kafka怎么做到不丢失数据，不重复数据，以及kafka中的数据是存储在什么地方的？

昨天面试中被问到kafka怎么做到对于数据的不丢失，不重复。

首先怎么做到不重复消费呢？

在kafka的消费中，我们一般使用zookeeper充当kafka的消费者，去消费kafka中的数据。那么怎么做到不重复消费呢？假如消费了一段时间之后，kafka挂掉了，这时候需要将sparkstreaming拉起来，然后继续进行消费。那么这时候是不是又进行从头开始消费了呢？不是的，因为kafka中有一个offset，就是消费者偏移量，当sparkstreaming消费kafka中的数据，消费完一部分会向zookeeper中记录一次这个消费者偏移量，也就是记录消费到什么地方了，当系统挂掉再一次拉起来之后，会去zookeeper中寻找上一次消费到哪里了，然后接着这个地方消费。

其次，如何做到不丢失呢？

因为kafka中的消息队列中对于消息有一个过期时间，默认是7天，当然这个时间人为可以设定。在这个时间之内的数据，我们在消费的时候还可以继续去消费。

假如sparkstreaming去消费kafka中的数据，同时做处理，当处理了一天的数据量了，才发现这个处理方式式错误的，那怎么办呢？处理方法不当的这批数据是需要废弃的，需要重新进行消费的，那再怎么进行消费呢？因为在7天之内，这个数据还存储在kafka中的，需要指定from beginning，然后再去重新消费就好了。

在kafka的面试中，还会问到一个问题：

kafka中的数据存储在什么地方？

答案是kafka中的数据具体是存储在partition分区中的一个个segment分段中的。

在kafka中有topic————》partition————》segment

一个topic创建几个partition，创建的时候就可以指定。segment中存储了数据文件和索引文件。

kafka集群的规模，消费速度是多少。

答：一般中小型公司是10个节点，每秒20M左右。