Auf dieser Seite
Die kurze Antwort
Die kurze Antwort
Wählen Sie Kafka, wenn Events ein Datensatz sind, den andere Systeme später lesen: Topics halten Daten für eine pro Topic festgelegte Retention-Dauer auf der Festplatte, standardmäßig sieben Tage. Jeder Consumer kann ab einem früheren Offset ein Replay durchführen, und eine Nachricht gilt erst als committed, wenn jedes In-Sync-Replikat sie hat. Wählen Sie Redis Streams, wenn Redis bereits produktiv läuft und die benötigten Events in den Arbeitsspeicher passen: Consumer Groups und Acknowledgement pro Eintrag gibt es ohne neue Infrastruktur. Nutzen Sie Redis Pub/Sub nur für Benachrichtigungen, deren Verlust Sie verkraften können. Viele Systeme setzen beide ein: Kafka als Event-Log und Redis als daraus aufgebauten Cache.
Redis und Kafka als Event- und Messaging-Systeme nach denselben Kriterien
| Redis | Apache Kafka | |
|---|---|---|
| Was es ist | In-Memory-Datenspeicher mit Pub/Sub, Lists und Streams | Verteiltes Log aus partitionierten, replizierten Topics |
| Speicherort der Daten | Arbeitsspeicher, optional mit RDB-Snapshots und einer Append-only-Datei | Festplatte, geschrieben über den Page Cache des Betriebssystems |
| Verlustfenster bei einem Absturz | Etwa eine Sekunde mit appendfsync everysec; Minuten nur mit RDB | Keiner für committete Nachrichten, solange ein In-Sync-Replikat überlebt |
| Replikation | Asynchron; Redis Cluster kann bestätigte Schreibvorgänge verlieren | Eine Nachricht ist committed, sobald alle In-Sync-Replikate sie übernommen haben |
| Retention | Bis zum Trimmen mit MAXLEN oder MINID, begrenzt durch den RAM | Pro Topic nach Zeit oder Größe; standardmäßig 168 Stunden |
| Skalierung eines einzelnen Streams | Ein Stream ist ein Key und liegt daher auf einem Shard | Ein Topic ist in Partitionen über mehrere Broker aufgeteilt |
| Consumer Groups | XREADGROUP, XACK pro Eintrag und eine Pending Entries List | Ein Consumer pro Partition und Gruppe; die Position ist ein Offset |
| Reihenfolge | Reihenfolge nach Entry-ID innerhalb eines Streams | Reihenfolge innerhalb einer Partition; gleiche Keys landen in derselben Partition |
| Ökosystem | Client-Libraries; Streams sind ein Datentyp unter vielen | Kafka Connect, Kafka Streams, Transaktionen |
Redis Streams, Pub/Sub und Lists vs. Kafka-Topics
Redis bietet drei Wege, Nachrichten zu übertragen. Pub/Sub liefert at-most-once: Ein Subscriber, der offline ist oder mitten in einer Nachricht ausfällt, sieht sie nie wieder. Lists dienen als einfache Job-Queues. Streams sind ein Append-only-Log mit wahlfreiem Zugriff per ID und Consumer Groups – damit die einzige Redis-Struktur, die mit Kafka vergleichbar ist.
Ein Kafka-Topic kann viele Producer und viele Subscriber haben, und Events werden beim Lesen nicht gelöscht. Jedes Topic ist in Partitionen aufgeteilt, die über die Broker verteilt sind. Events mit demselben Key landen immer in derselben Partition. Kafka-Architektur behandelt Broker, Partitionen und Replikation im Detail.
Dauerhaftigkeit: AOF und RDB vs. ein repliziertes Log
Redis persistiert einen In-Memory-Datenbestand auf zwei Arten. RDB-Snapshots entstehen meist alle fünf Minuten oder seltener. Laut dem Redis-Leitfaden zur Persistenz müssen Sie daher nach einem unsauberen Stopp mit dem Verlust der letzten Minuten an Daten rechnen. Die Append-only-Datei mit appendfsync everysec verringert das auf etwa eine Sekunde. Der fork() von RDB kann Redis für Millisekunden anhalten, bei sehr großen Datenbeständen bis zu einer Sekunde. Die Replikation ist asynchron, und laut Redis-Cluster-Dokumentation können dabei Schreibvorgänge verloren gehen, die dem Client bereits bestätigt wurden.
Kafka schreibt jede Nachricht in ein Log auf der Festplatte, wenn auch nicht zwingend geflusht, und setzt für die Sicherheit auf Replikation. Eine Nachricht ist erst committed, wenn alle In-Sync-Replikate ihrer Partition sie übernommen haben. Eine committete Nachricht geht nicht verloren, solange ein Broker mit einem Replikat aktiv bleibt. Die Kafka-Dokumentation nennt einen Replikationsfaktor von drei als gängige Produktionseinstellung.
Retention und Replay
Ein Redis-Stream behält Einträge, bis er getrimmt wird – entweder mit MAXLEN auf eine feste Länge oder mit MINID für Einträge, die älter als eine ID sind. Ein Replay mit XRANGE funktioniert für alles, was noch im Arbeitsspeicher liegt. Die Kafka-Retention wird pro Topic eingestellt: log.retention.hours steht standardmäßig auf 168, log.retention.bytes ist standardmäßig unbegrenzt. Laut Kafka-Dokumentation bleibt die Performance unabhängig von der Datenmenge praktisch konstant, lange Retention ist daher üblich. Log Compaction behält den jeweils neuesten Wert pro Key, statt nach Alter zu löschen.
Consumer Groups in beiden Systemen: XREADGROUP vs. Kafka Consumer Groups
Redis hat den Begriff von Kafka übernommen, doch die Dokumentation stellt klar, dass Redis Consumer Groups in der Implementierung nichts mit denen von Kafka zu tun haben. Mit XREADGROUP erhält jeder Consumer einer Gruppe andere Einträge. Jeder ausgelieferte Eintrag bleibt bis zum XACK in der Pending Entries List der Gruppe, und XAUTOCLAIM übergibt die Einträge eines ausgefallenen Consumers an einen aktiven. Redis 8.6 hat idempotentes Produzieren eingeführt, sodass Producer-Retries keine doppelten Einträge erzeugen.
In Kafka wird jede Partition von genau einem Consumer pro Gruppe gelesen, und der Fortschritt ist ein einzelner Offset pro Partition. Das macht das Acknowledgement günstig und erhält die Reihenfolge pro Partition. Die Parallelität innerhalb einer Gruppe endet jedoch bei der Partitionsanzahl. Kafka 4.3 dokumentiert zudem Share Groups: Hier können mehrere Consumer eine Partition lesen und Records einzeln bestätigen – näher an einer Work Queue.
Reihenfolge und Durchsatz
Ein Redis-Stream ist vollständig nach Entry-ID geordnet, ist aber ein einziger Key. In Redis Cluster wird jeder Key einem Hash-Slot auf einem Primary zugeordnet. Ein Stream skaliert daher nur mit einem Knoten; mehr Durchsatz erfordert Sharding über mehrere Stream-Keys im Anwendungscode. Kafka ordnet Events innerhalb einer Partition und skaliert ein Topic durch zusätzliche Partitionen und Broker. Das Design sendet Daten direkt aus dem Page Cache ins Netzwerk, wodurch sich der Konsum laut Dokumentation der Grenze der Netzwerkverbindung annähern kann.
Benchmarks vergleichen selten Gleiches mit Gleichem. Testen Sie Redis mit der Persistenz, die Ihre Verlusttoleranz erfordert, gegen Kafka mit der Replikation und den Producer-Acknowledgements, die Sie tatsächlich nutzen würden – mit Ihren eigenen Nachrichtengrößen.
Kosten: Arbeitsspeicher vs. Festplatte
Jeder Redis-Stream-Eintrag belegt RAM, bis er getrimmt wird. Fällt ein Consumer aus, wächst also der Speicherverbrauch. Dimensionieren Sie Redis für den maximalen Rückstau, nicht für den Durchschnitt, und halten Sie Queue-Daten von Eviction Policies fern, die für Cache-Keys gedacht sind. Kafka hält den Rückstau auf der Festplatte, was pro Gigabyte günstiger ist. Ein langsamer Consumer kostet dort Speicherplatz statt eines Out-of-Memory-Vorfalls. Der Preis dafür ist der Betrieb eines Broker-Clusters.
Ökosystem: Kafka Connect und Kafka Streams
Kafka Connect ist das Kafka-Werkzeug zum Streamen von Daten zwischen Kafka und anderen Systemen – von ganzen Datenbanken als Quelle bis zu nachgelagerten Datenspeichern als Ziel. Kafka Streams ist eine Client-Library für Anwendungen, deren Ein- und Ausgabe in Kafka liegen. Transaktionen verleihen Read-Process-Write-Pipelines Exactly-once-Semantik. Redis bietet kein integriertes Gegenstück für Streams; Pipelines rund um Redis Streams sind daher Anwendungscode.
Wann sich beide lohnen: Cache plus Event-Log
Die beiden arbeiten oft zusammen. Kafka hält die Event-Historie und versorgt nachgelagerte Systeme. Ein Consumer hält Redis aktuell – als Cache, Session Store, Leaderboard oder Rate Limiter, der aus dem Arbeitsspeicher antwortet. Geht Redis verloren, lässt es sich per Replay des Topics neu aufbauen. Wofür Redis eingesetzt wird zeigt die Aufgaben, die Redis am besten erledigt, und RabbitMQ vs. Redis behandelt den Fall, in dem eigentlich eine Work Queue statt eines Event-Logs gebraucht wird.
Redis oder Kafka: So treffen Sie die Wahl
- Müssen mehrere Teams oder Systeme dieselben Events lesen, jetzt und später? Kafka.
- Müssen Events tagelang erhalten bleiben oder per Replay in ein neues System eingespielt werden? Kafka.
- Läuft Redis bereits produktiv, und passt ein kurzes Event-Fenster in den Arbeitsspeicher? Redis Streams mit Consumer Groups.
- Ist die Nachricht eine Benachrichtigung, die niemand wiederherstellen muss? Redis Pub/Sub.
- Brauchen Sie schnelle Lesezugriffe auf einen aus Events aufgebauten aktuellen Zustand? Beides: Kafka für das Log, Redis für die Sicht.
So haben wir verglichen
Wir haben Redis und Apache Kafka als Event- und Messaging-Systeme anhand von neun Kriterien verglichen: was jedes System ist, wo die Daten liegen, Verlustfenster bei einem Absturz, Replikation, Retention, Skalierung eines einzelnen Streams, Consumer Groups, Reihenfolge und Ökosystem. Die Fakten stammen aus der Dokumentation von Redis und Kafka, geprüft am 9. Oktober 2026. Redis Streams, Pub/Sub und Lists behandeln wir getrennt, da sie sich unterschiedlich verhalten. Außerdem geht die Seite auf den kombinierten Betrieb beider Systeme ein. Standardwerte ändern sich zwischen Releases. Prüfen Sie sie daher für die Versionen, die Sie einsetzen.
Häufig gestellte Fragen
Ist Redis schneller als Kafka?
Redis bedient jede Operation aus dem Arbeitsspeicher; Kafka ist auf dauerhaften Durchsatz über Partitionen mit langer Retention auf der Festplatte ausgelegt. Ein fairer Test betreibt beide mit den Dauerhaftigkeitseinstellungen, die Sie in Produktion nutzen würden, und mit Ihren eigenen Nachrichtengrößen.
Kann Redis Streams Kafka ersetzen?
Für ein kurzes Event-Fenster, das in den Arbeitsspeicher passt, oft ja. Redis Streams fehlen jedoch festplattenbasierte Retention, partitionierte Skalierung eines einzelnen Streams, Kafka Connect und Kafka Streams. Langlebige Event-Logs, die viele Systeme gemeinsam nutzen, sind daher bei Kafka besser aufgehoben.
Sind Redis Consumer Groups dasselbe wie Kafka Consumer Groups?
Nein. Redis verwendet den Namen, laut Dokumentation hat die Implementierung aber nichts damit zu tun. Redis verfolgt jeden ausgelieferten Eintrag bis zu seinem Acknowledgement; Kafka weist jede Partition einem Consumer pro Gruppe zu und verfolgt einen Offset pro Partition.