Pulsar 和 Kafka 架构对比

本文作者是 David Kjerrumgaard，目前任职于 Splunk，Apache Pulsar 和 Apache NiFi 项目贡献者。译者为 Sijia@StreamNative。原文链接：https://searchdatamanagement.techtarget.com/post/Apache-Pulsar-vs-Kafka-and-other-data-processing-technologies，翻译已获授权。

关于 Apache Pulsar

Apache Pulsar 是 Apache 软件基金会顶级项目，是下一代云原生分布式消息流平台，集消息、存储、轻量化函数式计算为一体，采用计算与存储分离架构设计，支持多租户、持久化存储、多机房跨区域数据复制，具有强一致性、高吞吐、低延时及高可扩展性等流数据存储特性。
GitHub 地址：http://github.com/apache/pulsar/

相比于 Kafka 等数据处理中间件，分布式消息平台 Apache Pulsar 如何存储数据？本文基于架构，对比了 Apache Kafka 等传统数据处理中间件和分布式消息平台 Apache Pulsar 的优劣势，供大家参考。

存储可扩展

Apache Pulsar 的多层架构将消息服务层与存储层完全解耦，从而使各层可以独立扩展。传统的分布式数据处理中间件（如 Hadoop、Spark）则在同一集群节点/实例上处理和存储数据。这种设计可以降低通过网络进行传输的数据量，使得架构更简洁，性能也有所提升，但同时扩展性、弹性、运维受到了影响。

Pulsar 的分层架构在云原生解决方案中独树一帜。如今，大幅提升的网络带宽为此架构提供了坚实基础，有利于计算和存储的分离。Pulsar 的架构将服务层与存储层解耦：无状态 broker 节点负责数据服务；bookie 节点负责数据存储（如图 1）。

图 1. 服务层与存储层解耦

服务层与存储层解耦的架构有很多优势。首先，各层都可以弹性扩展，彼此之间互不影响。借助云和容器等环境的弹性能力，各层可以自动扩缩容，动态适应流量高峰。其次，通过显著降低集群扩展和升级复杂性，提高了系统可用性和可管理性。再次，这种设计还属于容器友好型设计，使 Pulsar 成为托管云原生流系统的最佳方案。Apache Pulsar 使用高可扩展的 BookKeeper 作为存储层，实现了强大的持久保证与分布式数据存储和复制，并原生支持跨地域复制。

多层设计可以轻松实现分层存储，从而可以将访问频率较低的数据卸载到低成本的持久化存储（如 AWS S3、Azure 云）中。Pulsar 支持配置预定义的存储大小或时间段，自动将存储在本地磁盘的数据卸载至云存储平台，释放本地磁盘，同时安全备份事件数据。

Pulsar vs. Kafka

Apache Pulsar 和 Apache Kafka 都具有类似的消息传递概念。客户端通过 topic（逻辑上分为多个分区）与二者进行交互。通常而言，写入 topic 的无限数据流会被分为分区（特定数量、大小相等的分组），从而使数据均匀分布在系统中，并被多个客户端同时使用。

Apache Pulsar 和 Apache Kafka 之间的本质区别在于存储分区的基础架构。Apache Kafka 是基于分区的发布/订阅系统，旨在作为整体架构运行，服务层和存储层位于同一节点上。

图 2. Kafka 分区

Kafka 存储：基于分区

在 Kafka 中，分区数据作为 leader 节点上的单个连续数据存储，然后复制到副本节点上（副本节点可预配置），实现数据多副本。这种设计通过两种方式限制了分区的容量，并扩展了 topic。首先，由于分区只能存储在本地磁盘中，分区大小取决于主机上最大的单个磁盘大小（“新”安装用户的磁盘大小约为 4 TB）；其次，由于必须复制数据，所以分区的大小不能超过副本节点上最小磁盘空间的大小。

图 3. Kafka 故障和扩容

假设可以将 leader 存储在新节点上，磁盘大小为 4 TB 且只用于分区存储，两个副本节点的存储容量都为 1 TB 。在向 topic 发布 1 TB 数据后，Kafka 将检测到副本节点无法继续接收数据，并且在副本节点释放空间之前，不能继续向该 topic 发布消息（如图 3）。如果 producer 在中断期间无法缓冲消息，则可能会造成数据丢失。

面对这一问题，有两种解决方案：删除磁盘上的数据，存储现有副本节点，但由于来自其他 topic 的数据可能还没有被消费，可能会导致数据丢失；或为 Kafka 集群添加新节点并“重平衡”分区，将新增节点用作副本节点。但是这需要重新复制整个 1 TB 的分区，耗时、易出错，对网络带宽和磁盘 IO 要求高，且代价高昂。此外，对于具有严格 SLA 的程序而言，离线复制的方案并不可取。

使用 Kafka，不仅在扩展集群时需要重新复制分区数据，其他故障也可能需要重新复制分区数据，如副本故障、磁盘故障、计算机故障等。如果没有在生产环境中出现故障，我们通常会忽视 Kafka 的这一弊端。

图 4. Pulsar 分片

Pulsar 存储：基于分片

在基于分片的存储架构（如 Apache Pulsar 使用的架构）中，分区被进一步分成分片，可以根据预先配置的时间或大小进行滚动。分片均匀分布在存储层的 bookie 中，实现数据多副本和扩容。

当 bookie 磁盘空间用尽，不能继续向其中写入数据时，Kafka 需要重新复制数据，Pulsar 如何应对这种场景呢？由于分区被进一步分成分片，因此无需复制整个 bookie 的内容到新增 bookie 中。在添加新 bookie 前，Pulsar 可以继续接收新数据分片，并写入存储容量未满的 bookie 中。添加新 bookie 时，新节点和新分区上的流量立即自动增加，无需重新复制旧数据。

图 5. Pulsar 故障和扩容

如图 5 所示，在第 4 个 bookie 节点不再继续接收新消息分片时，消息分片 4-7 被路由到其他活跃 bookie 上。新增 bookie 后，分片自动被路由到新 bookie 上。整个过程中，Pulsar 始终在运行，并且可以为 producer 和 consumer 提供服务。在这种情况下，Pulsar 的存储系统更加灵活，高可扩展。