博文推荐｜架构师的选择，Pulsar还是Kafka？

本文转载自 Java 高级架构，原中文版本由闻数起舞翻译自 Lewis Fairweather 的文章《Pulsar Advantages Over Kafka》，文章转载时有改动。Apache Pulsar 欢迎大家积极踊跃投稿、与社区共同进步，也欢迎大家与作者进行交流！
排版：Tango@StreamNative

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/

Photo by Mikael Kristenson on Unsplash

介绍

最近，我一直在研究 Pulsar 及其与 Kafka 的比较。通过快速搜索，你会看到这两个最著名的开源消息传递系统之间正在进行的"战争"。

作为 Kafka 的用户，我着实对 Kafka 的某些问题感到困惑，但 Pulsar 却让人眼前一亮、令我非常兴奋。所以最后，我设法花了一些时间了解背景资料，并且做了很多研究。在本文中，我将重点介绍 Pulsar 的优势，并说明 Pulsar 胜于 Kafka 的理由。让我们开始！

Kafka 基础知识

Kafka 是消息传递系统之王。它由 LinkedIn 于 2011 年创建，并在 Confluent 的支持下得到了广泛的传播。Confluent 已向开源社区发布了许多新功能和附加组件，例如用于模式演化的 Schema Registry，用于从其他数据源轻松流式传输的 Kafka Connect 等。数据库到 Kafka，Kafka Streams 进行分布式流处理，最近使用 KSQL 对 Kafka topic 执行类似 SQL 的查询等等。

Kafka 快速，易于安装，非常受欢迎，可用于广泛的范围或用例。从开发人员的角度来看，尽管 Apache Kafka 一直很友好，但在操作运维方面却是一团糟。因此，让我们回顾一下 Kafka 的一些痛点。

Kafka 演示

Kafka 的诸多痛点

• 扩展 Kafka 十分棘手，这是由于 broker 与存储数据的耦合架构结构所致。剥离一个 broker 意味着它必须复制 topic 分区和副本，这非常耗时；
• 没有与租户完全隔离的本地多租户；
• 存储会变得非常昂贵，尽管可以长时间存储数据，但是由于成本问题却很少用到它；
• 万一副本不同步，有可能丢失消息；
• 必须提前计划和计算 broker、topic、分区和副本的数量（确保计划的未来使用量增长），以避免扩展问题，这非常困难；
• 如果仅需要消息传递系统，则使用偏移量可能会很复杂；
• 集群重新平衡会影响相连的生产者和消费者的性能；
• MirrorMaker Geo 复制机制存在问题。像 Uber 这样的公司已经创建了自己的解决方案来克服这些问题。

如您所见，大多数问题与操作运维方面有关。尽管安装起来相对容易，但 Kafka 难以管理和调优。而且，它也缺乏应有的灵活和弹性。

Pulsar 基础知识

Pulsar 由 Yahoo！在 2013 年创建，并于 2016 年捐赠给 Apache 基金会。Pulsar 现在是 Apache 软件基金会的顶级项目。Yahoo！、Verizon、Twitter 等公司已在生产中使用它来处理成千上万消息。它具有运行成本低、灵活等特性。Pulsar 旨在解决 Kafka 的大部分难题，使其更易于扩展。

Pulsar 非常灵活：它既可以应用于像 Kafka 这样的分布式日志应用场景，也可以应用于像 RabbitMQ 这样的纯消息传递系统场景。它支持多种类型的订阅、多种交付保证、保留策略以及处理模式演变的方法，以及其他诸多特性。

Pulsar 架构图

Pulsar 的特性

• 内置多租户，不同的团队可以使用相同的集群并将其隔离，解决了许多管理难题。它支持隔离、身份验证、授权和配额；
• 多层体系结构：Pulsar 将所有 topic 数据存储在由 Apache BookKeeper 支持的专业数据层中。存储和消息传递的分离解决了扩展、重新平衡和维护集群的许多问题。它还提高了可靠性，几乎不可能丢失数据。另外，在读取数据时可以直连 BookKeeper，且不影响实时摄取。例如，可以使用 Presto 对 topic 执行 SQL 查询，类似于 KSQL，但不会影响实时数据处理；
• 虚拟 topic：由于采用 n 层体系结构，因此对 topic 的数量没有限制，topic 及其存储是分离的。用户还可以创建非持久性 topic；
• N 层存储：Kafka 的一个问题是，存储费用可能变高。因此，它很少用于存储"冷"数据，并且消息经常被删除，Apache Pulsar 可以借助分层存储自动将旧数据卸载到 Amazon S3 或其他数据存储系统，并且仍然向客户端展示透明视图；Pulsar 客户端可以从时间开始节点读取，就像所有消息都存在于日志中一样；
• Pulsar Function：易于部署、轻量级计算过程、对开发人员友好的 API，无需运行自己的流处理引擎（如 Kafka）；
• 安全性：它具有内置的代理、多租户安全性、可插拔的身份验证等特性；
• 快速重新平衡：分区被分为易于重新平衡的分片；
• 服务器端重复数据删除和无效字段：无需在客户端中执行此操作，也可以在压缩期间删除重复数据；
• 内置 Schema registry（架构注册表）：支持多种策略，易于操作；
• 地理复制和内置 Discovery：易于将集群复制到多个区域；
• 集成的负载均衡器和 Prometheus 指标；
• 多重集成：Kafka、RabbitMQ 等；
• 支持多种编程语言，例如 GoLang、Java、Scala、Node、Python…...
• 分片和数据分区在服务器端透明进行，客户端不需要了解分片与分区数据。

Pulsar 特性列表:

Pulsar 入门

Pulsar 入门非常容易。使用前提是安装 JDK。

1.下载 Pulsar 并解压缩（备注：目前 Apache Pulsar 最新版本为 2.7.0）：

`
$ wget https://archive.apache.org/di...`

2.下载连接器（可选）：
`
$ wget https://archive.apache.org/di...{connector}-2.6.1.nar`

3.下载 nar 文件后，将文件复制到 Pulsar 目录中的 Connectors 目录

4.启动 Pulsar！
`
$ bin/pulsar standalone`

Pulsar 提供了一个称为 Pulsar-Client 的 CLI 工具，我们可以使用它与集群进行交互。

生产消息：
`
$ bin/pulsar-client produce my-topic --messages "hello-pulsar"`

消费消息：
`
$ bin/pulsar-client consume my-topic -s "first-subscription"`

Akka 流示例

举一个客户端示例，我们在 Akka 上使用 Pulsar4s。

首先，我们需要创建一个 Source 来消费数据流，所需要的只是一个函数，该函数将按需创建消费者并查找消息 ID：

val topic = Topic("persistent://standalone/mytopic")

val consumerFn = () => client.consumer(ConsumerConfig(topic, subscription)) 

然后，我们传递 ConsumerFn 函数来创建源：

import com.sksamuel.pulsar4s.akka.streams._

val pulsarSource = source(consumerFn, Some(MessageId.earliest)) 

Akka 源的物化值是 Control 的一个实例，该对象提供了一种"关闭"方法，可用于停止消费消息。现在，我们可以像往常一样使用 Akka Streams 处理数据。

要创建一个接收器：

val topic = Topic("persistent://standalone/mytopic")

val producerFn = () => client.producer(ProducerConfig(topic))

import com.sksamuel.pulsar4s.akka.streams._

val pulsarSink = sink(producerFn)

完整示例摘自 Pulsar4s。

object Example {

  import com.sksamuel.pulsar4s.{ConsumerConfig, MessageId, ProducerConfig, PulsarClient, Subscription, Topic}
  import org.apache.pulsar.client.api.Schema

  implicit val system: ActorSystem = ActorSystem()
  implicit val materializer: ActorMaterializer = ActorMaterializer()
  implicit val schema: Schema[Array[Byte]] = Schema.BYTES

  val client = PulsarClient("pulsar://localhost:6650")

  val intopic = Topic("persistent://sample/standalone/ns1/in")
  val outtopic = Topic("persistent://sample/standalone/ns1/out")

  val consumerFn = () => client.consumer(ConsumerConfig(topics = Seq(intopic), subscriptionName = Subscription("mysub")))
  val producerFn = () => client.producer(ProducerConfig(outtopic))

  val control = source(consumerFn, Some(MessageId.earliest))
    .map { consumerMessage => ProducerMessage(consumerMessage.data) }
    .to(sink(producerFn)).run()

  Thread.sleep(10000)
  control.stop()

}

Pulsar Function 示例

Pulsar Function 处理来自一个或多个 topic 的消息，对其进行转换并将结果输出到另一个 topic：

Pulsar Function

可以在两个接口之间进行选择以编写函数：

• 语言原生接口：不需要特定的 Pulsar 库或特殊的依赖项；无法访问上下文，仅支持 Java 和 Python；
• Pulsar Function SDK：可用于 Java / Python / Go，并提供更多功能，比如访问上下文对象。

只需编写一个简单的函数即可使用语言原生接口转换消息：

def process(input):

return "{}!".format(input)

用 Python 编写的这个简单函数只是向所有传入的字符串添加一个感叹号，并将结果字符串发布到 topic。

使用 SDK 需要导入依赖项，例如在 Go 中，我们可以编写：

package main

import (

"context"

"fmt"

"github.com/apache/pulsar/pulsar-function-go/pf"

)



func HandleRequest(ctx context.Context, in []byte) error {

fmt.Println(string(in) + "!")

return nil

}



func main() {

pf.Start(HandleRequest)

}

如果要发布无服务器功能并将其部署到集群，可以使用 Pulsar-Admin CL；如果使用 Python，我们可以编写：

$ bin/pulsar-admin functions create \

--py ~/router.py \

--classname router.RoutingFunction \

--tenant public \

--namespace default \

--name route-fruit-veg \

--inputs persistent://public/default/basket-items

Pulsar Function 的一个重要功能是用户可以在发布该函数时设置交付保证：

$ bin/pulsar-admin functions create \

--name my-effectively-once-function \

--processing-guarantees EFFECTIVELY_ONCE

有以下选择：

Pulsar 的优势

与 Kafka 相比，让我们回顾下 Pulsar 的主要优势：

• 更多功能：Pulsar Function、多租户、Schema registry、n 层存储、多种消费模式和持久性模式等；
• 更大的灵活性：3 种订阅类型（独占，共享和故障转移），用户可以在一个订阅上管理多个 topic；
• 持久性选项：非持久（快速）、持久、压缩（每个消息仅最后一个键），用户可以选择交付保证。Pulsar 具有服务器端重复数据删除和无效字样多保留政策和 TTL 的特性；
• 无需提前定义扩展需求；
• 支持队列与流两种消息消费模型，所以 Pulsar 既可以代替 RabbitMQ 也可以代替 Kafka；
• 存储与 broker 分离，因此扩展性更好，重新平衡更快、更可靠；
• 易于操作运维：架构解耦和 n 层存储；
• 与 Presto 的 SQL 集成，可直接查询存储而不会影响 broker；
• 借助 n 层自动存储选项，可以更低成本地存储；
• 更快：基准测试在各种情况下都表现出更好的性能。Pulsar 具有较低的延迟和更好的扩展功能。
• Pulsar Function 支持无服务器计算，无需部署管理；
• 集成 Schema registry；
• 集成的负载平衡器和 Prometheus 指标；
• 地理复制效果更好，更易于设置。Pulsar 内置 Discover-ability；
• 创建 topic 数量没有限制；
• 与 Kafka 兼容，易于集成。

Pulsar 的劣势

Pulsar 并不完美，Pulsar 也存在一些问题：

• 相对缺乏支持、文档和案例；
• n 层体系结构导致需要更多组件：BookKeeper；
• 插件和客户端相对 Kafka 较少。
• 云中的支持较少，Confluent 具有托管云产品。

不过，上面的情况都在得到快速改善，目前 Pulsar 也逐渐被越来越多的公司和组织使用，Apache Pulsar 商业支持公司 StreamNative 也推出了 StreamNative Cloud，Apache Pulsar 正在快速成长，我们都可以看到令人欣喜的变化。Confluent 曾发布博客对比 Pulsar 和 Kafka ，但请注意，这些问题可能有偏见。

Pulsar 使用场景

Pulsar 可用于广泛的场景：

• 发布/订阅队列消息传递；
• 分布式日志；
• 事件溯源，用于永久性事件存储；
• 微服务；
• SQL 分析；
• Serverless 功能。

什么时候应该考虑 Pulsar

• 同时需要像 RabbitMQ 这样的队列和 Kafka 这样的流处理程序；
• 需要易用的地理复制；
• 实现多租户，并确保每个团队的访问权限；
• 需要长时间保留消息，并且不想将其卸载到另一个存储中；
• 需要高性能，基准测试表明 Pulsar 提供了更低的延迟和更高的吞吐量；

如果在云端，请注意考虑基于云的解决方案。云提供商拥有涵盖某些场景的不同服务。例如，对于队列消息，云提供商提供了许多服务，比如 Google pub / sub；对于分布式日志，有 Confluent 云或 AWS Kinesis；StreamNative 也提供了基于 Pulsar 的云端服务。云提供商还提供了非常好的安全性。Pulsar 的优势在于可以在一个平台上提供许多功能。一些团队可能将其用作微服务的消息传递系统，而另一些团队则将其用作数据处理的分布式日志。

结论

我是 Kafka 的忠实粉丝，我对 Pulsar 如此感兴趣的原因是：竞争驱动创新。

Kafka 是一种成熟，富有弹性且经过考验的产品，在世界范围内获得了巨大成功，无法想象大多数公司没有它会怎样。但是我确实看到 Kafka 成为其自身成功的受害者，由于需要支持许多大型公司导致巨大的增长减慢了功能开发的速度、移除 ZooKeeper 依赖项等重要功能花费的时间太长，这为诸如 Pulsar 等工具蓬勃发展创造了空间。

Pulsar 虽然年轻却势头很猛，在将 Pulsar 纳入组织之前，需进行分析、基准测试、研究并进行 POC。从小处着手，在将 Kafka 迁移到 Pulsar 之前进行概念验证，并在决定进行完全迁移之前评估影响。

相关阅读

· 译文｜Apache Pulsar 性能调优之架构

· Pulsar 读写过程的性能调优

· 为什么说 Pulsar 是云原生的消息平台？

Pulsar 2020 用户调查活动即将截止，没有填写的小伙伴不要错失为 Pulsar 提建议的良机👉赶快扫描下方二维码填写，有机会获得新版 Pulsar 社区周边哦！