Sur cette page
En bref
En bref
Choisissez Kafka lorsque les événements constituent un historique que d'autres systèmes liront plus tard : les topics conservent les données sur disque pendant une durée de rétention définie par topic (sept jours par défaut), tout consommateur peut effectuer un rejeu depuis un offset antérieur, et un message n'est considéré comme validé qu'une fois présent sur chaque réplica synchronisé. Choisissez Redis Streams lorsque Redis est déjà en production et que les événements nécessaires tiennent en mémoire : consumer groups et acquittement par entrée, sans nouvelle infrastructure. Réservez Redis Pub/Sub aux notifications dont la perte est acceptable. De nombreux systèmes utilisent les deux : Kafka comme journal d'événements, Redis comme cache construit à partir de celui-ci.
Redis et Kafka comme systèmes d'événements et de messagerie, sur les mêmes critères
| Redis | Apache Kafka | |
|---|---|---|
| De quoi s'agit-il | Magasin de données en mémoire avec Pub/Sub, Lists et Streams | Log distribué de topics partitionnés et répliqués |
| Emplacement des données | En mémoire, avec snapshots RDB et fichier en ajout seul (append-only) optionnels | Sur disque, écrites via le page cache du système d'exploitation |
| Fenêtre de perte en cas de crash | Environ une seconde avec appendfsync everysec ; plusieurs minutes avec RDB seul | Aucune pour les messages validés tant qu'un réplica synchronisé survit |
| Réplication | Asynchrone ; Redis Cluster peut perdre des écritures acquittées | Un message est validé une fois appliqué par tous les réplicas synchronisés |
| Rétention | Jusqu'à troncature via MAXLEN ou MINID, limitée par la RAM | Par topic, en durée ou en taille ; 168 heures par défaut |
| Scalabilité d'un stream | Un stream est une seule clé, donc réside sur un seul shard | Un topic est réparti en partitions sur plusieurs brokers |
| Consumer groups | XREADGROUP, XACK par entrée et Pending Entries List | Un consommateur par partition et par groupe ; la position est un offset |
| Ordre | Ordre des ID d'entrée au sein d'un stream | Ordre au sein d'une partition ; les clés identiques partagent une partition |
| Écosystème | Bibliothèques clientes ; les streams sont un type de données parmi d'autres | Kafka Connect, Kafka Streams, transactions |
Redis Streams, Pub/Sub et Lists face aux topics Kafka
Redis propose trois façons de transporter des messages. Pub/Sub offre une livraison at-most-once : un abonné hors ligne ou défaillant en cours de message ne le reverra jamais. Les Lists servent de files d'attente de tâches simples. Les Streams sont un log en ajout seul (append-only) avec accès aléatoire par ID et consumer groups, ce qui en fait la seule structure Redis comparable à Kafka.
Un topic Kafka peut avoir de nombreux producteurs et abonnés, et les événements ne sont pas supprimés à la lecture. Chaque topic est divisé en partitions réparties sur les brokers, et les événements de même clé vont toujours dans la même partition. L'architecture Kafka détaille brokers, partitions et réplication.
Durabilité : AOF et RDB face à un log répliqué
Redis assure la persistance d'un jeu de données en mémoire de deux façons. Les snapshots RDB sont généralement pris toutes les cinq minutes ou plus ; le guide de persistance Redis indique donc de s'attendre à perdre les dernières minutes de données après un arrêt brutal. Le fichier en ajout seul (append-only) avec appendfsync everysec réduit cette fenêtre à environ une seconde. Le fork() de RDB peut figer Redis quelques millisecondes, voire jusqu'à une seconde sur un très gros jeu de données. La réplication est asynchrone, et la documentation de Redis Cluster précise qu'il peut perdre des écritures déjà acquittées auprès du client.
Kafka écrit chaque message dans un log sur disque, sans forcément le vider sur le support, et s'appuie sur la réplication pour la sécurité. Un message n'est validé que lorsque tous les réplicas synchronisés de sa partition l'ont appliqué, et un message validé n'est pas perdu tant qu'un broker détenant un réplica reste actif. La documentation Kafka présente un facteur de réplication de trois comme un réglage courant en production.
Rétention et rejeu
Un stream Redis conserve ses entrées jusqu'à sa troncature, soit avec MAXLEN pour une longueur fixe, soit avec MINID pour les entrées antérieures à un ID. Le rejeu avec XRANGE fonctionne pour tout ce qui est encore en mémoire. Dans Kafka, la rétention se règle par topic : log.retention.hours vaut 168 par défaut et log.retention.bytes est illimité par défaut. Selon la documentation Kafka, les performances restent pratiquement constantes quel que soit le volume de données ; une rétention longue est donc normale. La compaction des logs conserve la dernière valeur de chaque clé au lieu de supprimer selon l'âge.
Consumer groups des deux côtés : XREADGROUP face aux consumer groups Kafka
Redis a emprunté le terme à Kafka, et sa documentation précise clairement que l'implémentation des consumer groups Redis n'a rien à voir avec celle de Kafka. Avec XREADGROUP, chaque consommateur d'un groupe reçoit des entrées différentes, chaque entrée livrée reste dans la Pending Entries List du groupe jusqu'au XACK, et XAUTOCLAIM transfère les entrées d'un consommateur défaillant à un consommateur actif. Redis 8.6 a ajouté la production idempotente : les nouvelles tentatives du producteur n'ajoutent pas d'entrées en double.
Dans Kafka, chaque partition est lue par exactement un consommateur par groupe, et la progression se résume à un offset par partition. L'acquittement est ainsi peu coûteux et l'ordre est préservé par partition, mais le parallélisme au sein d'un groupe est plafonné par le nombre de partitions. Kafka 4.3 documente aussi les share groups, où plusieurs consommateurs lisent une même partition et acquittent les enregistrements individuellement, un fonctionnement plus proche d'une file d'attente de tâches.
Ordre et débit
Un stream Redis est totalement ordonné par ID d'entrée, mais il s'agit d'une seule clé, et dans Redis Cluster chaque clé correspond à un hash slot sur un seul primaire. Un stream évolue donc avec un seul nœud ; augmenter le débit implique un sharding sur plusieurs clés de stream dans le code applicatif. Kafka ordonne les événements au sein d'une partition et fait évoluer un topic en ajoutant partitions et brokers. Sa conception envoie les données directement du page cache vers le réseau, ce qui, selon la documentation, permet à la consommation d'approcher la limite de la connexion réseau.
Les benchmarks comparent rarement des configurations équivalentes. Testez Redis avec la persistance exigée par votre tolérance à la perte face à Kafka avec la réplication et les acquittements producteur que vous utiliseriez, sur vos propres tailles de messages.
Coût : mémoire contre disque
Chaque entrée d'un stream Redis occupe de la RAM jusqu'à troncature : une panne de consommateur fait donc grimper l'usage mémoire. Dimensionnez Redis pour le backlog maximal, pas moyen, et tenez les données de file d'attente à l'écart des politiques d'éviction prévues pour les clés de cache. Kafka garde le backlog sur disque, moins cher au gigaoctet : un consommateur lent coûte de l'espace disque plutôt qu'un incident de mémoire saturée. La contrepartie : exploiter un cluster de brokers.
Écosystème : Kafka Connect et Kafka Streams
Kafka Connect est l'outil de Kafka pour faire circuler des données entre Kafka et d'autres systèmes, de l'ingestion de bases entières jusqu'aux magasins en aval. Kafka Streams est une bibliothèque cliente pour construire des applications dont les entrées et sorties résident dans Kafka, et les transactions offrent une sémantique exactly-once aux pipelines lecture-traitement-écriture. Redis n'a pas d'équivalent intégré pour les streams : les pipelines autour de Redis Streams relèvent du code applicatif.
Quand utiliser les deux : cache et journal d'événements
Les deux fonctionnent souvent ensemble. Kafka conserve l'historique des événements et alimente les systèmes en aval ; un consommateur maintient Redis à jour comme cache, magasin de sessions, classement ou limiteur de débit répondant depuis la mémoire. Une instance Redis perdue peut être reconstruite par rejeu du topic. À quoi sert Redis présente les usages où Redis excelle, et RabbitMQ vs Redis traite le cas où le vrai besoin est une file d'attente de tâches plutôt qu'un journal d'événements.
Comment choisir entre Redis et Kafka
- Plusieurs équipes ou systèmes doivent-ils lire les mêmes événements, maintenant et plus tard ? Kafka.
- Les événements doivent-ils être conservés plusieurs jours ou rejoués dans un nouveau système ? Kafka.
- Redis est-il déjà en production, avec une courte fenêtre d'événements tenant en mémoire ? Redis Streams avec consumer groups.
- Le message est-il une notification que personne n'a besoin de récupérer ? Redis Pub/Sub.
- Avez-vous besoin de lectures rapides d'un état courant construit à partir d'événements ? Les deux : Kafka pour le log, Redis pour la vue.
Notre méthode de comparaison
Nous avons comparé Redis et Apache Kafka comme systèmes d'événements et de messagerie sur neuf critères : nature de chacun, emplacement des données, fenêtre de perte en cas de crash, réplication, rétention, scalabilité d'un stream, consumer groups, ordre et écosystème. Les faits proviennent des documentations Redis et Kafka, consultées le 9 octobre 2026. Redis Streams, Pub/Sub et Lists sont traités séparément car leur comportement diffère, et la page aborde l'utilisation conjointe des deux. Les valeurs par défaut changent d'une version à l'autre : vérifiez-les pour les versions que vous exploitez.
Questions fréquentes
Redis est-il plus rapide que Kafka ?
Redis sert chaque opération depuis la mémoire ; Kafka est conçu pour un débit soutenu sur plusieurs partitions avec une longue rétention sur disque. Un test équitable exécute les deux avec les réglages de durabilité que vous utiliseriez en production, sur vos propres tailles de messages.
Redis Streams peut-il remplacer Kafka ?
Pour une courte fenêtre d'événements tenant en mémoire, souvent oui. Redis Streams ne propose ni rétention sur disque, ni partitionnement d'un stream, ni Kafka Connect, ni Kafka Streams : les journaux d'événements durables partagés par de nombreux systèmes conviennent mieux à Kafka.
Les consumer groups Redis sont-ils identiques à ceux de Kafka ?
Non. Redis reprend le nom, mais sa documentation précise que l'implémentation n'a aucun rapport. Redis suit chaque entrée livrée jusqu'à son acquittement ; Kafka attribue chaque partition à un consommateur par groupe et suit un offset par partition.