Kafka數(shù)據(jù)清理：日志清理和日志刪除

Kafka的消息存儲在磁盤中，為了控制磁盤占用空間，Kafka需要不斷地對過去的一些消息進(jìn)行清理工作。Kafka的每個分區(qū)都有很多的日志文件，這樣也是為了方便進(jìn)行日志的清理。在Kafka中，提供日志清理和日志壓縮兩種方式：

日志刪除(Log Deletion)：按照指定的策略直接刪除不符合條件的日志。

日志壓縮(Log Compaction)：按照消息的key進(jìn)行整合，有相同key的但有不同value值，只保留最后一個版本。

在Kafka的broker或topic配置中：

以段(segment日志)為單位來進(jìn)行定期清理的。本節(jié)我們來詳細(xì)介紹Kafka數(shù)據(jù)處理中的日志刪除和日志壓縮。

定時日志刪除任務(wù)

1. 基于時間的保留策略

2. 基于日志大小的保留策略

3. 基于日志起始偏移量的保留策略

基于時間的保留策略

以下三種配置可以指定如果Kafka中的消息超過指定的閾值，就會將日志進(jìn)行自動清理：

- log.retention.hours

- log.retention.minutes

- log.retention.ms

其中，優(yōu)先級為 log.retention.ms > log.retention.minutes > log.retention.hours。默認(rèn)情況，在broker中，配置如下：

log.retention.hours=168

也就是，默認(rèn)日志的保留時間為168小時，相當(dāng)于保留7天。

刪除日志分段時:

1. 從日志文件對象中所維護(hù)日志分段的跳躍表中移除待刪除的日志分段，以保證沒有線程對這些日志分段進(jìn)行讀取操作

2. 將日志分段文件添加上“.deleted”的后綴(也包括日志分段對應(yīng)的索引文件)

3. Kafka的后臺定時任務(wù)會定期刪除這些“.deleted”為后綴的文件，這個任務(wù)的延遲執(zhí)行時間可以通過file.delete.delay.ms參數(shù)來設(shè)置，默認(rèn)值為60000，即1分鐘。

設(shè)置topic 5秒刪除一次

1. 為了方便觀察，設(shè)置段文件的大小為1M。

key: segment.bytes

value: 1048576

1. 設(shè)置topic的刪除策略

key: retention.ms

value: 5000

嘗試往topic中添加一些數(shù)據(jù)，等待一會，觀察日志的刪除情況。我們發(fā)現(xiàn)，日志會定期被標(biāo)記為刪除，然后被刪除。

基于日志大小的保留策略

日志刪除任務(wù)會檢查當(dāng)前日志的大小是否超過設(shè)定的閾值來尋找可刪除的日志分段的文件集合?？梢酝ㄟ^broker端參數(shù) log.retention.bytes 來配置，默認(rèn)值為-1，表示無窮大。如果超過該大小，會自動將超出部分刪除。

注意:

log.retention.bytes 配置的是日志文件的總大小，而不是單個的日志分段的大小，一個日志文件包含多個日志分段。

基于日志起始偏移量保留策略

每個segment日志都有它的起始偏移量，如果起始偏移量小于 logStartOffset，那么這些日志文件將會標(biāo)記為刪

日志壓縮(Log Compaction)

Log Compaction是默認(rèn)的日志刪除之外的清理過時數(shù)據(jù)的方式。它會將相同的key對應(yīng)的數(shù)據(jù)只保留一個版本。

Log Compaction執(zhí)行后，offset將不再連續(xù)，但依然可以查詢Segment。

Log Compaction執(zhí)行前后，日志分段中的每條消息偏移量保持不變。Log Compaction會生成一個新的Segment文件。

Log Compaction是針對key的，在使用的時候注意每個消息的key不為空。

基于Log Compaction可以保留key的最新更新，可以基于Log Compaction來恢復(fù)消費(fèi)者的最新狀態(tài)。