23.kafka心中的事件溯源
1 楔子
早些年，我还在学校学习DB的时候，设计表结构是件非常严肃和讲究范式的事。那时天是蓝的水是绿的，存储系统很昂贵，程序员还是一个体面的职业，大学生对生活充满了期望，即使找不到工作，去科技市场卖光盘也能获得一笔不错的收入。那时数据存储以企业ERP为主，程序员为了把尽可能多的数据塞入到狭小的存储空间中，往往需要亲手榨干最后一滴脑汁，尽可能把表字段设计成正交的。
后来，互联网兴起，大学生扩招，存储便宜了，房价也上涨了。为了支撑越来越多的OLTP线上业务查询，人们开始接受在DB表中冗余部分数据，同时索引也越建越多，以便缩短从用户点击鼠标到看到数据之间的响应延时。
后来，移动互联火热，研究僧扩招，京牌京户成为传说。为了帮老板挣到二房的钱，微服务和996兴起。单一的MySQL存储已经不能满足我们的服务热情，我们会额外提供Cache加速数据读取，提供Index方便全文检索，提供汇总数据方便领导做PPT。并且由于PM学历稳步提高，他们的思维也更加开阔，不再拘泥于从国人身上抄袭。为了满足各类思想实验，程序员必须能以更快更敏捷的方式提供数据逻辑。时至今日，996已经逐渐不能满足人民日益增长的物质文化需要，997开始发出时代的呐喊，逐渐成为主流。
这中间遇到的一个千古难题是：如何保证MySQL, Redis, ElasticSearch, Hive等不同平台的数据一致性？一代又一代的程序员用自己的发量证明这根本可能是一个NP问题：2PC既慢又脆弱，TCC对业务逻辑要求太高，Cache Aside只能勉强解决缓存一致性问题。
看着手上逐渐失去效用的维生素E乳，程序员突然觉得，是不是应该对自己好一点？
程序员满含热泪，跪在佛像面前，请大师解惑。大师递给程序员一张纸条，上书三个大字：fit your life。程序员恍然大悟，抬头问大师：『您的意思是要我健身？』。大师说：『你误会了，我的意思是说你们平时用的Kafka，配合Event Sourcing（事件溯源），就能很好的解决现在的问题，但关键是FIT』
FIT = Future + Isolation + Transaction
2 Future：对未来的自己好一点
简单设计的DB一般只保存数据项的当前状态值，而Event Sourcing（事件溯源）构架，则以记录event的方式，把数据项的完整更迭历史保存下来。这样，我们不仅可以查到的数据的当前状态值，而且可以通过完整历史，重演数据项的变化过程。
这项技术，以前多用户于金融领域，毕竟金融需要审计的嘛。后来，被引入到微服务设计模式中，但是，由于实现复杂，且思考方式迥异于常人，口号响亮，应者了了。
但是，在加入Kafka之后，一切都不一样了。上一期文章《22.神说，kafka其实是个数据库》中，简单提到过这一点，当时我把它称为事件流（event stream）。这里重新引用一下：
事件流（event stream）提供了一种新的思路：以Kafka为例，应用server将操作以事件的方式追加log到消息队列中，待修改的DB, Cache和Index分别在不同的消费组内消费相同的event log。如果在消费过程中，其中某一个进程crash了，则等待进程重启后，从最后一次消费的offset处继续消费就可以了。
上图中的Index, Cache, DB，我们有时把它们统称为Materialized Views（物化视图），它们是同一数据的不同展示形式，用于支持不同的查询。
Event Sourcing优点之一是：对于重要数据，我们可以在Kafka中保存完整的历史更迭记录。在未来任意时刻，无论PM提出什么新需求，都可以通过编写新的代码，并重新订阅这一主题而生成想要的结果，同时对系统的其它部分毋需任何改动和影响。
而对于没那么重要的数据，比如崩溃日志，也许我们只需要保存最近7天的数据，确保运维安全就可以了。这样，万一上线的代码有bug，或者消费进程意外崩溃了，7天的数据可以给我们留出足够的时间修复bug，并重新跑一遍近期的数据，拿到正确的结果。
3 Isolation：读写分离
看到这里，你也许会觉得Isolation对标读写分离有些怪怪的，其实我也觉得怪怪的。读写分离在中国一般指MySQL写走主库，而读走从库。在本篇文章中，读写分离的等价物实际上是CQRS（Command Query Responsibility Segregation）。
但是，我仍然愿意把它称为Isolation，因为它能帮我凑出一个单词FIT来。在任何时候，让人们容易记忆，比表述准确要重要的多。而且，反正我的文章也几乎没写过什么正经的东西，凑合看吧。
读写分离的重点是：读不关心写，写操作毋需为读操作做索引优化。
这太重要了。现行的微服务架构中，一个初看很美，静看心痛，细看白头的问题是：读和写都依赖同一台MySQL数据库，为了支撑越来越复杂的查询逻辑，不断的往数据表上加索引。而索引越来越多的问题至少包括：
因为数据落库需要同步修改索引，写入的TPS越来越低。
索引挤占了大量本来可以存储数据的磁盘空间，结果本来可以存1T的数据，现在只能存500G了。
随着数据量变大，线上创建新索引越来越耗时，为了不影响线上业务，我们有时需要请出在线DDL工具，比如gh-ost。
鲁迅说，专注的女孩子最美。在读写分离架构中，我们通过不同的Materialized Views（物化视图）支持不同的读业务，前置Kafka的作用只有收集事件流，因此可以独立优化，互不干扰。
4 Transaction：代替2PC
好吧，我承认我吹小牛了，2PC（两阶段提交）是非常重要原子提交协议，不是随随便便出来某一个路人Kafka就可以代替的。
但是，如果手动编码的话，2PC的性能和稳定性也是出了名的感时花溅泪。
延伸阅读《19.分布式事务之2PC：两阶段结婚》
基于Kafka的Event Sourcing架构，提供了一个以最终一致性为目标的高性能 &高可用的解决方案。废话不说，上图为敬。关于Kafka事务实现的更多细节可移步上一期文章《22.神说，kafka其实是个数据库》。
你不会以为最终一致性比线性一致性慢，对吧？
5 又挽救了一个程序员的发量
听完大师的讲述，程序员豁然开朗，感觉一条康庄大道出现在面前。程序员含着热泪转身走出大殿，后面大师默默地收起手里的剃刀，暗叹一声：『这个月的招人计划又完不成了』。突然，大师仿佛想起了什么，跑到大殿门口，对着已经走出大门的程序员高喊：『施主，看完记得点关注啊~』