610 lines
34 KiB
Markdown
610 lines
34 KiB
Markdown
# 25 | ReplicaManager（下）：副本管理器是如何管理副本的？
|
||
|
||
你好，我是胡夕。
|
||
|
||
上节课我们学习了ReplicaManager类源码中副本管理器是如何执行副本读写操作的。现在我们知道了，这个副本读写操作主要是通过appendRecords和fetchMessages这两个方法实现的，而这两个方法其实在底层分别调用了Log的append和read方法，也就是我们在[第3节课](https://time.geekbang.org/column/article/225993)中学到的日志消息写入和日志消息读取方法。
|
||
|
||
今天，我们继续学习ReplicaManager类源码，看看副本管理器是如何管理副本的。这里的副本，涵盖了广义副本对象的方方面面，包括副本和分区对象、副本位移值和ISR管理等。因此，本节课我们结合着源码，具体学习下这几个方面。
|
||
|
||
## 分区及副本管理
|
||
|
||
除了对副本进行读写之外，副本管理器还有一个重要的功能，就是管理副本和对应的分区。ReplicaManager管理它们的方式，是通过字段allPartitions来实现的。
|
||
|
||
所以，我想先带你复习下[第23节课](https://time.geekbang.org/column/article/249682)中的allPartitions的代码。不过，这次为了强调它作为容器的属性，我们要把注意力放在它是对象池这个特点上，即allPartitions把所有分区对象汇集在一起，统一放入到一个对象池进行管理。
|
||
|
||
```
|
||
private val allPartitions = new Pool[TopicPartition, HostedPartition](
|
||
valueFactory = Some(tp => HostedPartition.Online(Partition(tp, time, this)))
|
||
)
|
||
|
||
```
|
||
|
||
从代码可以看到，每个ReplicaManager实例都维护了所在Broker上保存的所有分区对象，而每个分区对象Partition下面又定义了一组副本对象Replica。通过这样的层级关系，副本管理器实现了对于分区的直接管理和对副本对象的间接管理。应该这样说，**ReplicaManager通过直接操作分区对象来间接管理下属的副本对象**。
|
||
|
||
对于一个Broker而言，它管理下辖的分区和副本对象的主要方式，就是要确定在它保存的这些副本中，哪些是Leader副本、哪些是Follower副本。
|
||
|
||
这些划分可不是一成不变的，而是随着时间的推移不断变化的。比如说，这个时刻Broker是分区A的Leader副本、分区B的Follower副本，但在接下来的某个时刻，Broker很可能变成分区A的Follower副本、分区B的Leader副本。
|
||
|
||
而这些变更是通过Controller给Broker发送LeaderAndIsrRequest请求来实现的。当Broker端收到这类请求后，会调用副本管理器的becomeLeaderOrFollower方法来处理，并依次执行“成为Leader副本”和“成为Follower副本”的逻辑，令当前Broker互换分区A、B副本的角色。
|
||
|
||
### becomeLeaderOrFollower方法
|
||
|
||
这里我们又提到了LeaderAndIsrRequest请求。其实，我们在学习Controller和控制类请求的时候就多次提到过它，在[第12讲](https://time.geekbang.org/column/article/235904)中也详细学习过它的作用了。因为隔的时间比较长了，我怕你忘记了，所以这里我们再回顾下。
|
||
|
||
简单来说，它就是告诉接收该请求的Broker：在我传给你的这些分区中，哪些分区的Leader副本在你这里；哪些分区的Follower副本在你这里。
|
||
|
||
becomeLeaderOrFollower方法，就是具体处理LeaderAndIsrRequest请求的地方，同时也是副本管理器添加分区的地方。下面我们就完整地学习下这个方法的源码。由于这部分代码很长，我将会分为3个部分向你介绍，分别是处理Controller Epoch事宜、执行成为Leader和Follower的逻辑以及构造Response。
|
||
|
||
我们先看becomeLeaderOrFollower方法的第1大部分，**处理Controller Epoch及其他相关准备工作**的流程图：
|
||
|
||
|
||
|
||
因为becomeLeaderOrFollower方法的开头是一段仅用于调试的日志输出，不是很重要，因此，我直接从if语句开始讲起。第一部分的主体代码如下：
|
||
|
||
```
|
||
// 如果LeaderAndIsrRequest携带的Controller Epoch
|
||
// 小于当前Controller的Epoch值
|
||
if (leaderAndIsrRequest.controllerEpoch < controllerEpoch) {
|
||
stateChangeLogger.warn(s"Ignoring LeaderAndIsr request from controller $controllerId with " +
|
||
s"correlation id $correlationId since its controller epoch ${leaderAndIsrRequest.controllerEpoch} is old. " +
|
||
s"Latest known controller epoch is $controllerEpoch")
|
||
// 说明Controller已经易主，抛出相应异常
|
||
leaderAndIsrRequest.getErrorResponse(0, Errors.STALE_CONTROLLER_EPOCH.exception)
|
||
} else {
|
||
val responseMap = new mutable.HashMap[TopicPartition, Errors]
|
||
// 更新当前Controller Epoch值
|
||
controllerEpoch = leaderAndIsrRequest.controllerEpoch
|
||
val partitionStates = new mutable.HashMap[Partition, LeaderAndIsrPartitionState]()
|
||
// 遍历LeaderAndIsrRequest请求中的所有分区
|
||
requestPartitionStates.foreach { partitionState =>
|
||
val topicPartition = new TopicPartition(partitionState.topicName, partitionState.partitionIndex)
|
||
// 从allPartitions中获取对应分区对象
|
||
val partitionOpt = getPartition(topicPartition) match {
|
||
// 如果是Offline状态
|
||
case HostedPartition.Offline =>
|
||
stateChangeLogger.warn(s"Ignoring LeaderAndIsr request from " +
|
||
s"controller $controllerId with correlation id $correlationId " +
|
||
s"epoch $controllerEpoch for partition $topicPartition as the local replica for the " +
|
||
"partition is in an offline log directory")
|
||
// 添加对象异常到Response，并设置分区对象变量partitionOpt=None
|
||
responseMap.put(topicPartition, Errors.KAFKA_STORAGE_ERROR)
|
||
None
|
||
// 如果是Online状态，直接赋值partitionOpt即可
|
||
case HostedPartition.Online(partition) =>
|
||
Some(partition)
|
||
// 如果是None状态，则表示没有找到分区对象
|
||
// 那么创建新的分区对象将，新创建的分区对象加入到allPartitions统一管理
|
||
// 然后赋值partitionOpt字段
|
||
case HostedPartition.None =>
|
||
val partition = Partition(topicPartition, time, this)
|
||
allPartitions.putIfNotExists(topicPartition, HostedPartition.Online(partition))
|
||
Some(partition)
|
||
}
|
||
// 检查分区的Leader Epoch值
|
||
......
|
||
}
|
||
|
||
|
||
```
|
||
|
||
现在，我们一起来学习下这部分内容的核心逻辑。
|
||
|
||
首先，比较LeaderAndIsrRequest携带的Controller Epoch值和当前Controller Epoch值。如果发现前者小于后者，说明Controller已经变更到别的Broker上了，需要构造一个STALE\_CONTROLLER\_EPOCH异常并封装进Response返回。否则，代码进入else分支。
|
||
|
||
然后，becomeLeaderOrFollower方法会更新当前缓存的Controller Epoch值，再提取出LeaderAndIsrRequest请求中涉及到的分区，之后依次遍历这些分区，并执行下面的两步逻辑。
|
||
|
||
第1步，从allPartitions中取出对应的分区对象。在第23节课，我们学习了分区有3种状态，即在线（Online）、离线（Offline）和不存在（None），这里代码就需要分别应对这3种情况：
|
||
|
||
* 如果是Online状态的分区，直接将其赋值给partitionOpt字段即可；
|
||
* 如果是Offline状态的分区，说明该分区副本所在的Kafka日志路径出现I/O故障时（比如磁盘满了），需要构造对应的KAFKA\_STORAGE\_ERROR异常并封装进Response，同时令partitionOpt字段为None；
|
||
* 如果是None状态的分区，则创建新分区对象，然后将其加入到allPartitions中，进行统一管理，并赋值给partitionOpt字段。
|
||
|
||
第2步，检查partitionOpt字段表示的分区的Leader Epoch。检查的原则是要确保请求中携带的Leader Epoch值要大于当前缓存的Leader Epoch，否则就说明是过期Controller发送的请求，就直接忽略它，不做处理。
|
||
|
||
总之呢，becomeLeaderOrFollower方法的第一部分代码，主要做的事情就是创建新分区、更新Controller Epoch和校验分区Leader Epoch。我们在[第3讲](https://time.geekbang.org/column/article/225993)说到过Leader Epoch机制，因为是比较高阶的用法，你可以不用重点掌握，这不会影响到我们学习副本管理。不过，如果你想深入了解的话，推荐你课下自行阅读下LeaderEpochFileCache.scala的源码。
|
||
|
||
当为所有分区都执行完这两个步骤之后，**becomeLeaderOrFollower方法进入到第2部分，开始执行Broker成为Leader副本和Follower副本的逻辑**：
|
||
|
||
```
|
||
// 确定Broker上副本是哪些分区的Leader副本
|
||
val partitionsToBeLeader = partitionStates.filter { case (_, partitionState) =>
|
||
partitionState.leader == localBrokerId
|
||
}
|
||
// 确定Broker上副本是哪些分区的Follower副本
|
||
val partitionsToBeFollower = partitionStates.filter { case (k, _) => !partitionsToBeLeader.contains(k) }
|
||
|
||
val highWatermarkCheckpoints = new LazyOffsetCheckpoints(this.highWatermarkCheckpoints)
|
||
val partitionsBecomeLeader = if (partitionsToBeLeader.nonEmpty)
|
||
// 调用makeLeaders方法为partitionsToBeLeader所有分区
|
||
// 执行"成为Leader副本"的逻辑
|
||
makeLeaders(controllerId, controllerEpoch, partitionsToBeLeader, correlationId, responseMap,
|
||
highWatermarkCheckpoints)
|
||
else
|
||
Set.empty[Partition]
|
||
val partitionsBecomeFollower = if (partitionsToBeFollower.nonEmpty)
|
||
// 调用makeFollowers方法为令partitionsToBeFollower所有分区
|
||
// 执行"成为Follower副本"的逻辑
|
||
makeFollowers(controllerId, controllerEpoch, partitionsToBeFollower, correlationId, responseMap,
|
||
highWatermarkCheckpoints)
|
||
else
|
||
Set.empty[Partition]
|
||
val leaderTopicSet = leaderPartitionsIterator.map(_.topic).toSet
|
||
val followerTopicSet = partitionsBecomeFollower.map(_.topic).toSet
|
||
// 对于当前Broker成为Follower副本的主题
|
||
// 移除它们之前的Leader副本监控指标
|
||
followerTopicSet.diff(leaderTopicSet).foreach(brokerTopicStats.removeOldLeaderMetrics)
|
||
// 对于当前Broker成为Leader副本的主题
|
||
// 移除它们之前的Follower副本监控指
|
||
leaderTopicSet.diff(followerTopicSet).foreach(brokerTopicStats.removeOldFollowerMetrics)
|
||
// 如果有分区的本地日志为空，说明底层的日志路径不可用
|
||
// 标记该分区为Offline状态
|
||
leaderAndIsrRequest.partitionStates.forEach { partitionState =>
|
||
val topicPartition = new TopicPartition(partitionState.topicName, partitionState.partitionIndex)
|
||
if (localLog(topicPartition).isEmpty)
|
||
markPartitionOffline(topicPartition)
|
||
}
|
||
|
||
```
|
||
|
||
**首先**，这部分代码需要先确定两个分区集合，一个是把该Broker当成Leader的所有分区；一个是把该Broker当成Follower的所有分区。判断的依据，主要是看LeaderAndIsrRequest请求中分区的Leader信息，是不是和本Broker的ID相同。如果相同，则表明该Broker是这个分区的Leader；否则，表示当前Broker是这个分区的Follower。
|
||
|
||
一旦确定了这两个分区集合，**接着**，代码就会分别为它们调用makeLeaders和makeFollowers方法，正式让Leader和Follower角色生效。之后，对于那些当前Broker成为Follower副本的主题，代码需要移除它们之前的Leader副本监控指标，以防出现系统资源泄露的问题。同样地，对于那些当前Broker成为Leader副本的主题，代码要移除它们之前的Follower副本监控指标。
|
||
|
||
**最后**，如果有分区的本地日志为空，说明底层的日志路径不可用，那么标记该分区为Offline状态。所谓的标记为Offline状态，主要是两步：第1步是更新allPartitions中分区的状态；第2步是移除对应分区的监控指标。
|
||
|
||
小结一下，becomeLeaderOrFollower方法第2大部分的主要功能是，调用makeLeaders和makeFollowers方法，令Broker在不同分区上的Leader或Follower角色生效。关于这两个方法的实现细节，一会儿我再详细说。
|
||
|
||
现在，让我们看看**第3大部分的代码，构造Response对象**。这部分代码是becomeLeaderOrFollower方法的收尾操作。
|
||
|
||
```
|
||
// 启动高水位检查点专属线程
|
||
// 定期将Broker上所有非Offline分区的高水位值写入到检查点文件
|
||
startHighWatermarkCheckPointThread()
|
||
// 添加日志路径数据迁移线程
|
||
maybeAddLogDirFetchers(partitionStates.keySet, highWatermarkCheckpoints)
|
||
// 关闭空闲副本拉取线程
|
||
replicaFetcherManager.shutdownIdleFetcherThreads()
|
||
// 关闭空闲日志路径数据迁移线程
|
||
replicaAlterLogDirsManager.shutdownIdleFetcherThreads()
|
||
// 执行Leader变更之后的回调逻辑
|
||
onLeadershipChange(partitionsBecomeLeader, partitionsBecomeFollower)
|
||
// 构造LeaderAndIsrRequest请求的Response并返回
|
||
val responsePartitions = responseMap.iterator.map { case (tp, error) =>
|
||
new LeaderAndIsrPartitionError()
|
||
.setTopicName(tp.topic)
|
||
.setPartitionIndex(tp.partition)
|
||
.setErrorCode(error.code)
|
||
}.toBuffer
|
||
new LeaderAndIsrResponse(new LeaderAndIsrResponseData()
|
||
.setErrorCode(Errors.NONE.code)
|
||
.setPartitionErrors(responsePartitions.asJava))
|
||
|
||
```
|
||
|
||
我们来分析下这部分代码的执行逻辑吧。
|
||
|
||
首先，这部分开始时会启动一个专属线程来执行高水位值持久化，定期地将Broker上所有非Offline分区的高水位值写入检查点文件。这个线程是个后台线程，默认每5秒执行一次。
|
||
|
||
同时，代码还会添加日志路径数据迁移线程。这个线程的主要作用是，将路径A上面的数据搬移到路径B上。这个功能是Kafka支持JBOD（Just a Bunch of Disks）的重要前提。
|
||
|
||
之后，becomeLeaderOrFollower方法会关闭空闲副本拉取线程和空闲日志路径数据迁移线程。判断空闲与否的主要条件是，分区Leader/Follower角色调整之后，是否存在不再使用的拉取线程了。代码要确保及时关闭那些不再被使用的线程对象。
|
||
|
||
再之后是执行LeaderAndIsrRequest请求的回调处理逻辑。这里的回调逻辑，实际上只是对Kafka两个内部主题（\_\_consumer\_offsets和\_\_transaction\_state）有用，其他主题一概不适用。所以通常情况下，你可以无视这里的回调逻辑。
|
||
|
||
等这些都做完之后，代码开始执行这部分最后，也是最重要的任务：构造LeaderAndIsrRequest请求的Response，然后将新创建的Response返回。至此，这部分方法的逻辑结束。
|
||
|
||
纵观becomeLeaderOrFollower方法的这3大部分，becomeLeaderOrFollower方法最重要的职责，在我看来就是调用makeLeaders和makeFollowers方法，为各自的分区列表执行相应的角色确认工作。
|
||
|
||
接下来，我们就分别看看这两个方法是如何实现这种角色确认的。
|
||
|
||
### makeLeaders方法
|
||
|
||
makeLeaders方法的作用是，让当前Broker成为给定一组分区的Leader，也就是让当前Broker下该分区的副本成为Leader副本。这个方法主要有3步：
|
||
|
||
1. 停掉这些分区对应的获取线程；
|
||
2. 更新Broker缓存中的分区元数据信息；
|
||
3. 将指定分区添加到Leader分区集合。
|
||
|
||
我们结合代码分析下这些都是如何实现的。首先，我们看下makeLeaders的方法签名：
|
||
|
||
```
|
||
// controllerId：Controller所在Broker的ID
|
||
// controllEpoch：Controller Epoch值，可以认为是Controller版本号
|
||
// partitionStates：LeaderAndIsrRequest请求中携带的分区信息
|
||
// correlationId：请求的Correlation字段，只用于日志调试
|
||
// responseMap：按照主题分区分组的异常错误集合
|
||
// highWatermarkCheckpoints：操作磁盘上高水位检查点文件的工具类
|
||
private def makeLeaders(controllerId: Int,
|
||
controllerEpoch: Int,
|
||
partitionStates: Map[Partition, LeaderAndIsrPartitionState],
|
||
correlationId: Int,
|
||
responseMap: mutable.Map[TopicPartition, Errors],
|
||
highWatermarkCheckpoints: OffsetCheckpoints): Set[Partition] = {
|
||
......
|
||
}
|
||
|
||
```
|
||
|
||
可以看出，makeLeaders方法接收6个参数，并返回一个分区对象集合。这个集合就是当前Broker是Leader的所有分区。在这6个参数中，以下3个参数比较关键，我们看下它们的含义。
|
||
|
||
* controllerId：Controller所在Broker的ID。该字段只是用于日志输出，无其他实际用途。
|
||
* controllerEpoch：Controller Epoch值，可以认为是Controller版本号。该字段用于日志输出使用，无其他实际用途。
|
||
* partitionStates：LeaderAndIsrRequest请求中携带的分区信息，包括每个分区的Leader是谁、ISR都有哪些等数据。
|
||
|
||
好了，现在我们继续学习makeLeaders的代码。我把这个方法的关键步骤放在了注释里，并省去了一些日志输出相关的代码。
|
||
|
||
```
|
||
......
|
||
// 使用Errors.NONE初始化ResponseMap
|
||
partitionStates.keys.foreach { partition =>
|
||
......
|
||
responseMap.put(partition.topicPartition, Errors.NONE)
|
||
}
|
||
val partitionsToMakeLeaders = mutable.Set[Partition]()
|
||
try {
|
||
// 停止消息拉取
|
||
replicaFetcherManager.removeFetcherForPartitions(
|
||
partitionStates.keySet.map(_.topicPartition))
|
||
stateChangeLogger.info(s"Stopped fetchers as part of LeaderAndIsr request correlationId $correlationId from " +
|
||
s"controller $controllerId epoch $controllerEpoch as part of the become-leader transition for " +
|
||
s"${partitionStates.size} partitions")
|
||
// 更新指定分区的Leader分区信息
|
||
partitionStates.foreach { case (partition, partitionState) =>
|
||
try {
|
||
if (partition.makeLeader(partitionState, highWatermarkCheckpoints))
|
||
partitionsToMakeLeaders += partition
|
||
else
|
||
......
|
||
} catch {
|
||
case e: KafkaStorageException =>
|
||
......
|
||
// 把KAFKA_SOTRAGE_ERRROR异常封装到Response中
|
||
responseMap.put(partition.topicPartition, Errors.KAFKA_STORAGE_ERROR)
|
||
}
|
||
}
|
||
} catch {
|
||
case e: Throwable =>
|
||
......
|
||
}
|
||
......
|
||
partitionsToMakeLeaders
|
||
|
||
|
||
```
|
||
|
||
我把主要的执行流程，梳理为了一张流程图：
|
||
|
||
|
||
|
||
结合着图，我再带着你学习下这个方法的执行逻辑。
|
||
|
||
首先，将给定的一组分区的状态全部初始化成Errors.None。
|
||
|
||
然后，停止为这些分区服务的所有拉取线程。毕竟该Broker现在是这些分区的Leader副本了，不再是Follower副本了，所以没有必要再使用拉取线程了。
|
||
|
||
最后，makeLeaders方法调用Partition的makeLeader方法，去更新给定一组分区的Leader分区信息，而这些是由Partition类中的makeLeader方法完成的。该方法保存分区的Leader和ISR信息，同时创建必要的日志对象、重设远端Follower副本的LEO值。
|
||
|
||
那远端Follower副本，是什么意思呢？远端Follower副本，是指保存在Leader副本本地内存中的一组Follower副本集合，在代码中用字段remoteReplicas来表征。
|
||
|
||
ReplicaManager在处理FETCH请求时，会更新remoteReplicas中副本对象的LEO值。同时，Leader副本会将自己更新后的LEO值与remoteReplicas中副本的LEO值进行比较，来决定是否“抬高”高水位值。
|
||
|
||
而Partition类中的makeLeader方法的一个重要步骤，就是要重设这组远端Follower副本对象的LEO值。
|
||
|
||
makeLeaders方法执行完Partition.makeLeader后，如果当前Broker成功地成为了该分区的Leader副本，就返回True，表示新Leader配置成功，否则，就表示处理失败。倘若成功设置了Leader，那么，就把该分区加入到已成功设置Leader的分区列表中，并返回该列表。
|
||
|
||
至此，方法结束。我再来小结下，makeLeaders的作用是令当前Broker成为给定分区的Leader副本。接下来，我们再看看与makeLeaders方法功能相反的makeFollowers方法。
|
||
|
||
### makeFollowers方法
|
||
|
||
makeFollowers方法的作用是，将当前Broker配置成指定分区的Follower副本。我们还是先看下方法签名：
|
||
|
||
```
|
||
// controllerId：Controller所在Broker的Id
|
||
// controllerEpoch：Controller Epoch值
|
||
// partitionStates：当前Broker是Follower副本的所有分区的详细信息
|
||
// correlationId：连接请求与响应的关联字段
|
||
// responseMap：封装LeaderAndIsrRequest请求处理结果的字段
|
||
// highWatermarkCheckpoints：操作高水位检查点文件的工具类
|
||
private def makeFollowers(
|
||
controllerId: Int,
|
||
controllerEpoch: Int,
|
||
partitionStates: Map[Partition, LeaderAndIsrPartitionState],
|
||
correlationId: Int,
|
||
responseMap: mutable.Map[TopicPartition, Errors],
|
||
highWatermarkCheckpoints: OffsetCheckpoints) : Set[Partition] = {
|
||
......
|
||
}
|
||
|
||
```
|
||
|
||
你看，makeFollowers方法的参数列表与makeLeaders方法，是一模一样的。这里我也就不再展开了。
|
||
|
||
其中比较重要的字段，就是partitionStates和responseMap。基本上，你可以认为partitionStates是makeFollowers方法的输入，responseMap是输出。
|
||
|
||
因为整个makeFollowers方法的代码很长，所以我接下来会先用一张图解释下它的核心逻辑，让你先有个全局观；然后，我再按照功能划分带你学习每一部分的代码。
|
||
|
||
|
||
|
||
总体来看，makeFollowers方法分为两大步：
|
||
|
||
* 第1步，遍历partitionStates中的所有分区，然后执行“成为Follower”的操作；
|
||
* 第2步，执行其他动作，主要包括重建Fetcher线程、完成延时请求等。
|
||
|
||
首先，**我们学习第1步遍历partitionStates所有分区的代码**：
|
||
|
||
```
|
||
// 第一部分：遍历partitionStates所有分区
|
||
......
|
||
partitionStates.foreach { case (partition, partitionState) =>
|
||
......
|
||
// 将所有分区的处理结果的状态初始化为Errors.NONE
|
||
responseMap.put(partition.topicPartition, Errors.NONE)
|
||
}
|
||
val partitionsToMakeFollower: mutable.Set[Partition] = mutable.Set()
|
||
try {
|
||
// 遍历partitionStates所有分区
|
||
partitionStates.foreach { case (partition, partitionState) =>
|
||
// 拿到分区的Leader Broker ID
|
||
val newLeaderBrokerId = partitionState.leader
|
||
try {
|
||
// 在元数据缓存中找到Leader Broke对象
|
||
metadataCache.getAliveBrokers.find(_.id == newLeaderBrokerId) match {
|
||
// 如果Leader确实存在
|
||
case Some(_) =>
|
||
// 执行makeFollower方法，将当前Broker配置成该分区的Follower副本
|
||
if (partition.makeFollower(partitionState, highWatermarkCheckpoints))
|
||
// 如果配置成功，将该分区加入到结果返回集中
|
||
partitionsToMakeFollower += partition
|
||
else // 如果失败，打印错误日志
|
||
......
|
||
// 如果Leader不存在
|
||
case None =>
|
||
......
|
||
// 依然创建出分区Follower副本的日志对象
|
||
partition.createLogIfNotExists(isNew = partitionState.isNew, isFutureReplica = false,
|
||
highWatermarkCheckpoints)
|
||
}
|
||
} catch {
|
||
case e: KafkaStorageException =>
|
||
......
|
||
}
|
||
}
|
||
|
||
```
|
||
|
||
在这部分代码中，我们可以把它的执行逻辑划分为两大步骤。
|
||
|
||
第1步，将结果返回集合中所有分区的处理结果状态初始化为Errors.NONE；第2步，遍历partitionStates中的所有分区，依次为每个分区执行以下逻辑：
|
||
|
||
* 从分区的详细信息中获取分区的Leader Broker ID；
|
||
* 拿着上一步获取的Broker ID，去Broker元数据缓存中找到Leader Broker对象；
|
||
* 如果Leader对象存在，则执行Partition类的makeFollower方法将当前Broker配置成该分区的Follower副本。如果makeFollower方法执行成功，就说明当前Broker被成功配置为指定分区的Follower副本，那么将该分区加入到结果返回集中。
|
||
* 如果Leader对象不存在，依然创建出分区Follower副本的日志对象。
|
||
|
||
说到Partition的makeFollower方法的执行逻辑，主要是包括以下4步：
|
||
|
||
1. 更新Controller Epoch值；
|
||
2. 保存副本列表（Assigned Replicas，AR）和清空ISR；
|
||
3. 创建日志对象；
|
||
4. 重设Leader副本的Broker ID。
|
||
|
||
接下来，**我们看下makeFollowers方法的第2步，执行其他动作的代码**：
|
||
|
||
```
|
||
// 第二部分：执行其他动作
|
||
// 移除现有Fetcher线程
|
||
replicaFetcherManager.removeFetcherForPartitions(
|
||
partitionsToMakeFollower.map(_.topicPartition))
|
||
......
|
||
// 尝试完成延迟请求
|
||
partitionsToMakeFollower.foreach { partition =>
|
||
completeDelayedFetchOrProduceRequests(partition.topicPartition)
|
||
}
|
||
if (isShuttingDown.get()) {
|
||
.....
|
||
} else {
|
||
// 为需要将当前Broker设置为Follower副本的分区
|
||
// 确定Leader Broker和起始读取位移值fetchOffset
|
||
val partitionsToMakeFollowerWithLeaderAndOffset = partitionsToMakeFollower.map { partition =>
|
||
val leader = metadataCache.getAliveBrokers
|
||
.find(_.id == partition.leaderReplicaIdOpt.get).get
|
||
.brokerEndPoint(config.interBrokerListenerName)
|
||
val fetchOffset = partition.localLogOrException.highWatermark
|
||
partition.topicPartition -> InitialFetchState(leader,
|
||
partition.getLeaderEpoch, fetchOffset)
|
||
}.toMap
|
||
// 使用上一步确定的Leader Broker和fetchOffset添加新的Fetcher线程
|
||
replicaFetcherManager.addFetcherForPartitions(
|
||
partitionsToMakeFollowerWithLeaderAndOffset)
|
||
}
|
||
} catch {
|
||
case e: Throwable =>
|
||
......
|
||
throw e
|
||
}
|
||
......
|
||
// 返回需要将当前Broker设置为Follower副本的分区列表
|
||
partitionsToMakeFollower
|
||
|
||
```
|
||
|
||
你看，这部分代码的任务比较简单，逻辑也都是线性递进的，很好理解。我带你简单地梳理一下。
|
||
|
||
首先，移除现有Fetcher线程。因为Leader可能已经更换了，所以要读取的Broker以及要读取的位移值都可能随之发生变化。
|
||
|
||
然后，为需要将当前Broker设置为Follower副本的分区，确定Leader Broker和起始读取位移值fetchOffset。这些信息都已经在LeaderAndIsrRequest中了。
|
||
|
||
接下来，使用上一步确定的Leader Broker和fetchOffset添加新的Fetcher线程。
|
||
|
||
最后，返回需要将当前Broker设置为Follower副本的分区列表。
|
||
|
||
至此，副本管理器管理分区和副本的主要方法实现，我们就都学完啦。可以看出，这些代码实现的大部分，都是围绕着如何处理LeaderAndIsrRequest请求数据展开的。比如，makeLeaders拿到请求数据后，会为分区设置Leader和ISR；makeFollowers拿到数据后，会为分区更换Fetcher线程以及清空ISR。
|
||
|
||
LeaderAndIsrRequest请求是Kafka定义的最重要的控制类请求。搞懂它是如何被处理的，对于你弄明白Kafka的副本机制是大有裨益的。
|
||
|
||
## ISR管理
|
||
|
||
除了读写副本、管理分区和副本的功能之外，副本管理器还有一个重要的功能，那就是管理ISR。这里的管理主要体现在两个方法：
|
||
|
||
* 一个是maybeShrinkIsr方法，作用是阶段性地查看ISR中的副本集合是否需要收缩；
|
||
* 另一个是maybePropagateIsrChanges方法，作用是定期向集群Broker传播ISR的变更。
|
||
|
||
首先，我们看下ISR的收缩操作。
|
||
|
||
### maybeShrinkIsr方法
|
||
|
||
收缩是指，把ISR副本集合中那些与Leader差距过大的副本移除的过程。所谓的差距过大，就是ISR中Follower副本滞后Leader副本的时间，超过了Broker端参数replica.lag.time.max.ms值的1.5倍。
|
||
|
||
稍等，为什么是1.5倍呢？你可以看下面的代码：
|
||
|
||
```
|
||
def startup(): Unit = {
|
||
scheduler.schedule("isr-expiration", maybeShrinkIsr _, period = config.replicaLagTimeMaxMs / 2, unit = TimeUnit.MILLISECONDS)
|
||
......
|
||
}
|
||
|
||
```
|
||
|
||
我来解释下。ReplicaManager类的startup方法会在被调用时创建一个异步线程，定时查看是否有ISR需要进行收缩。这里的定时频率是replicaLagTimeMaxMs值的一半，而判断Follower副本是否需要被移除ISR的条件是，滞后程度是否超过了replicaLagTimeMaxMs值。
|
||
|
||
因此理论上，滞后程度小于1.5倍replicaLagTimeMaxMs值的Follower副本，依然有可能在ISR中，不会被移除。这就是数字“1.5”的由来了。
|
||
|
||
接下来，我们看下maybeShrinkIsr方法的源码。
|
||
|
||
```
|
||
private def maybeShrinkIsr(): Unit = {
|
||
trace("Evaluating ISR list of partitions to see which replicas can be removed from the ISR")
|
||
allPartitions.keys.foreach { topicPartition =>
|
||
nonOfflinePartition(topicPartition).foreach(_.maybeShrinkIsr())
|
||
}
|
||
}
|
||
|
||
```
|
||
|
||
可以看出，maybeShrinkIsr方法会遍历该副本管理器上所有分区对象，依次为这些分区中状态为Online的分区，执行Partition类的maybeShrinkIsr方法。这个方法的源码如下：
|
||
|
||
```
|
||
def maybeShrinkIsr(): Unit = {
|
||
// 判断是否需要执行ISR收缩
|
||
val needsIsrUpdate = inReadLock(leaderIsrUpdateLock) {
|
||
needsShrinkIsr()
|
||
}
|
||
val leaderHWIncremented = needsIsrUpdate && inWriteLock(leaderIsrUpdateLock) {
|
||
leaderLogIfLocal match {
|
||
// 如果是Leader副本
|
||
case Some(leaderLog) =>
|
||
// 获取不同步的副本Id列表
|
||
val outOfSyncReplicaIds = getOutOfSyncReplicas(replicaLagTimeMaxMs)
|
||
// 如果存在不同步的副本Id列表
|
||
if (outOfSyncReplicaIds.nonEmpty) {
|
||
// 计算收缩之后的ISR列表
|
||
val newInSyncReplicaIds = inSyncReplicaIds -- outOfSyncReplicaIds
|
||
assert(newInSyncReplicaIds.nonEmpty)
|
||
info("Shrinking ISR from %s to %s. Leader: (highWatermark: %d, endOffset: %d). Out of sync replicas: %s."
|
||
.format(inSyncReplicaIds.mkString(","),
|
||
newInSyncReplicaIds.mkString(","),
|
||
leaderLog.highWatermark,
|
||
leaderLog.logEndOffset,
|
||
outOfSyncReplicaIds.map { replicaId =>
|
||
s"(brokerId: $replicaId, endOffset: ${getReplicaOrException(replicaId).logEndOffset})"
|
||
}.mkString(" ")
|
||
)
|
||
)
|
||
// 更新ZooKeeper中分区的ISR数据以及Broker的元数据缓存中的数据
|
||
shrinkIsr(newInSyncReplicaIds)
|
||
// 尝试更新Leader副本的高水位值
|
||
maybeIncrementLeaderHW(leaderLog)
|
||
} else {
|
||
false
|
||
}
|
||
// 如果不是Leader副本，什么都不做
|
||
case None => false
|
||
}
|
||
}
|
||
// 如果Leader副本的高水位值抬升了
|
||
if (leaderHWIncremented)
|
||
// 尝试解锁一下延迟请求
|
||
tryCompleteDelayedRequests()
|
||
}
|
||
|
||
```
|
||
|
||
可以看出，maybeShrinkIsr方法的整个执行流程是：
|
||
|
||
* **第1步**，判断是否需要执行ISR收缩。主要的方法是，调用needShrinkIsr方法来获取与Leader不同步的副本。如果存在这样的副本，说明需要执行ISR收缩。
|
||
* **第2步**，再次获取与Leader不同步的副本列表，并把它们从当前ISR中剔除出去，然后计算得出最新的ISR列表。
|
||
* **第3步**，调用shrinkIsr方法去更新ZooKeeper上分区的ISR数据以及Broker上元数据缓存。
|
||
* **第4步**，尝试更新Leader分区的高水位值。这里有必要检查一下是否可以抬升高水位值的原因在于，如果ISR收缩后只剩下Leader副本一个了，那么高水位值的更新就不再受那么多限制了。
|
||
* **第5步**，根据上一步的结果，来尝试解锁之前不满足条件的延迟操作。
|
||
|
||
我把这个执行过程，梳理到了一张流程图中：
|
||
|
||
|
||
|
||
### maybePropagateIsrChanges方法
|
||
|
||
ISR收缩之后，ReplicaManager还需要将这个操作的结果传递给集群的其他Broker，以同步这个操作的结果。这是由ISR通知事件来完成的。
|
||
|
||
在ReplicaManager类中，方法maybePropagateIsrChanges专门负责创建ISR通知事件。这也是由一个异步线程定期完成的，代码如下：
|
||
|
||
```
|
||
scheduler.schedule("isr-change-propagation", maybePropagateIsrChanges _, period = 2500L, unit = TimeUnit.MILLISECONDS)
|
||
|
||
```
|
||
|
||
接下来，我们看下maybePropagateIsrChanges方法的代码：
|
||
|
||
```
|
||
def maybePropagateIsrChanges(): Unit = {
|
||
val now = System.currentTimeMillis()
|
||
isrChangeSet synchronized {
|
||
// ISR变更传播的条件，需要同时满足：
|
||
// 1. 存在尚未被传播的ISR变更
|
||
// 2. 最近5秒没有任何ISR变更，或者自上次ISR变更已经有超过1分钟的时间
|
||
if (isrChangeSet.nonEmpty &&
|
||
(lastIsrChangeMs.get() + ReplicaManager.IsrChangePropagationBlackOut < now ||
|
||
lastIsrPropagationMs.get() + ReplicaManager.IsrChangePropagationInterval < now)) {
|
||
// 创建ZooKeeper相应的Znode节点
|
||
zkClient.propagateIsrChanges(isrChangeSet)
|
||
// 清空isrChangeSet集合
|
||
isrChangeSet.clear()
|
||
// 更新最近ISR变更时间戳
|
||
lastIsrPropagationMs.set(now)
|
||
}
|
||
}
|
||
}
|
||
|
||
|
||
```
|
||
|
||
可以看到，maybePropagateIsrChanges方法的逻辑也比较简单。我来概括下其执行逻辑。
|
||
|
||
首先，确定ISR变更传播的条件。这里需要同时满足两点：
|
||
|
||
* 一是， 存在尚未被传播的ISR变更；
|
||
* 二是， 最近5秒没有任何ISR变更，或者自上次ISR变更已经有超过1分钟的时间。
|
||
|
||
一旦满足了这两个条件，代码会创建ZooKeeper相应的Znode节点；然后，清空isrChangeSet集合；最后，更新最近ISR变更时间戳。
|
||
|
||
## 总结
|
||
|
||
今天，我们重点学习了ReplicaManager类的分区和副本管理功能，以及ISR管理。我们再完整地梳理下ReplicaManager类的核心功能和方法。
|
||
|
||
* 分区/副本管理。ReplicaManager类的核心功能是，应对Broker端接收的LeaderAndIsrRequest请求，并将请求中的分区信息抽取出来，让所在Broker执行相应的动作。
|
||
* becomeLeaderOrFollower方法。它是应对LeaderAndIsrRequest请求的入口方法。它会将请求中的分区划分成两组，分别调用makeLeaders和makeFollowers方法。
|
||
* makeLeaders方法。它的作用是让Broker成为指定分区Leader副本。
|
||
* makeFollowers方法。它的作用是让Broker成为指定分区Follower副本的方法。
|
||
* ISR管理。ReplicaManager类提供了ISR收缩和定期传播ISR变更通知的功能。
|
||
|
||
|
||
|
||
掌握了这些核心知识点，你差不多也就掌握了绝大部分的副本管理器功能，比如说Broker如何成为分区的Leader副本和Follower副本，以及ISR是如何被管理的。
|
||
|
||
你可能也发现了，有些非核心小功能我们今天并没有展开，比如Broker上的元数据缓存是怎么回事。下一节课，我将带你深入到这个缓存当中，去看看它到底是什么。
|
||
|
||
## 课后讨论
|
||
|
||
maybePropagateIsrChanges源码中，有个isrChangeSet字段。你知道它是在哪里被更新的吗？
|
||
|
||
欢迎在留言区写下你的思考和答案，跟我交流讨论，也欢迎你把今天的内容分享给你的朋友。
|
||
|