Kafka數(shù)據(jù)是存在磁盤上還是內存上？

1. 順序寫入

因為硬盤是機械結構，每次讀寫都會尋址->寫入，其中尋址是一個“機械動作”，它是耗時的。所以硬盤“討厭”隨機I/O，喜歡順序I/O。為了提高讀寫硬盤的速度，Kafka就是使用順序I/O。如果一個topic建立多個分區(qū)那么每個parathion都是一個文件，收到消息后Kafka會把數(shù)據(jù)插入到文件末尾。

2. Memory Mapped Files（內存映射文件）

64位操作系統(tǒng)中一般可以表示20G的數(shù)據(jù)文件，它的工作原理是直接利用操作系統(tǒng)的Page來實現(xiàn)文件到物理內存的直接映射。完成映射之后你對物理內存的操作會被同步到硬盤上。

3. Kafka高效文件存儲設計特點

Kafka把topic中一個parition大文件分成多個小文件段，通過多個小文件段，就容易定期清除或刪除已經(jīng)消費完文件，減少磁盤占用。通過索引信息可以快速定位
message和確定response的 大大小。通過index元數(shù)據(jù)全部映射到memory（內存映射文件），可以避免segment file的IO磁盤操作。通過索引文件稀疏存儲，可以大幅降低index文件元數(shù)據(jù)占用空間大小。

Kafka數(shù)據(jù)存儲

（1）數(shù)據(jù)文件的分段Kafka解決查詢效率的手段之一是將數(shù)據(jù)文件分段，比如有100條Message，它們的offset是從0到99。假設將數(shù)據(jù)文件分成5段，第一段為0-19，第二段為20-39，以此類推，每段放在一個單獨的數(shù)據(jù)文件里面，數(shù)據(jù)文件以該段中 小的offset命名。這樣在查找指定offset的Message的時候，用二分查找就可以定位到該Message在哪個段中。

（2）為數(shù)據(jù)文件建索引數(shù)據(jù)文件分段使得可以在一個較小的數(shù)據(jù)文件中查找對應offset的Message 了，但是這依然需要順序掃描才能找到對應offset的Message。
為了進一步提高查找的效率，Kafka為每個分段后的數(shù)據(jù)文件建立了索引文件，文件名與數(shù)據(jù)文件的名字是一樣的，只是文件擴展名為.index。

索引文件中包含若干個索引條目，每個條目表示數(shù)據(jù)文件中一條Message的索引。索引包含兩個部分（均為4個字節(jié)的數(shù)字），分別為相對offset和position。相對offset：因為數(shù)據(jù)文件分段以后，每個數(shù)據(jù)文件的起始offset不為0，相對offset表示這條Message相對于其所屬數(shù)據(jù)文件中 小的offset的大小。舉例，分段后的一個數(shù)據(jù)文件的offset是從20開始，那么offset為25的Message在index文件中的相對offset就是25-20 = 5。存儲相對offset可以減小索引文件占用的空間。

position，表示該條Message在數(shù)據(jù)文件中的絕對位置。只要打開文件并移動文件指針到這個 position就可以讀取對應的Message了。index文件中并沒有為數(shù)據(jù)文件中的每條Message建立索引，而是采用了稀疏存儲的方式，每隔一定字節(jié)的數(shù)據(jù)建立一條索引。這樣避免了索引文件占用過多的空間，從而可以將索引文件保留在內存中。但缺點是沒有建立索引的Message也不能一次定位到其在數(shù)據(jù)文件的位置，從而需要做一次順序掃描，但是這次順序掃描的范圍就很小了。


猜你喜歡：

大數(shù)據(jù)流處理：Flume、Kafka和NiFi的區(qū)別

大數(shù)據(jù)的兩種計算框架對比，哪個更適合開發(fā)？

黑馬程序員大數(shù)據(jù)基礎視頻教程

黑馬大數(shù)據(jù)培訓