怎么自己做网站怎么赚钱,网站建设用什么字体,营销推广内容,国际电商平台排行榜前十名前面介绍过#xff0c;KafkaProducer可以有同步和异步两种方式发送消息#xff0c;其实两者的底层实现相同#xff0c;都是通过异步方式实现的。
主线程调用KafkaProducer.send方法发送消息的时候#xff0c;先将消息放到RecordAccumulator中暂存#xff0c;然后主线程就…前面介绍过KafkaProducer可以有同步和异步两种方式发送消息其实两者的底层实现相同都是通过异步方式实现的。
主线程调用KafkaProducer.send方法发送消息的时候先将消息放到RecordAccumulator中暂存然后主线程就可以从send方法中返回了此时消息并没有真正地发送给Kafka,而是缓存在了RecordAccumulator中。
之后业务线程通过KafkaProducer.send()方法不断向RecordAccumulator追加消息当达到一定的条件会唤醒Sender线程发送RecordAccumulator中的消息。
下面我们就来介绍RecordAccumulator的结构。
首先需要注意的是RecordAccumulator至少有一个业务线程和一个Sender线程并发操作所以必须是线程安全的。
RecordAccumulator中有一个以TopicPartition为key的ConcurrentMap,每个value是ArrayDeque(ArrayDeque并不是线程安全的集合),其中缓存了发往对应TopicPartition的消息。
每个RecordBatch拥有一个MemoryRecords对象的引用。
MemoryRecords才是消息最终存放的地方。
这三个类的依赖关系如图所示。 MemoryRecords
大体了解了RecordAccumulator的结构之后我们就从最底层的MemoryRecords开始分析。
MemoryRecords表示的是多个消息的集合其中封装了Java NIO ByteBuffer用来保存消息数据Compressor用于对ByteBuffer中的消息进行压缩以及其他控制字段。 如图(左)所示有四个字段比较重要简单介绍一下。
buffer:用于保存消息数据的Java NIO ByteBuffer。writeLimit:记录buffer字段最多可以写入多少个字节的数据。compressor:压缩器对消息数据进行压缩将压缩后的数据输出到buffer。writable:此MemoryRecords对象是只读的模式还是可写模式。在MemoryRecords发送前时会将其设置成只读模式。
在Compressor比较重要的字段和方法如图(右)所示有两个输出流类型的字段分别是bufferStream和appendStream。
前者是在buffer上建立的ByteBufferOutputStream(Kafka自己提供的实现)对象ByteBufferOutputStream继承了java.io.OutputStream,封装了ByteBuffer,当写入数据超出ByteBuffer容量时ByteBufferOutputStream会进行自动扩容后者是DataOutputStream类型它对前者进行了一层装饰为其添加了压缩的功能。
MemoryRecords中的Compressor的压缩类型是由“compression.type”配置参数指定的即KafkaProducer.compressionType字段的值。
下面来分析一下创建压缩流的方式目前KafkaProducer支持GZIP、SNAPPY、LZ4三种压缩方式。
Compressor提供了一系列put*()方法向appendStream流写入数据如图所示。很明显这是装饰器模式的典型通过bufferStream装饰添加自动扩容的功能通过appendStream装饰后添加压缩功能。 了解了Compressor的实现逻辑之后我们回到MemoryRecords继续分析。
MemoryRecords的构造方法是私有的只能通过emptyRecords)方法得到其对象。
MemoryRecords中有四个比较重要的方法。
append()方法先判断MemoryRecords是否为可写模式然后调用Compressor.put*()方法将消息数据写入ByteBuffer中。hasRoomFor()方法根据Compressor估算的已写字节数估计MemoryRecords剩余空间是否足够写入指定的数据。注意这里仅仅是估算所以不一定准确通过hasRoomFor()方法判断之后写入数据也可能就会导致底层ByteBuffer出现扩容的情况。close()方法出现ByteBuffer扩容的情况时MemoryRecords.buffer字段与ByteBufferOutputStream.buffer字段所指向的不再是同一个ByteBuffer对象如图(左)所示。在close()方法中会将MemoryRecords.buffer字段指向扩容后的ByteBuffer对象如图(右)所示。同时将writable设置为false(即只读模式)。 sizelnBytes()方法对于可写的MemoryRecords,返回的是ByteBufferOutputStream.buffer字段的大小对于只读MemoryRecords,返回的是MemoryRecords.buffer的大小。
RecordBatch
了解了MemoryRecords的具体实现之后来分析RecordBatch类的实现。
每个RecordBatch对象中封装了一个MemoryRecords对象除此之外还封装了很多控制信息和统计信息下面简单介绍一下。
recordCount:记录了保存的Record的个数。maxRecordSize:最大Record的字节数。attempts:尝试发送当前RecordBatch的次数。lastAttemptMs:最后一次尝试发送的时间戳。records:指向用来存储数据的MemoryRecords对象。topicParition:当前RecordBatch中缓存的消息都会发送给此TopicPartition。produceFuture:ProduceRequestResult类型标识RecordBatch状态的Future对象。lastAppendTime:最后一次向RecordBatch追加消息的时间戳。thunks:Thunk对象的集合在后面会详细介绍。offsetCounter:用来记录某消息在RecordBatch中的偏移量。retry:是否正在重试。如果RecordBatch中的数据发送失败则会重新尝试发送。
图中以RecordBatch为中心刻画了其相关类间的对应关系。 下面分析一下ProduceRequestResult这个类的功能。
ProduceRequestResult并未实现java.util.concurrent.Future接口但是其通过包含一个count值为1的CountDownLatch对象实现了类似于Future的功能(Future、CountDownLatch等工具的使用)。
当RecordBatch中全部的消息被正常响应、或超时、或关闭生产者时会调用ProduceRequestResult.done方法将produceFuture标记为完成并通过ProduceRequestResult.error字段区分“异常完成”还是“正常完成”,之后调用CountDownLatch对象的countDown方法。
此时会唤醒阻塞在CountDownLatch对象的await方法的线程(这些线程通过ProduceRequestResult的await方法等待上述三个事件的发生)。
分区会为其中记录的消息分配一个offset并通过此offset维护消息顺序。
在ProduceRequestResult中还有一个需要注意的字段baseOffset,表示的是服务端为此RecordBatch中第一条消息分配的offset,这样每个消息可以根据此offset以及自身在此RecordBatch中的相对偏移量计算出其在服务端分区中的偏移量了。
在介绍Tunk类之前请回顾KafkaProducer.send方法的第二个参数是一个Callback对象它是针对单个消息的回调函数(每个消息都会有一个对应的Callback对象作为回调)。
RecordBatch.thunks字段可以理解为消息的回调对象队列Thunk中的callback字段就指向对应消息的Callback对象其另一个字段future是FutureRecordMetadata类型。
FutureRecordMetadata类有两个关键字段。
result:ProduceRequestResult类型指向对应消息所在RecordBatch的produceFuture字段。relativeOffset:long类型记录了对应消息在RecordBatch中的偏移量。
FutureRecordMetadata实现了java.util.concurrent.Future接口但其实现基本都是委托给了ProduceRequestResult对应的方法由此可以看出消息应该是按照RecordBatch进行发送和确认的。
当生产者已经收到某消息的响应时FutureRecordMetadata.get方法就会返回RecordMetadata对象其中包含消息在Partition中的offset等其他元数据可供用户自定义Callback使用。
分析完RecordBatch依赖的组件现在回来看看RecordBatch类的核心方法。tryAppend方法是最核心的方法其功能是尝试将消息添加到当前的RecordBatch中缓存。 当RecordBatch成功收到正常响应、或超时、或关闭生产者时都会调用RecordBatch的done()方法。
在done()方法中会回调RecordBatch中全部消息的Callback回调并调用其produceFuture字段的done()方法。RecordBatch.done()方法的调用关系如图所示。 RufferPool
ByteBuffer的创建和释放是比较消耗资源的为了实现内存的高效利用基本上每个成熟的框架或工具都有一套内存管理机制。
Kafka客户端使用BufferPool来实现ByteBuffer的复用。
图展示了BufferPool的核心字段。 首先需要了解的是每个BufferPool对象只针对特定大小(由poolableSize字段指定)的ByteBuffer进行管理对于其他大小的ByteBuffer并不会缓存进BufferPool。
一般情况下我们会调整MemoryRecords的大小(RecordAccumulator.batchSize字段指定),使每个MemoryRecords可以缓存多条消息。
但也有例外情况当一条消息的字节数大于MemoryRecords时就不会复用BufferPool中缓存的ByteBuffer,而是额外分配ByteBuffer,在它被使用完后也不会放入BufferPool进行管理而是直接丢弃由GC回收。
如果经常出现这种例外情况就需要考虑调整batchSize的配置了。
下面介绍BufferPool的关键字段
free:是一个ArayDeque队列其中缓存了指定大小的ByteBuffer对象。ReentrantLock:因为有多线程并发分配和回收ByteBuffer,所以使用锁控制并发保证线程安全。waiters:记录因申请不到足够空间而阻塞的线程此队列中实际记录的是阻塞线程对应的Condition对象。totalMemory:记录了整个Pool的大小。availableMemory:记录了可用的空间大小这个空间是totalMemory减去free列表中全部ByteBuffer的大小。 BufferPool.allocate()方法负责从缓冲池中申请ByteBuffer,当缓冲池中空间不足时就会阻塞调用线程。
下面简单分析一下allocate()方法申请空间的过程 继续分析deallocate()方法的实现
RecordAccumulator
介绍完了MemoryRecord、RecordBatch以及BufferPool的工作机制再来看RecordAccumulator的实现就比较简单了。
下面来看RecordAccumulator中的关键字段和方法如图所示。 batches:TopicPartition与RecordBatch集合的映射关系类型是CopyOnWriteMap,是线程安全的集合但其中的Deque是ArayDeque类型是非线程安全的集合。在后面的介绍中可以看到追加新消息或发送RecordBatch的时候需要加锁同步。
每个Deque中都保存了发往对应TopicPartition的RecordBatch集合。
batchSize:指定每个RecordBatch底层ByteBuffer的大小。Compression:压缩类型参考MemoryRecords。incomplete:未发送完成的RecordBatch集合底层通过Set集合实现。free:BufferPool对象参考BufferPool。drainlndex:使用drain方法批量导出RecordBatch时为了防止饥饿使用drainIndex记录上次发送停止时的位置下次继续从此位置开始发送。
KafkaProducer.send方法最终会调用RecordAccumulator.append方法将消息追加到RecordAccumulator中其代码比较长先来看其主要逻辑
首先在batches集合中查找TopicPartition对应的Deque,查找不到则创建新的Deque,并添加到batches集合中。对Deque加锁(使用synchronized关键字加锁)。调用tryAppendO方法尝试向Deque中最后一个RecordBatch追加Record。synchronized块结束自动解锁。追加成功则返回RecordAppendResult(其中封装了ProduceRequestResult)。追加失败则尝试从BufferPool中申请新的ByteBuffer。对Deque加锁(使用synchronized关键字加锁),再次尝试第3步。追加成功则返回失败则使用第5步得到的ByteBuffer创建RecordBatch。将Record追加到新建的RecordBatch中并将新建的RecordBatch追加到对应的Deque尾部。将新建的RecordBatch追加到incomplete集合。synchronized块结束自动解锁。返回RecordAppendResult,RecordAppendResult会中的字段会作为唤醒Sender线程的条件。
下面是RecordAccumulator.append方法的具体实现 现在回到KafkaProducer.doSend方法doSend方法的最后一步就是判断此次向RecordAccumulator中追加消息后是否满足唤醒Sender线程条件这里唤醒Sender线程的条件是消息所在队列的最后一个RecordBatch满了或此队列中不止一个RecordBatch。
在客户端将消息发送给服务端之前会调用RecordAccumulator.ready方法获取集群中符合发送消息条件的节点集合。
这些条件是站在RecordAccumulator的角度对集群中的Node进行筛选的具体的条件如下
Deque中有多个RecordBatch或是第一个RecordBatch是否满了。是否超时了。是否有其他线程在等待BufferPool释放空间(即BufferPool的空间耗尽了)。是否有线程正在等待flush操作完成。Sender线程准备关闭。
下面来看一下ready方法的代码它会遍历batches集合中每个分区首先查找当前分区Leader副本所在的Node,如果满足上述五个条件则将此Node信息记录到readyNodes集合中。
遍历完成后返回ReadyCheckResult对象其中记录了满足发送条件的Node集合、在遍历过程中是否有找不到Leader副本的分区(也可以认为是Metadata中当前的元数据过时了)、下次调用ready方法进行检查的时间间隔。 调用RecordAccumulator.ready)方法得到readyNodes集合后此集合还要经过NetworkClient的过滤(在介绍Sender线程的时候再详细介绍)之后才能得到最终能够发送消息的Node集合。
RecordAccumulator.drain方法会根据上述Node集合获取要发送的消息返回MapInteger,List集合key是Nodeld,value是待发送的RecordBatch集合。
drain方法也是由Sender线程调用的。drain方法的核心逻辑是进行映射的转换将RecordAccumulator记录的TopicPartitionRecordBatch集合的映射转换成了Nodeld-RecordBatch集合的映射。
为什么需要这次转换呢?在网络I/O层面生产者是面向Node节点发送消息数据它只建立到Node的连接并发送数据并不关心这些数据属于哪个TopicPartition;而在调用KafkaProducer的上层业务逻辑中则是按照TopicPartition的方式产生数据它只关心发送到哪个TopicPartition,并不关心这些TopicPartition在哪个Node节点上。
在下文介绍到Sender线程的时候会发现它每次向每个Node节点至多发送一个ClientRequest请求其中封装了追加到此Node节点上多个分区的消息待请求到达服务端后由Kafka对请求记性解析。
下面来看看drain方法的代码
