1. 集群架构
一个典型的 Kafka 体系架构包括若干 Producer、若干 Broker 、若干 Consumer ，以及ZooKeeper 集群，如下图所示其中 ZooKeeper是Kafka 用来负责集群元数据的管理、控制器的选举操作的， Producer 将消息发送到Broker，Broker 负责将收到的消息存储到磁盘中，而Consumer 负责从 Broker 订阅并消费消息。
整个 Kafka 体系结构中引入了以下术语。
( 1 ) Producer 生产者，也就是发送消息的一方。生产者负责创建消息，然后将其投递到Kafka。
( 2 ) Consumer 消费者，也就是接收消息的一方。消费者连接到 Kafka 上并接收消息，进而进行相应的业务逻辑处理。
( 3 ) Broker ：服务代理节点。对于 Kafka 而言， Broker 可以简单地看作一个独立的 Kafka服务节点或 Kafka 服务实例。大多数情况下也可以将 Broker 看作一台 Kafk 服务器，前提是这台服务器上只部署了一个 Kafka 实例。一个或多个 Broker 组成了一个 Kafka 集群。一般而言，我们更习惯使用首字母小写的 broker 来表示服务代理节点。
2. 主题、分区、副本
在Kafka 中还有两个特别重要的概念 一主题（ Topic ）与分区（ Partition ）。 Kafka 中的消息以主题为单位进行归类，生产者负责将消息发送到特定的主题（发送到 Kafka 集群中的每一条消息都要指定一个主题），而消费者负责订阅主题并进行消费。
主题是一个逻辑上的概念，它还可以细分为多个分区，一个分区只属于单个主题，很多时候也会把分区称为主题分区（ Topic-Partition ）。同一主题下的不同分区包含的消息是不同的，分区在存储层面可以看作一个可追加的日志（ Log ）文件，消息在被追加到分区日志、文件的时候都会分配一个特定的偏移量（ offset ）。 offset 是消息在分区中的唯一标识， Kafka 通过它来保证消息在分区内的顺序性，不过 offset 并不跨越分区，也就是说， Kafka 保证的是分区有序而不是主题有序。
如下图所示，主题中有4个分区，消息被顺序追加到每个分区日志文件的尾部。 Kafka中的分区可以分布在不同的服务器 broker ）上，也就是说，一个主题可以横跨多个 broker ，以此来提供比单个 broker 更强大的性能。
每一条消息被发送到 broker 之前，会根据分区规则选择存储到哪个具体的分区。如果分区规则设定得合理，所有的消息都可以均匀地分配到不同的分区中。如果一个主题只对应一个文件，那么这个文件所在的机器 将会成为这个主题的性能瓶颈，而分区解决了这个问题。创建主题的时候可以通过指定的参数来设置分区的个数，当然也可以在主题创建完成之后去修改分区的数量，通过增加分区的数量可以实现水平扩展。
Kafka 为分区引入了多副本 Replica 机制， 通过增加副本数量可以提升容灾能力。同一分区的不同副本中保存的是相同的消息（在同一时刻，副本之间并非完全 样），副本之间是“一主多从”的关系，其中 leader 副本负责处理读写请求，follower 副本只负责与 leader 副本的消息同步。副本处于不同的 broker ，当 leader 副本出现故障时，从 follower 副本中重新选举。新的 leader 副本对外提供服务， Kafka 通过多副本机制实现了故障的自动转移，当 Kafka 集群中某个 broker 失效时仍然能保证服务可用。
如下图所示， Kafka 集群中有 broker ，某个主题中有3个分区，且副本因子（即副本个数〉也为3 ，如此每个分区有1个leader 副本和 2个follower 副本。生产者和消费者只与 leader副本进行交互，而 follower 副本只负责消息的同步，很多时候 follower 副本中的消息相对 leader副本而言会有一定的滞后。
Kafka 消费端也具备容灾能力。 Consumer 使用拉【Pull （）】模式从服务端拉取消息，并且保存消费位置。当消费者宕机后恢复上线时可以根据之前保存的消费位置重新拉取需要的消息进行消费，这样就不会造成消息丢失。
3. ISR、HW、LEO的关系
分区中的所有副本统称为 AR ( Assigned Replicas )。所有与 leader 副本保持一定程度同步的副本（包括 leader 副本在内）组成 ISR ( In-Sync Replicas ) , ISR 集合是 AR 集合中一个子集。消息会先发送到 leader 副本，然后 follower 副本才能从 leader 副本中拉取消息进行同步，同步期间内 follower 副本相对于 leader 副本而言会有一定程度滞后前面所说的“ 一定程度的同步”是指可忍受的滞后范围，这个范围可以通过参数进行配置 leader 副本同步滞后过多的副本（不包 leader 副本）组成 OSR (Out-of-Sync Replicas ），由此可见， AR=ISR+OSR。在正常情况下， follower 副本都应该与 leader 副本保持一定程度的同步，即 AR=ISR,OSR 集合为空。
leader 副本负责维护和跟踪 ISR集合中所有 follower 的滞后状态， follower 副本落后或失效时， leader副本会把它从 ISR 集合中剔除， OSR 集合中有 follower 副本 “追上”leader 副本，那么 leader 副本 它从 OSR 集合转移至 ISR 集合。默认情况下， leader本发生故障时，只有在 ISR 集合中的副本才有资格被选举为新的 leader 而在 OSR 集合中的副本没有任何机会（不过这个原则也可以通过修改相应的参数配置来改变）。
ISR与HW和LEO 也有紧密的关系。HW是High Watermark 的缩写，俗称高水位，它标识个特定的消息偏移量（ offset ），消费者只能拉取到这个 offset 前的消息。
如图所示，它代表一个日志文件，这个日志文件中有9条消息，第一条消息的 offset( LogStartOffset ）为0 ，最后一条消息的 offset是8, offset为9的消息代表下一条待写入的消息。日志文件的 HW ，表示消费者只能拉取到 offset在0至5之间的消息，而offset为6的消息对消费者而言是不可见的。
LEO是Log End Offset 缩写，它标识当前日志文件中下一条待写入消息 offset ，图 中offset为9的位置即为当前日志文件的 LEO, LEO的大小相当于当前日志分区中最后一条消息的offse 值加1 。分区 ISR 集合中的每个副本都会维护自身的 LEO ，而 ISR 集合中最小的 LEO即为分区的 HW ，对消费者而言只能消费 HW 之前的消息。
注意要点：很多资料中，上图中的offset为5的位置看做HW,而把offset为8的位置看作LEO，这显然是不对的。
为了让读者更好地理解 ISR 集合， 以及 HW和LEO 之间的关系， 下面通过一个简单的示例来进行相关的说明。如下图所示，假设某个分区的 ISR 集合中有3个副本，即一个 leader副本和 2个follower 副本，此时分区的 LEO和HW 都为3。 消息3 和消息4从生产者发出之后会被先存入 leader副本，如图所示：
在消息写入 leader 副本之后， follower 副本会发送拉取请求来拉取消息3和消息4以进行消息同步。
在同步过程中，不同的 follow 副本的同步效率也不尽相同。如下图所示， 在某一时刻follower1完全跟上了 leader 副本而 follower2只同步了消息3 ，如此 leader 副本的 LEO为5,follower1的LEO为5 , follower2的LEO为4， 那么当前分区的 HW取最小值4 ，此时消费者可以消费到offset为0至3之间的消息。
写入消息如下图所示 ，所有的副本都成功写入了消息3和消息4 ，整个分区的HW和 LEO 都变为5，因此消费者可以消费到 offset为4的消息了。
由此可见， kafka 的复制机制既不是完全的同步复制，也不是单纯的异步复制。事实上，同步复制要求所有能工作的 follower 副本都复制完，这条消息才会被确认为已成功提交，这种复制方式极大地影响了性能。而在异步复制方式下， follower 副本异步地从leader 副本中复制数据，数据只要被 leader 副本写入就被认为已经成功提交。在这种情况下，如果 follower 副本都还没有复制完而落后于 leader 副本，突然 leader 副本宕机，则会造成数据丢失。 Kafka 使用的这种ISR的方式则有效地权衡了数据可靠性和性能之间的关系。