kafka常見面試題大全含答案

1. 什麼是kafka

Kafka是分佈式發佈-訂閱消息系統，它最初是由LinkedIn公司開發的，之後成為Apache項目的一部分，Kafka是一個分佈式，可劃分的，冗餘備份的持久性的日誌服務，它主要用於處理流式數據。

2. 為什麼要使用 kafka，為什麼要使用消息隊列

• 緩衝和削峰：上游數據時有突發流量，下游可能扛不住，或者下游沒有足夠多的機器來保證冗餘，kafka在中間可以起到一個緩衝的作用，把消息暫存在kafka中，下游服務就可以按照自己的節奏進行慢慢處理。
• 解耦和擴展性：項目開始的時候，並不能確定具體需求。消息隊列可以作為一個接口層，解耦重要的業務流程。只需要遵守約定，針對數據編程即可獲取擴展能力。
• 冗餘：可以採用一對多的方式，一個生產者發佈消息，可以被多個訂閱topic的服務消費到，供多個毫無關聯的業務使用。
• 健壯性：消息隊列可以堆積請求，所以消費端業務即使短時間死掉，也不會影響主要業務的正常進行。
• 異步通信：很多時候，用戶不想也不需要立即處理消息。消息隊列提供了異步處理機制，允許用戶把一個消息放入隊列，但並不立即處理它。想向隊列中放入多少消息就放多少，然後在需要的時候再去處理它們。

3. Kafka中的ISR、AR又代表什麼？ISR的伸縮又指什麼

• ISR:In-Sync Replicas 副本同步隊列
• AR:Assigned Replicas 所有副本

ISR是由leader維護，follower從leader同步數據有一些延遲（包括延遲時間replica.lag.time.max.ms和延遲條數replica.lag.max.messages兩個維度, 當前最新的版本0.10.x中只支持replica.lag.time.max.ms這個維度），任意一個超過閾值都會把follower剔除出ISR, 存入OSR（Outof-Sync Replicas）列表，新加入的follower也會先存放在OSR中。AR=ISR+OSR。

4. kafka中的broker 是幹什麼的

broker 是消息的代理，Producers往Brokers裡面的指定Topic中寫消息，Consumers從Brokers裡面拉取指定Topic的消息，然後進行業務處理，broker在中間起到一個代理保存消息的中轉站。

5. kafka中的 zookeeper 起到什麼作用，可以不用zookeeper麼

zookeeper 是一個分佈式的協調組件，早期版本的kafka用zk做meta信息存儲，consumer的消費狀態，group的管理以及 offset的值。考慮到zk本身的一些因素以及整個架構較大概率存在單點問題，新版本中逐漸弱化了zookeeper的作用。新的consumer使用了kafka內部的group coordination協議，也減少了對zookeeper的依賴，

但是broker依然依賴於ZK，zookeeper 在kafka中還用來選舉controller 和 檢測broker是否存活等等。

6. kafka follower如何與leader同步數據

Kafka的複製機制既不是完全的同步複製，也不是單純的異步複製。完全同步複製要求All Alive Follower都複製完，這條消息才會被認為commit，這種複製方式極大的影響了吞吐率。而異步複製方式下，Follower異步的從Leader複製數據，數據只要被Leader寫入log就被認為已經commit，這種情況下，如果leader掛掉，會丟失數據，kafka使用ISR的方式很好的均衡了確保數據不丟失以及吞吐率。Follower可以批量的從Leader複製數據，而且Leader充分利用磁盤順序讀以及send file(zero copy)機制，這樣極大的提高複製性能，內部批量寫磁盤，大幅減少了Follower與Leader的消息量差。

7. 什麼情況下一個 broker 會從 isr中踢出去

leader會維護一個與其基本保持同步的Replica列表，該列表稱為ISR(in-sync Replica)，每個Partition都會有一個ISR，而且是由leader動態維護 ，如果一個follower比一個leader落後太多，或者超過一定時間未發起數據複製請求，則leader將其重ISR中移除 。

8. kafka 為什麼那麼快

Cache Filesystem Cache PageCache緩存

順序寫 由於現代的操作系統提供了預讀和寫技術，磁盤的順序寫大多數情況下比隨機寫內存還要快。

Zero-copy 零拷技術減少拷貝次數

Batching of Messages 批量量處理。合併小的請求，然後以流的方式進行交互，直頂網絡上限。

Pull 拉模式 使用拉模式進行消息的獲取消費，與消費端處理能力相符。

9. kafka producer如何優化打入速度

• 增加線程
• 提高 batch.size
• 增加更多 producer 實例
• 增加 partition 數
• 設置 acks=-1 時，如果延遲增大：可以增大 num.replica.fetchers（follower 同步數據的線程數）來調解；
• 跨數據中心的傳輸：增加 socket 緩衝區設置以及 OS tcp 緩衝區設置。

10. kafka producer 打數據，ack 為 0， 1， -1 的時候代表啥， 設置 -1 的時候，什麼情況下，leader 會認為一條消息 commit了

• 1（默認） 數據發送到Kafka後，經過leader成功接收消息的的確認，就算是發送成功了。在這種情況下，如果leader宕機了，則會丟失數據。
• 0 生產者將數據發送出去就不管了，不去等待任何返回。這種情況下數據傳輸效率最高，但是數據可靠性確是最低的。
• -1 producer需要等待ISR中的所有follower都確認接收到數據後才算一次發送完成，可靠性最高。當ISR中所有Replica都向Leader發送ACK時，leader才commit，這時候producer才能認為一個請求中的消息都commit了。

11. kafka unclean 配置代表啥，會對 spark streaming 消費有什麼影響

unclean.leader.election.enable 為true的話，意味著非ISR集合的broker 也可以參與選舉，這樣有可能就會丟數據，spark streaming在消費過程中拿到的 end offset 會突然變小，導致 spark streaming job掛掉。如果unclean.leader.election.enable參數設置為true，就有可能發生數據丟失和數據不一致的情況，Kafka的可靠性就會降低；而如果unclean.leader.election.enable參數設置為false，Kafka的可用性就會降低。

12. 如果leader crash時，ISR為空怎麼辦

kafka在Broker端提供了一個配置參數：unclean.leader.election,這個參數有兩個值：

• true（默認）：允許不同步副本成為leader，由於不同步副本的消息較為滯後，此時成為leader，可能會出現消息不一致的情況。
• false：不允許不同步副本成為leader，此時如果發生ISR列表為空，會一直等待舊leader恢復，降低了可用性。

13. kafka的message格式是什麼樣的

一個Kafka的Message由一個固定長度的header和一個變長的消息體body組成

header部分由一個字節的magic(文件格式)和四個字節的CRC32(用於判斷body消息體是否正常)構成。

當magic的值為1的時候，會在magic和crc32之間多一個字節的數據：attributes(保存一些相關屬性，比如是否壓縮、壓縮格式等等);如果magic的值為0，那麼不存在attributes屬性

body是由N個字節構成的一個消息體，包含了具體的key/value消息

14. kafka中consumer group 是什麼概念

同樣是邏輯上的概念，是Kafka實現單播和廣播兩種消息模型的手段。同一個topic的數據，會廣播給不同的group；同一個group中的worker，只有一個worker能拿到這個數據。換句話說，對於同一個topic，每個group都可以拿到同樣的所有數據，但是數據進入group後只能被其中的一個worker消費。group內的worker可以使用多線程或多進程來實現，也可以將進程分散在多臺機器上，worker的數量通常不超過partition的數量，且二者最好保持整數倍關係，因為Kafka在設計時假定了一個partition只能被一個worker消費（同一group內）。

15. Kafka中的消息是否會丟失和重複消費？

要確定Kafka的消息是否丟失或重複，從兩個方面分析入手：消息發送和消息消費。

①. 消息發送

Kafka消息發送有兩種方式：同步（sync）和異步（async），默認是同步方式，可通過producer.type屬性進行配置。Kafka通過配置request.required.acks屬性來確認消息的生產：

• 0---表示不進行消息接收是否成功的確認；
• 1---表示當Leader接收成功時確認；
• -1---表示Leader和Follower都接收成功時確認；

綜上所述，有6種消息生產的情況，下面分情況來分析消息丟失的場景：

• acks=0，不和Kafka集群進行消息接收確認，則當網絡異常、緩衝區滿了等情況時，消息可能丟失；
• acks=1、同步模式下，只有Leader確認接收成功後但掛掉了，副本沒有同步，數據可能丟失；

②. 消息消費

Kafka消息消費有兩個consumer接口，Low-level API和High-level API：

• Low-level API：消費者自己維護offset等值，可以實現對Kafka的完全控制；
• High-level API：封裝了對parition和offset的管理，使用簡單；

如果使用高級接口High-level API，可能存在一個問題就是當消息消費者從集群中把消息取出來、並提交了新的消息offset值後，還沒來得及消費就掛掉了，那麼下次再消費時之前沒消費成功的消息就“詭異”的消失了；

解決辦法：

• 針對消息丟失：同步模式下，確認機制設置為-1，即讓消息寫入Leader和Follower之後再確認消息發送成功；異步模式下，為防止緩衝區滿，可以在配置文件設置不限制阻塞超時時間，當緩衝區滿時讓生產者一直處於阻塞狀態；
• 針對消息重複：將消息的唯一標識保存到外部介質中，每次消費時判斷是否處理過即可。

16. 為什麼Kafka不支持讀寫分離？

在 Kafka 中，生產者寫入消息、消費者讀取消息的操作都是與 leader 副本進行交互的，從 而實現的是一種主寫主讀的生產消費模型。

Kafka 並不支持主寫從讀，因為主寫從讀有 2 個很明 顯的缺點:

• 數據一致性問題。數據從主節點轉到從節點必然會有一個延時的時間窗口，這個時間 窗口會導致主從節點之間的數據不一致。某一時刻，在主節點和從節點中 A 數據的值都為 X， 之後將主節點中 A 的值修改為 Y，那麼在這個變更通知到從節點之前，應用讀取從節點中的 A 數據的值並不為最新的 Y，由此便產生了數據不一致的問題。
• 延時問題。類似 Redis 這種組件，數據從寫入主節點到同步至從節點中的過程需要經 歷網絡→主節點內存→網絡→從節點內存這幾個階段，整個過程會耗費一定的時間。而在 Kafka 中，主從同步會比 Redis 更加耗時，它需要經歷網絡→主節點內存→主節點磁盤→網絡→從節 點內存→從節點磁盤這幾個階段。對延時敏感的應用而言，主寫從讀的功能並不太適用。

17. Kafka中是怎麼體現消息順序性的？

kafka每個partition中的消息在寫入時都是有序的，消費時，每個partition只能被每一個group中的一個消費者消費，保證了消費時也是有序的。

整個topic不保證有序。如果為了保證topic整個有序，那麼將partition調整為1.

18. 消費者提交消費位移時提交的是當前消費到的最新消息的offset還是offset+1?

offset+1

19. kafka如何實現延遲隊列？

Kafka並沒有使用JDK自帶的Timer或者DelayQueue來實現延遲的功能，而是基於時間輪自定義了一個用於實現延遲功能的定時器（SystemTimer）。JDK的Timer和DelayQueue插入和刪除操作的平均時間複雜度為O(nlog(n))，並不能滿足Kafka的高性能要求，而基於時間輪可以將插入和刪除操作的時間複雜度都降為O(1)。時間輪的應用並非Kafka獨有，其應用場景還有很多，在Netty、Akka、Quartz、Zookeeper等組件中都存在時間輪的蹤影。

底層使用數組實現，數組中的每個元素可以存放一個TimerTaskList對象。TimerTaskList是一個環形雙向鏈表，在其中的鏈表項TimerTaskEntry中封裝了真正的定時任務TimerTask.

20. Kafka中到底是怎麼推進時間的呢？

Kafka中的定時器藉助了JDK中的DelayQueue來協助推進時間輪。具體做法是對於每個使用到的TimerTaskList都會加入到DelayQueue中。Kafka中的TimingWheel專門用來執行插入和刪除TimerTaskEntry的操作，而DelayQueue專門負責時間推進的任務。再試想一下，DelayQueue中的第一個超時任務列表的expiration為200ms，第二個超時任務為840ms，這裡獲取DelayQueue的隊頭只需要O(1)的時間複雜度。如果採用每秒定時推進，那麼獲取到第一個超時的任務列表時執行的200次推進中有199次屬於“空推進”，而獲取到第二個超時任務時有需要執行639次“空推進”，這樣會無故空耗機器的性能資源，這裡採用DelayQueue來輔助以少量空間換時間，從而做到了“精準推進”。Kafka中的定時器真可謂是“知人善用”，用TimingWheel做最擅長的任務添加和刪除操作，而用DelayQueue做最擅長的時間推進工作，相輔相成。

寫在最後

一線互聯網大廠，面試所考到的知識可不止Kafka，當然多擁有一個技術點，對自己的面試也是一件好事；那麼針對Java成員，筆者整理了一套完整的已下線互聯網企業面試專題；包含了Kafka、Mysql、Tomcat、Docker、Spring、MyBatis、Nginx、Netty、Dubbo、Redis、Netty、Spring cloud、分佈式、高併發、性能調優、微服務等架構技術

需要這份面試題的朋友請幫忙轉發一下本文；然後私信我 【學習】 即可免費領取完整的面試專題文件

以下是部分面試題截圖