24-Kafka的中的日志数据清理

Kafka将数据持久化到了硬盘上，为了控制磁盘容量，需要对过去的消息进行清理。

• 问题：如果让你去设计这个日志删除策略，你会怎么设计？【原理思想】很重要的体现，下面是kafka答案

  • 内部有个定时任务检测删除日志，默认是5分钟 log.retention.check.interval.ms
  • 支持配置策略对数据清理
  • 根据segment单位进行定期清理

• 启用cleaner

  • log.cleaner.enable=true
  • log.cleaner.threads = 2 (清理线程数配置)

• 日志删除

  • log.cleanup.policy=delete

  #清理超过指定时间的消息,默认是168小时，7天，
  #还有log.retention.ms, log.retention.minutes, log.retention.hours，优先级高到低
  log.retention.hours=168
  #超过指定大小后，删除旧的消息，下面是1G的字节数，-1就是没限制
  log.retention.bytes=1073741824
  还有基于日志起始位移（log start offset)，未来社区还有更多
  

  • 基于【时间删除】 日志说明

  配置了7天后删除，那7天如何确定呢？
  每个日志段文件都维护一个最大时间戳字段，每次日志段写入新的消息时，都会更新该字段
  一个日志段segment写满了被切分之后，就不再接收任何新的消息，最大时间戳字段的值也将保持不变
  kafka通过将当前时间与该最大时间戳字段进行比较，从而来判定是否过期   
  

  • 基于【大小超过阈值】 删除日志 说明

  假设日志段大小是500MB，当前分区共有4个日志段文件，大小分别是500MB，500MB，500MB和10MB 
  10MB那个文件就是active日志段。
  此时该分区总的日志大小是3*500MB+10MB=1500MB+10MB
  如果阈值设置为1500MB，那么超出阈值的部分就是10MB，小于日志段大小500MB，故Kafka不会执行任何删除操作，即使总大小已经超过了阈值；
  如果阈值设置为1000MB，那么超过阈值的部分就是500MB+10MB > 500MB，此时Kafka会删除最老的那个日志段文件
  注意：超过阈值的部分必须要大于一个日志段的大小
  

  • log.retention.bytes和log.retention.minutes任意一个达到要求，都会执行删除

• 日志压缩

  • log.cleanup.policy=compact 启用压缩策略
  • 按照消息key进行整理，有相同key不同value值，只保留最后一个