Kafka 是否可以用做长期数据存储？

问题

“把 Kafka 作为长期存储有问题吗？” 这是一个非常常见的问题，我们知道，Kafka 是这样存储日志记录的

答案是“可以”，只要把数据保留时间设置为“永久”，或者开启日志压缩，数据就会被一直保存

把数据长期存储在 Kafka，这个做法并不疯狂，很多人已经在这么用，并且 Kafka 的设计中也涵盖了这种用法，下面是一些实际应用的场景

（1）你有一个应用，使用了事件模式，并需要对变更日志进行存储，理论上可以使用很多系统来存储日志，但是 Kafka 直接解决了很多此类场景的问题，例如日志的不可变，纽约时报就使用 Kafka 来存储他们所有文章的数据

（2）在应用中有一个内存缓存，数据源于 Kafka，这时可以把 Kafka topic 中的日志压缩，应用重新启动时，从偏移量为0的位置重新读取数据到缓存

（3）需要对来自 Kafka 的流数据进行流计算，当流计算逻辑发生变化时，我们希望重新计算一遍，这时就可以把偏移量置为0，重头计算

（4）Kafka 常被用于捕获数据库的变更，关心数据变化的应用就可以从中获取变更记录，做相应的业务操作，这时出现了一个新的应用，需要全部的数据快照，如果对一个大型产品数据执行全量 dump 操作是不现实的，非常耗时，但我们可以对 Kafka 中的记录在0偏移量重新加载一遍

这些长期存储的场景都是真实可行的，因为 Kafka 就是这么设计的

数据在 Kafka 中是持久化到硬盘的，有数据检查，有多副本来容错，并且持续累加的数据不会使性能变慢

实际应用案例中，已经有存储 PB 量级数据的 Kafka cluster 在运行

人们之所以对 kafka 长期存储数据的用法存在疑虑，是因为我们通常认为 kafka 是一个消息队列

使用“消息队列”时有一个原则：不要在消息队列中存储消息

因为，读消息时就要移除这个消息、消息系统的扩张能力不足、消息系统也缺少强壮的复制特性

传统消息系统不重视消息的存储，而 kafka 认为这点是非常关键的，认为消息系统的基础功能就是存储，即使一个消息很快被消费，那也是需要短暂的存储，必须要保证消费者能够接收到消息，必须提供容错存储机制

所以，kafka 的设计中有以下特点：

kafka 已经不是一个传统的消息队列，而应该归类到“流处理平台”

既然 kafka 这么牛，很适合长期储存，那么 kafka 会不会发展为一个数据库呢？

答案是不会，主要原因有2个：

kafka 已经不是一个简单的消息系统，kafka 在不断壮大，有 connector 可以方便的连接其他系统，有 stream api 进行流计算，最近又推出 KSQL，流处理的代码都不用我们写了，用 sql 就可以方便的进行流处理

本文翻译整理自

https://www.confluent.io/blog/okay-store-data-apache-kafka/

Kafka 相关文章

Kafka 流数据 SQL 引擎 -- KSQL