 compaction。
|
||
3. **并行 I/O**：不同 Segment 可以被不同的消费者线程并发读取。
|
||
|
||
### 稀疏索引（Sparse Index）
|
||
|
||
Kafka 不是每条消息都建索引——那会带来巨大的存储和维护开销。它采用**稀疏索引**：每隔一定字节（默认 4KB，由 `log.index.interval.bytes` 控制）才记录一条索引项，格式为 `offset → 文件物理位置`。
|
||
|
||
当消费者需要查找某个 offset 的消息时，流程如下：
|
||
|
||
1. 在 `.index` 文件中用**二分查找**找到不大于目标 offset 的最近索引项。
|
||
2. 从该索引项指向的物理位置开始，在 `.log` 文件中**顺序扫描**直到找到目标 offset。
|
||
|
||
因为索引本身是有序的，二分查找效率为 O(log N)；而顺序扫描的范围通常只有几条消息（4KB 内），开销极小。这种设计用极少的索引空间换来了接近 O(1) 的查找性能。
|
||
|
||
**索引加载机制**：`.index` 文件通过 **mmap** 映射到内存——Broker 启动或打开 Segment 时，并不读取整个索引文件，而是将其映射到虚拟地址空间。首次访问某页时触发缺页中断加载数据，之后的查找操作完全在内存中完成。索引文件默认最大 10MB（`log.index.size.max.bytes`），对于 1GB 的 Segment 只占约 1% 的额外空间。
|
||
|
||
**时间戳索引（`.timeindex`）**：与 `.index` 按 offset 建索引不同，`.timeindex` 记录的是 `timestamp → offset` 的映射。当消费者使用 `offsetsForTimes()` API（即"从某个时间点开始消费"）时，Kafka 先在 `.timeindex` 中二分查找目标时间戳对应的 offset，再通过 `.index` 定位物理位置。`MaxTimestamp` 字段（RecordBatch Header 中）使得整个 Batch 只需一个时间戳条目，索引开销极低。
|
||
|
||
### 日志压缩（Log Compaction）
|
||
|
||
普通的消息保留策略是按时间或大小删除过期 Segment。但 Kafka 还提供了另一种策略——**Log Compaction**：保留每个 Key 的最后一条消息，删除之前的旧版本。
|
||
|
||
工作原理：
|
||
|
||
- Log Compaction 由 Cleaner 线程在后台执行。
|
||
- Cleaner 为每个 Key 维护一个"最新 offset"映射，只保留最新消息。
|
||
- 清理后的 Segment 中，每个 Key 只有一条记录。
|
||
- Consumer 从头消费时，仍然能拿到每个 Key 的最新状态。
|
||
|
||
**典型场景**：变更数据捕获（CDC）、状态快照同步。比如数据库的一张用户表，每次更新都发一条消息到 Kafka（Key = userId），下游系统通过 Log Compaction 拿到的就是每个用户的最新状态。
|
||
|
||
**Tombstone 记录**：如果想在 Compacted Topic 中**删除**某个 Key 的所有记录，Producer 需要发送一条 `value = null` 的消息（称为 Tombstone）。Cleaner 会先保留这条 Tombstone 一段时间（由 `log.cleaner.delete.retention.ms` 控制，默认 24 小时），之后才彻底清除该 Key 的所有痕迹。如果直接不发 Tombstone 而只是停止写入，Compaction 会永远保留该 Key 的最后一条有效消息。
|
||
|
||
**关键配置**：`log.cleaner.min.compaction.lag.ms`（默认 0）控制一条消息写入后至少保留多久才能被 Compaction 清理。这在"先写入后立即回读"的场景中非常重要——防止刚写入的消息还没被消费者读到就被清理了。
|
||
|
||
> [!question] 思考
|
||
> Log Compaction 保证的是"每个 Key 至少保留最新一条"，但如果有两个 Key 相同的消息几乎同时到达，Compaction 会保留哪条？
|
||
|
||
### 数据保留策略（Retention Policy）
|
||
|
||
除了 Log Compaction，Kafka 最常用的过期数据清理方式是**基于时间和大小的删除策略**。每个 Topic 可以独立配置：
|
||
|
||
- **`log.retention.hours`**（默认 168 小时 = 7 天）：消息保留的最大时间。超过该时间的 Segment 会被标记删除。
|
||
- **`log.retention.bytes`**（默认 -1，即不限制）：每个 Partition 的最大保留大小。超出时从最旧的 Segment 开始删除。
|
||
|
||
两者是**或**的关系——任一条件触发就会执行清理。
|
||
|
||
Topic 的清理行为由 **`cleanup.policy`** 控制，有三个取值：
|
||
|
||
| 值 | 行为 | 适用场景 |
|
||
|---|---|---|
|
||
| `delete`（默认） | 按时间和大小删除过期 Segment | 大多数业务消息 |
|
||
| `compact` | 保留每个 Key 的最新消息 | CDC、状态快照 |
|
||
| `compact,delete` | 先 Compaction 再按时间删除 | 需要 Compaction 但也想限制历史深度 |
|
||
|
||
### `__consumer_offsets`：Consumer Offset 的存储
|
||
|
||
消费者提交的 offset 存在哪里？Kafka 把它存在一个**内置 Topic** `__consumer_offsets` 中（默认 50 个 Partition）。这个 Topic 有两个有趣的特性：
|
||
|
||
1. **使用 Compaction 策略**：每个 Key（格式为 `groupId + topic + partition`）只保留最新的 offset 值，历史提交自动被清理。
|
||
2. **内部 Topic，不对外暴露**：消费者通过 `OffsetCommit` / `OffsetFetch` 请求间接读写它，不需要直接 produce/consume。
|
||
|
||
**Partition 路由**：一个消费者组的 offset 存储在哪个 Partition 中？Kafka 对 `groupId` 做哈希取模：`hash(groupId) % 50`。这保证了同一消费者组的所有 Topic-Partition 的 offset 都集中在同一个 `__consumer_offsets` Partition 上，便于事务性地批量提交和拉取。
|
||
|
||
> [!question] 思考
|
||
> 如果 `__consumer_offsets` 使用 `delete` 策略而不是 `compact`，会导致什么问题？
|
||
|
||
> [!tip] 答案
|
||
> 如果使用 `delete` 策略，当消费者组长时间不活跃（超过 `offsets.retention.minutes`，默认 10080 分钟 = 7 天），其提交的 offset 记录会被删除。当该消费者组重新上线时，找不到之前的消费位置，只能根据 `auto.offset.reset` 策略从头消费（`earliest`）或跳到最新（`latest`）——前者导致大量重复消费，后者导致消息丢失。`compact` 策略保证每个 Key 的最新 offset 永远不会被删除，除非该消费者组被显式废弃。
|
||
|
||
### 时间轮（Timing Wheel）
|
||
|
||
Kafka 内部有大量的定时任务：延迟消息、会话过期、日志清理等。如果每个定时任务都开一个 goroutine（或 Java 的 Timer），任务数多了之后，调度开销会非常大。
|
||
|
||
Kafka 使用**层级时间轮（Hierarchical Timing Wheel）**来高效管理定时任务：
|
||
|
||
- 时间轮是一个环形数组，每个槽位（slot）代表一个时间区间。
|
||
- 新任务根据到期时间插入对应槽位。
|
||
- 时钟每推进一个 tick，处理当前槽位的所有任务。
|
||
- 当低层时间轮溢出时（即任务的到期时间超出了当前层的总跨度），任务会被"提升"到上层时间轮的某个槽位；随着时钟推进，上层的任务到期时会被重新分配到下层的精确槽位中。
|
||
|
||
时间轮的插入和删除都是 O(1) 操作——新任务只需计算目标槽位（`currentTime / tickDuration % wheelSize`），直接链表插入；远优于优先队列的 O(log N)。
|
||
|
||
```mermaid
|
||
graph TD
|
||
TW["时间轮"] --> L1["第一层: 每槽位 1ms, 共 20 槽位"]
|
||
TW --> L2["第二层: 每槽位 20ms, 共 20 槽位"]
|
||
TW --> L3["第三层: 每槽位 400ms, 共 20 槽位"]
|
||
|
||
L1 --> SLOT1["slot 0: 任务 A"]
|
||
L1 --> SLOT2["slot 5: 任务 B"]
|
||
L2 --> SLOT3["slot 3: 任务 C"]
|
||
|
||
style TW fill:#4A90D9,color:#fff
|
||
style L1 fill:#6EC1E0,color:#fff
|
||
style L2 fill:#F5A623,color:#fff
|
||
style L3 fill:#D0021B,color:#fff
|
||
```
|
||
|
||
### 页缓存与 Sendfile：读写路径中的内核级优化
|
||
|
||
Kafka 的读写路径深度依赖 Linux 内核的两个能力：
|
||
|
||
**写入路径**：Producer 发来的消息写入 Page Cache（内存），由内核异步刷盘。应用层不调用 `fsync`，写入延迟极低。多个 Partition 的写入共享 Page Cache，操作系统会自动管理缓存淘汰。
|
||
|
||
**读取路径**：Consumer 拉取消息时，Kafka 通过 `sendfile` 系统调用直接将 Page Cache 中的数据传输到网卡，**数据完全不经过用户空间**。这意味着：
|
||
|
||
- 没有用户态/内核态的上下文切换
|
||
- 没有内存拷贝
|
||
- 大量 Consumer 并发拉取时，CPU 开销几乎不增长
|
||
|
||
这就是为什么 Kafka 在普通硬件上就能达到百万级 TPS 的核心秘密——它把操作系统的缓存和网络能力用到了极致。
|
||
|
||
> [!question] 思考
|
||
> 如果 Kafka Broker 的内存足够大，Page Cache 能缓存大量数据。但如果消费者需要回溯到很早的消息（不在 Page Cache 中），会发生什么？性能会下降多少？
|
||
|
||
### Clean Shutdown 与 Recovery
|
||
|
||
Kafka 默认采用**异步刷盘**（`log.flush.interval.messages` 和 `log.flush.interval.ms` 控制），这意味着 Page Cache 中可能还有未落盘的数据。Broker 关闭或崩溃时的恢复机制至关重要：
|
||
|
||
**Clean Shutdown**（正常关闭）：Broker 收到 SIGTERM 时，会：
|
||
1. 停止接受新的 Produce/Fetch 请求
|
||
2. 将所有 Active Segment 的 Page Cache 数据 **flush 到磁盘**
|
||
3. 写入 `recovery-point-offset-checkpoint` 文件（记录每个 Partition 已成功刷盘的最新 offset）
|
||
4. 关闭所有文件句柄
|
||
|
||
**Unclean Recovery**（崩溃恢复）：如果 Broker 异常终止（SIGKILL、断电），恢复时需要：
|
||
1. 读取上次保存的 `recovery-point-offset-checkpoint`
|
||
2. 对每个 Partition，从 checkpoint 记录的 offset 开始，逐条验证 RecordBatch 的 CRC-32C 校验和
|
||
3. 截断最后一个 CRC 校验失败的 RecordBatch 之后的所有数据
|
||
4. 重建 `.index` 和 `.timeindex`（从 `.log` 文件扫描生成）
|
||
|
||
> [!tip] 实用建议
|
||
> 在生产环境中，如果 `unclean.leader.election.enable=false`（默认），那么当一个 Partition 的所有同步副本（ISR）都宕机时，该 Partition 不会自动恢复服务。虽然这保证了数据一致性，但会导致分区不可用。需要在**数据安全**和**可用性**之间做出权衡。
|
||
|
||
### Go 代码：简化版 Segment 文件的读写
|
||
|
||
下面展示一个简化版的 Segment 文件实现，包含日志文件和稀疏索引的写入与查找。
|
||
|
||
```go
|
||
type Segment struct {
|
||
baseOffset int64
|
||
logFile *os.File
|
||
indexFile *os.File
|
||
index []indexEntry // 内存中的稀疏索引
|
||
writePos int64 // 当前写入位置（避免每次调用 stat.Size()）
|
||
nextOffset int64 // 下一条消息的 offset
|
||
}
|
||
|
||
type indexEntry struct {
|
||
offset int64 // 消息的逻辑偏移量
|
||
position int32 // 消息在 .log 文件中的物理位置
|
||
}
|
||
|
||
// Write 追加一条消息到 Segment
|
||
func (s *Segment) Write(data []byte) error {
|
||
pos := s.writePos
|
||
|
||
// Length-Prefix 编码写入日志文件: [4字节长度][数据]
|
||
header := make([]byte, 4+len(data))
|
||
binary.BigEndian.PutUint32(header[:4], uint32(len(data)))
|
||
copy(header[4:], data)
|
||
if _, err := s.logFile.Write(header); err != nil {
|
||
return err
|
||
}
|
||
s.writePos += int64(4 + len(data))
|
||
|
||
// 稀疏索引：每隔一定字节写入一条索引项
|
||
// 简化演示：每隔 4 条消息写一条索引（实际 Kafka 按字节间隔）
|
||
if len(s.index) == 0 || s.nextOffset-s.index[len(s.index)-1].offset >= 4 {
|
||
entry := indexEntry{offset: s.nextOffset, position: int32(pos)}
|
||
s.index = append(s.index, entry)
|
||
// 同步写入 .index 文件（每条 12 字节 = 8 offset + 4 position）
|
||
buf := make([]byte, 12)
|
||
binary.BigEndian.PutUint64(buf[:8], uint64(s.nextOffset))
|
||
binary.BigEndian.PutUint32(buf[8:], uint32(pos))
|
||
s.indexFile.Write(buf)
|
||
}
|
||
s.nextOffset++
|
||
return nil
|
||
}
|
||
|
||
// Read 根据 offset 查找并读取消息
|
||
func (s *Segment) Read(offset int64) ([]byte, error) {
|
||
// 第一步：二分查找稀疏索引，找到不大于目标 offset 的最近索引项
|
||
idx := sort.Search(len(s.index), func(i int) bool {
|
||
return s.index[i].offset > offset
|
||
}) - 1
|
||
|
||
var startPos int32
|
||
var scanOffset int64
|
||
if idx >= 0 {
|
||
startPos = s.index[idx].position
|
||
scanOffset = s.index[idx].offset // 从索引记录的 offset 开始扫描
|
||
} else {
|
||
scanOffset = s.baseOffset // 没找到索引则从头开始
|
||
}
|
||
|
||
// 第二步：从索引位置开始顺序扫描 .log 文件，逐条对比 offset
|
||
pos := int64(startPos)
|
||
for scanOffset <= offset {
|
||
header := make([]byte, 4)
|
||
if _, err := s.logFile.ReadAt(header, pos); err != nil {
|
||
return nil, err
|
||
}
|
||
length := binary.BigEndian.Uint32(header)
|
||
if scanOffset == offset {
|
||
data := make([]byte, length)
|
||
s.logFile.ReadAt(data, pos+4)
|
||
return data, nil
|
||
}
|
||
pos += int64(4 + length) // 跳到下一条消息
|
||
scanOffset++
|
||
}
|
||
return nil, fmt.Errorf("offset %d not found", offset)
|
||
}
|
||
```
|
||
|
||
**核心要点**：写入时不是每条消息都建索引（稀疏索引），读取时先二分查找索引再顺序扫描——用极小的索引空间和极少的扫描范围实现高效定位。
|
||
|
||
> [!question] 思考
|
||
> Kafka 的 Segment 为什么要同时维护 .log 和 .index 两个文件？只用 .log 行不行？
|
||
|
||
答案是：**理论上行，但实践中代价太大**。如果只用 .log，消费者查找某个 offset 的消息时，必须从 Segment 头部开始顺序扫描，时间复杂度为 O(N)。在消息量巨大的场景下（单 Segment 可达 1GB、数百万条消息），这会严重拖慢消费速度。稀疏索引将查找降为 O(log N) 的二分 + 少量顺序扫描，代价只是每个 Segment 多几 KB 的索引文件，性价比极高。此外，`.timeindex` 文件支持按时间戳查找消息（用于"从某时刻开始消费"的场景），仅靠 `.log` 文件无法高效实现。
|
||
|
||
### 存储相关配置参数速查
|
||
|
||
| 参数 | 默认值 | 说明 |
|
||
|------|--------|------|
|
||
| `log.segment.bytes` | 1 GB | 单个 Segment 的最大大小，达到后滚动新 Segment |
|
||
| `log.roll.ms` / `log.roll.hours` | 7 天 | 即使 Segment 未满，超过该时间也会滚动 |
|
||
| `log.index.size.max.bytes` | 10 MB | 单个 `.index` 文件的最大大小 |
|
||
| `log.index.interval.bytes` | 4 KB | 稀疏索引的写入间隔（每隔多少字节写一条索引） |
|
||
| `log.retention.hours` | 168 (7天) | 消息最大保留时间 |
|
||
| `log.retention.bytes` | -1 (不限) | 每个 Partition 的最大保留大小 |
|
||
| `cleanup.policy` | delete | Topic 级清理策略：delete / compact / compact,delete |
|
||
| `log.cleaner.min.compaction.lag.ms` | 0 | 消息写入后至少保留多久才能被 Compaction |
|
||
| `log.cleaner.delete.retention.ms` | 24 小时 | Tombstone 记录的保留时间 |
|
||
| `offsets.retention.minutes` | 10080 (7天) | Consumer Group 不活跃后 offset 的保留时间 |
|
||
|
||
## 关联笔记
|
||
|
||
- [[04-存储引擎/8-MQ-存储引擎设计|MQ 存储引擎设计]]
|
||
- [[04-存储引擎/10-RocketMQ-CommitLog|RocketMQ CommitLog]]
|
||
- [[07-主流MQ对比/22-Kafka|Kafka]]
|
||
- [[10-监控与运维/40-MQ-性能调优|MQ 性能调优]]
|
||
- [[12-架构与实战/50-MQ-设计与实现|MQ 设计与实现]]
|