深入浅出Java！让阿里架构师告诉你为什么要分库分表，已拿到offer

﹏ヽ暗。殇╰゛Y 2021-07-20 11:49 328阅读 0赞

## 前言 ##

提到插件，相信大家都知道，插件的存在主要是用来改变或者增强原有的功能，MyBatis中也一样。然而如果我们对MyBatis的工作原理不是很清楚的话，最好不要轻易使用插件，否则的话如果因为使用插件导致了底层工作逻辑被改变，很可能会出现很多意料之外的问题。

本文主要会介绍MyBatis插件的使用及其实现原理，相信读完本文，我们也可以写出自己的PageHelper分页插件了。

## 思考 ##

前面提到 Kafka 帮我们实现了各个版本的生产者代码，其实他也可以完全不提供这份代码，因为核心的队列的功能已经实现了，这些客户端的代码也可以完全交由用户自己实现。

那么假如没有官方代码，我们又该实现一些什么功能，有哪些接口，哪些方法，以及如何组织这些代码呢。带着这样的问题我们一起来思考一下！一般对于这种带有数据流转的设计，我会从 由谁产生？ 什么数据？ 通往哪去？ 如何保证通路可靠？ 这几个方面来考虑。

消息自然是通过应用程序构造出来并提供给生产者，生产者首先要知道需要将消息发送到哪个 Broker 的哪个 Topic，以及 Topic 的具体 Partition 。那么必然需要配置客户端的 Broker集群地址 ，需要发送的 Topic 名称 ，以及 消息的分区策略 ，是指定到具体的分区还是通过某个 key hash 到不同的分区。

知道了消息要通往哪，还需要知道发送的是什么格式的消息，是字符串还是数字或是被序列化的二进制对象。 消息序列化 将需要消息序列化成字节数组才方便在网络上传输，所以要配置生产者的消息序列化策略，最好是可以通过传递枚举或者类名的方式自动构造序列化器，便于后续序列化过程的扩展。

消息队列常常用于多个系统之间的异步调用，那么这种调用关系就没有强实时依赖。由于发消息到 Kafka 会产生 网络 I/O ，相对来说比较耗时，那么消息发送这一动作除了同步调用， 是否也可以设置为异步，提高生产者的吞吐呢? 。并且大量消息发送场景, 我们可以设置一个窗口，窗口可以是时间维度也可以是消息数量维度，将消息积攒起来批次发送，减少网络 I/O 次数，提高吞吐量。

最后呢为了保证消息可以最大程度的成功发送到 Broker ，我们还需要一些 失败重试机制 ，例如失败后放到重试队列中，隔一段时间尝试再次发送。

## 理清思路 ##

通过上面的分析，我们会有一个大致的认识，应该会有哪些方法，以及底层的大致的设计会分为哪几个部分。但是不够清楚，不够明晰。

首先总结一下实现客户端的几个要点在于：

1.  配置 Broker 基础信息：集群地址、Topic、Partition
2.  消息序列化，通过可扩展的序列化器实现
3.  消息异步写入缓冲区，网络 I/O 线程实现消息发送
4.  消息发送的失败重试机制

话不多说，用一张图画出各个核心模块以及他们之间的交互顺序：

![image][]

用户设定 Kafka 集群信息，生产者从 Kafka Broker 上拉取 可用 Kafka 节点、Topic 以及 Partition 对应关系。缓存到生产者成员变量中，如果 Broker 集群有扩容，或者有机器下线需要重新获取这些服务信息。

客户端根据用户设置的序列化器，对消息进行序列化，之后异步的将消息写入到客户端缓冲区。缓冲区内的消息到达一定的数量或者到达一个时间窗口后，网络 I/O 线程将消息从缓冲区取走，发送到 Broker 。

以上就是我对于一个 Kafka 生产者实现的思考，接下来看看官方的代码设计与我们的思路有何差别，他又是为什么这么设计。

## 官方设计 ##

其实经过上面的思考和整理，我们的设计已经非常接近 Kafka 的官方设计了，官方的模块拆分的更加细致，功能更加独立。

### 核心组件 ###

首先看一眼 KafkaProducer 类中有哪些成员变量，这些变量就是 Producer 的核心组件。

![image][image 1]

其中核心字段的解释如下：

clinetId ：标识发送者Id

metric ：统计指标

partitioner ：分区器作用是决定消息发到哪个分区。有 key 则按照 key 的 hash ，否则使用 roundrobin

key/value Serializer ：消息 key/value 序列化器

interceptors ：发送之前/后对消息的统一处理

maxRequestSize ：可以发送的最大消息，默认值是1M，即影响一个消息 Record 的大小，此值在服务端也是有限制的。

maxBlockTimeMs ：buffer满了或者等待metadata信息的，超时的补偿机制

accumulator ：累积缓冲器

networkClient ：包装的网络层

sender ：网络 I/O 线程

### 发送流程 ###

发送一条消息的时候，数据又是怎样在这些组件之间进行流转的呢？

![image][image 2]

Producer调用 send 方法后，在从 Broker 获取的 Metadata 有效情况下，经过拦截器和序列化后，被分区器放到了一个缓冲区的特定位置，缓冲区由一个 ConcurrentHashMap 构成，key 为主题分区，value 是一个 deque 存放消息缓存块。从客户端角度来看如果无需关心发送结果，发送流程就已经结束了。

接下来是独立的Sender线程负责从缓冲中获取足量的数据调用 Network Client 封装层去真正发送数据，这里使用了 Java8 的 NIO 网络模型发送数据。

可以看到整个逻辑的关键点在于 RecordAccumulator 如何进行消息缓存，一般的成熟框架和中间件中都会有一套自己的内存管理机制，比如 Netty 也有一套复杂而又精妙的内存管理抽象层，这里的缓冲区也是一样的道理，主要需要去看看 Kafka 如何去做内存管理。

另外需要关注 Sender 从缓冲里以什么样的逻辑获取数据，来达到尽量少的网络交互发送尽量多的数据。还有网络失败又是如何保证数据的可靠性的。这个地方也是我们的设计和官方实现的差距，对于网络 I/O 的精心优化。

目前的篇幅已经比较长了，为了大家方便阅读理解，本篇主要从和大家一起思考如何设计一个 Kafka Producer 以及官方是如何实现的，我们之间的差距是什么，更需要关注的点是什么。通过自己的思考和对比更加能认识到不足学习到新的点！

# 总结 #

阿里伤透我心，疯狂复习刷题，终于喜提offer 哈哈~好啦，不闲扯了，**文章开头说要免费给大家分享我的复习资料，下面就给大家展示一下——[点击这里免费获取我的复习刷题宝典][Link 1]**

![image][image 3]

1、JAVA面试核心知识整理（PDF）：包含**JVM**，**JAVA集合**，**JAVA多线程并发**，JAVA基础，**Spring原理**，**微服务**，Netty与RPC，网络，日志，**Zookeeper**，**Kafka**，**RabbitMQ**，Hbase，**MongoDB**，Cassandra，**设计模式**，**负载均衡**，**数据库**，**一致性哈希**，**JAVA算法**，**数据结构**，加密算法，**分布式缓存**，Hadoop，Spark，Storm，YARN，机器学习，云计算共30个章节。

![image][image 4]

2、Redis学习笔记及学习思维脑图

![image][image 5]

3、数据面试必备20题+数据库性能优化的21个最佳实践

![image][image 6]

图片转存中…(img-AF2B8Tbz-1619428171577)\]

3、数据面试必备20题+数据库性能优化的21个最佳实践

\[外链图片转存中…(img-yaTjANq9-1619428171577)\]

[image]: /images/20210720/f62a76f76af44b7bbaf79a49aeb90f2c.png
[image 1]: https://img-blog.csdnimg.cn/img_convert/993eb587e5f56c3f9df5c61359ab09cc.png
[image 2]: https://img-blog.csdnimg.cn/img_convert/ad68ca3969b8ce9912784316e282db13.png
[Link 1]: https://docs.qq.com/doc/DSmxTbFJ1cmN1R2dB
[image 3]: https://img-blog.csdnimg.cn/img_convert/3a7a58e0d02abb33ea17c170a0c36aaa.png
[image 4]: https://img-blog.csdnimg.cn/img_convert/ee502a4f681aeff662e9a9937817fc3e.png
[image 5]: https://img-blog.csdnimg.cn/img_convert/b0b3ec3794c8d196a217b70285a7007e.png
[image 6]: https://img-blog.csdnimg.cn/img_convert/5956f8ea8b58323982d51a1b70edf517.png