作為一個爬蟲工程師，Kafka 對你而言就是一個消息隊列，你只需要掌握如何向里面寫入數據，以及如何讀取數據就可以了。

[[285596]]

請謹記：使用 Kafka 很容易，但對 Kafka 集群進行搭建、維護與調優很麻煩。Kafka 集群需要有專人來維護，不要以為你能輕易勝任這個工作。”本文，以及接下來的幾篇針對 Kafka 的文章，我們面向的對象都是爬蟲工程師或者僅僅需要使用 Kafka 的讀者。關于 Kafka 更深入的底層細節與核心原理，不在我們的討論范圍中。為了解釋方便，文章中對 Kafka 的一些術語會使用一些不太準確但能表明意思的類比。如果你需要在面試中解釋這些術語，還請閱讀Kafka 的官方文檔。

今天我們要討論的一個話題是，Kafka 是如何做到，對單個程序的多個進程而言，能持續消費，斷點續傳和并行消費;對多個程序而言又互不影響，各自獨立。

一個 Kafka 可以有多個不同的隊列，我們把這個隊列叫做Topic，假設其中一個隊列如下圖所示：

信息從右邊進去，從左邊出來。如果這是Redis 的列表，那么它彈出一條信息以后，隊列會變成下面這樣：

最左邊的信息1不見了。所以即使程序在消費了信息1后立刻關閉，再重新打開，程序也會接著從信息2開始消費，不會把信息1重復消費兩次。

但我如果有兩個程序呢?程序1讀取每一條數據，再轉存到數據庫。程序2讀取每一條數據，再檢查是否有關鍵詞。這種情況下，信息1應該能被程序1消費，也能被程序2消費。但上面這種方案顯然是不行的。當程序1消費了信息1，程序2就再也拿不到它了。

所以，在 Kafka 里面，信息會停留在隊列里面，但對每一個程序來說，有一個單獨的記號，來記錄當前消費到了哪一條數據，如下圖所示。

當程序1要讀取 Kafka 里面下一條數據時，Kafka 先把當前位置的標記向右移動一位，把新的這個值返回出來。標記移動與返回這兩個操作合在一起算是一個原子操作，不會出現重復讀取的問題。

程序1與程序2使用的是不同的標記，所以各自的標記指向哪個值，是互不影響的。

當增加一個程序3的時候，只需要再加一個標記即可。新的這個標記也不受前兩個標記的影響。

這就實現了在多個不同的程序讀取 Kafka 時，各自互不影響。

現在如果你覺得程序1消費太慢了，把程序1同時運行了3次，那么由于標記和移位是原子操作，即使你看起來程序是同時去讀取 Kafka，但在內部 Kafka 也會對他們進行“排隊”，從而使得他們返回的結果不重復，不遺漏。

如果你在網上看 Kafka 的教程，你會發現他們提到了一個叫做 Offset 的東西，實際上就是本文所說的各個程序里面指向當前數據的標記。

你還會看到一個關鍵詞叫做Group，實際上對應到本文的程序1，程序2和程序3。

對同一個隊列，如果多個程序使用不同的Group消費，那么他們讀取的數據就互不干擾。

對同一個隊列，相同 Group 的多個進程在消費數據時，看起來就像是在對 Redis 進行 lpop 操作一樣。

最后，你在網上關于 Kafka 的文章里面，一定會看到一個詞叫做Paritition或者中文分片。而且你會發現你無法理解這個東西。

沒關系，忘記它吧。你只需要知道，一個 Topic 有多少個 Partition，那么你最多能啟動多少個進程讀取同一個 Group。——如果一個Topic有3個Partition，那么你只能最多開3個進程同時讀相同的 Group。Topic如果有5個Partition，那么你只能最多開5個進程讀同一個 Group。