Twitter把Kafka当作存储系统使用

小提示：您能找到这篇{Twitter把Kafka当作存储系统使用}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的Twitter把Kafka当作存储系统使用内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

< ">当开发者通过API消费Twitter的公共数据时，他们需要获得可靠性、速度和稳定性方面的保证。因此，在不久前，我们推出了Account Activity Replay API帮助开发者们提升他们系统的稳定性。这个API是一个数据恢复工具，开发者可以用它来检索最早发生在5天前的事件，恢复由于各种原因（包括在实时传递时突然发生的服务器中断）没有被传递的事件。

< ">除了构建API来提升开发者体验，我们还做了一些优化：

< ">提高Twitter内部工程师的生产力。

< ">保持系统的可维护性。具体来说，就是尽量减少开发人员、站点可靠性工程师和其他与系统交互的人员的上下文切换。

< ">基于这些原因，在构建这个API所依赖的回放系统时，我们利用了Account Activity API现有的实时系统设计。这有助于我们重用现有的工作，并最小化上下文切换负担和培训工作。

< ">实时系统采用了发布和订阅架构。为了保持架构的一致性，构建一个可以读取数据的存储层，我们想到了传统的流式技术——Kafka。

1

背景

< ">两个数据中心产生实时事件，事件被写入到跨数据中心的主题上，建设好的网站实现数据冗余。

< ">但并不是所有的事件都需要被传递，所以会有一个内部应用程序负责对事件进行筛选。这个应用程序消费来自这些主题的事件，根据保存在键值存储中的一组规则来检查每一个事件，并决定是否应该通过我们的公共API将消息传递给特定的开发者。事件是通过Webhook传递的，每个Webhook URL都有一个开发人员负责维护，并有唯一的ID标识。

图1：数据生成管道

2

存储和分区

< ">通常，在构建一个需要存储层的回放系统时，人们可能会使用基于Hadoop和HDFS的架构。但我们选择了Kafka，主要基于以下两个原因：

< ">已有的实时系统采用了发布和订阅架构；

< ">回放系统存储的事件量不是PB级的，我们存储的数据不会超过几天。此外，执行Hadoop的MapReduce作业比在Kafka上消费数据成本更高、速度更慢，达不到开发者的期望。

< ">要利用实时管道来构建回放管道，首先要确保事件被存储在Kafka中。我们把Kafka主题叫作delivery_log，每个数据中心都有一个这样的主题。然后，这些主题被交叉复制，实现数据冗余，以便支持来自数据中心之外的重放请求。老人鞋品牌央视广告的事件在被传递之前经过去重操作。

< ">在这个Kafka主题上，我们使用默认的分区机制创建了多个分区，分区与WebhookId的散列值（事件记录的键）一一对应。我们考虑过使用静态分区，但最终决定不使用它，因为如果其中一个开发人员生成的事件多于其他开发人员，那么这个分区包含的数据将多于其他分区，造成了分区的不均衡。相反，我们选择固定数量的分区，然后使用默认分区策略来分布数据，这样就降低了分区不均衡的风险，并且不需要读取Kafka主题的所有分区。重放服务基于请求的WebhookId来确定要读取哪个分区，并为该分区启动一个新的Kafka消费者。主题的分区数量不会发生变化，因为这会影响键的散列和事件的分布。

< ">我们使用了固态磁盘，根据每个时间段读取的事件数量来分配空间。我们选择这种磁盘而不是传统的硬盘驱动器，以此来获得更快的处理速度，并减少与查找和访问操作相关的开销。因为我们需要访问低频数据，无法获得页面缓存优化的好处，所以最好是使用固态磁盘。

< ">为了最小化存储空间，我们使用了snappy压缩算法。我们知道大部分处理工作都在消费端，之所以选择snappy，是因为它在解压时比其他Kafka所支持的压缩算法(如gzip和lz4)更快。

< ">< color: rgb(75, 172, 198);">3

< ">< color: rgb(75, 172, 198);">请求和处理

< ">在我们设计的这个系统中，通过API调用来发送重放请求。我们从请求消息体中获取WebhookId和要重放的事件的日期范围。这些请求被持久化到MySQL中，相当于进入了队列，直到它们被重放服务读取。请求中的日期范围用于确定要读取的分区的偏移量。消费者对象的offsetForTimes函数用于获取偏移量。

图2：重放系统接收请求，并将请求发送给配置服务（数据访问层），然后被持久化到数据库中。

< ">重放如何修补 公关危机服务处理每个重放请求，它们通过MySQL相互协调，处理数据库中的下一个需要重放的记录。重放进程定期轮询MySQL，获取需要被处理的挂起作业。一个请求会在各种状态之间转换。等待被处理的请求处于开放状态（OPEN STATE），刚退出队列的请求处于启动状态（STARTED STATE），正在被处理的请求处于进行中状态（ONGOING STATE），已处理完成的请求将转换到已完成状态（COMPLETED STATE）。一个重放进程只会选择一个尚未启动的请求(即处于打开状态的请求)。

< ">每隔一段时间，当一个工作进程将一个请求退出队列后，它会在MySQL表中写入时间戳，表示正在处理当前的重放作业。如果重放进程在处理请求时死掉了，相应的作业将被重新启动。因此，除了将处于打开状态的请求退出队列之外，重放操作还将读取处于已开始或正在进行中的、在预定义的分钟数内没有心跳的作业。

图3：数据传递层：重放服务通过轮询MySQL来读取作业，消费来自Kafka的消息，并通过Webhook服务传递事件。

< ">在读取事件时会进行去重操作，然后事件被发布到消费者端的Webhook URL上。去重是通过维护被读取事件的散列值缓存来实现的。如果遇到具有相同散列值的事件，就不传递这个事件。

< ">总的来说，我们的解决方案与传统的将Kafka作为实时、流式系统的用法不一样。我们成功地将Kafka作为存储系统，构建了一个API，在进行事件恢复时提升了用户体验和数据访问能力。我们利用已有的实时系统设计让系统的维护变得更加容易。此外，客户数据的恢复速度达到了我们的预期。

原文链接

https://blog.twitter.com/engineering/en_us/topics/infrastructure/2020/kafka-as-a-storage-system“确认传播”专注于品牌策划、效果营销和危机管理的数字整合营销传播公司，我们深度诠释客户的品牌理念、文化及背景，多维深度传播客户的文化底蕴和核心价值观，提升客户品牌的知名度、关注度与美誉度。