Kafka实战应用核心要点
- 一、前言
- 二、Kafka避免重复消费
-
- [2.1 消费者组机制](#2.1 消费者组机制)
- [2.2 幂等生产者](#2.2 幂等生产者)
- [2.3 事务性生产者/消费者](#2.3 事务性生产者/消费者)
- [2.4 手动提交偏移量](#2.4 手动提交偏移量)
- [2.5 外部存储管理偏移量](#2.5 外部存储管理偏移量)
- [2.6 去重逻辑](#2.6 去重逻辑)
- [2.7 幂等消息处理逻辑](#2.7 幂等消息处理逻辑)
- [2.8 小结](#2.8 小结)
- 三、Kafka持久化策略
-
- [3.1 持久化文件](#3.1 持久化文件)
- [3.2 segment 分段策略](#3.2 segment 分段策略)
- [3.3 数据文件刷盘策略](#3.3 数据文件刷盘策略)
- [3.4 日志清理策略](#3.4 日志清理策略)
- [3.5 Kafka消息查找策略](#3.5 Kafka消息查找策略)
- 四、Kafka零复制(Zero-copy)
- 五、Kafka设计实现延迟消息
- 六、Kafka与ZooKeeper依赖性
一、前言
记录Kafka在项目中应用的核心要点,面试可食用。
二、Kafka避免重复消费
在 Apache Kafka 应用于项目中时,避免重复消费是个重要且常见的问题,尤其是在处理消息时需要确保每条消息只被处理一次。总结而言,避免重复消费的方式有七种:
2.1 消费者组机制
Kafka消费者组(Consumer Group)机制可以确保每个分区的消息只被一个消费者实例消费。通过合理的分区和消费者组设计,可以避免同一消息被多个消费者重复消费。
优点:
- 简单易用,Kafka内置支持。
- 适用于简单的负载均衡和扩展。
缺点:
- 不能完全避免重复消费,比如在消费者重启或重新平衡的过程中可能会有些消息被重复消费。
- 需要额外处理消费者重平衡带来的复杂性。
2.2 幂等生产者
Kafka 0.11.0版本引入幂等生产者(Idempotent Producer),可确保相同的消息在网络或其他错误导致重试时不会被重复写入Kafka。
启用幂等生产者只需要在生产者配置中设置enable.idempotence=true
。幂等生产者确保消息在网络或其他错误导致重试时不会被重复写入 Kafka,通过为每个消息分配唯一的序列号来实现幂等性。
配置修改:
java
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("enable.idempotence", "true");
KafkaProducer<String, String> producer = new KafkaProducer<>(props);
优点:
- 简化生产者端的去重逻辑。
- 可以确保消息在Kafka中只写入一次。
缺点:
- 需要Kafka 0.11.0及以上版本。
- 在某些情况下可能会增加生产者的延迟。
2.3 事务性生产者/消费者
Kafka支持事务性消息,允许生产者和消费者在一个事务中一起工作。生产者可以将一组消息作为一个事务写入Kafka,消费者也可以在一个事务中读取和处理消息。这样可确保消息处理的原子性和一致性。要使用事务性生产者,需要配置transactional.id
。
配置修改:
java
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("transactional.id", "my-transactional-id");
KafkaProducer<String, String> producer = new KafkaProducer<>(props);
producer.initTransactions();
优点:
- 提供强一致性保证。
- 避免消息处理中的部分提交问题。
缺点:
- 复杂度较高,需Kafka 0.11.0及以上版本。
- 性能开销较大,适用于对一致性要求高的场景。
2.4 手动提交偏移量
Kafka消费者默认会自动提交偏移量(auto commit),为更好地控制消息处理和偏移量提交,可关闭自动提交(enable.auto.commit=false
),并在确保消息处理成功后手动提交偏移量。这可通过commitSync()
或commitAsync()
方法来实现。
配置修改:
java
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("enable.auto.commit", "false");
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(props);
while (true) {
ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));
for (ConsumerRecord<String, String> record : records) {
// 处理消息
}
consumer.commitSync();
}
优点:
- 精细控制偏移量提交时机,确保消息处理成功后才提交。
- 提高处理的可靠性。
缺点:
- 增加消费者代码的复杂性。
- 如果处理逻辑很慢,可能导致偏移量提交延迟。
2.5 外部存储管理偏移量
在某些特定场景下,可将偏移量存储在外部存储(如数据库)中,而不是依赖 Kafka的内部偏移量管理。这样可在消息处理和偏移量提交之间建立更强的关联,确保只有当消息处理成功后才更新偏移量。
优点:
- 可以在消息处理和偏移量提交之间建立更强的关联。
- 灵活性高,可根据业务需求自定义偏移量管理。
缺点:
- 需要额外的存储和管理逻辑。
- 增加系统的复杂性。
2.6 去重逻辑
在消息处理逻辑中引入去重机制。
例如,可以使用消息的唯一标识符(如消息ID)在处理前检查是否已经处理过该消息,从而避免重复处理。
优点:
- 灵活性高,可根据业务逻辑自定义去重策略。
- 适用于需要严格去重的场景。
缺点:
- 需要额外的存储和管理去重信息。
- 增加处理逻辑的复杂性。
2.7 幂等消息处理逻辑
设计消息处理逻辑时,尽量使其成为幂等操作,即相同的消息即使被处理多次也不会产生副作用。
例如,在数据库操作时,可以使用UPSERT操作(更新插入)来确保数据的一致性。
优点:
- 简化重复消费问题的处理。适
- 用于可以设计为幂等操作的业务场景。
缺点:
- 并不是所有业务逻辑都能设计为幂等操作。
- 需要仔细设计和验证处理逻辑的幂等性。
2.8 小结
对于大多数场景,结合使用消费者组、手动提交偏移量和幂等处理逻辑
可以有效避免重复消费,而在需要更严格一致性的场景下,可以考虑使用幂等生产者和事务性消息
。
具体选择方案取决于具体的应用场景和需求。
三、Kafka持久化策略
Kafka实际上就是日志消息存储系统
, 根据offset
获取对应的消息,消费者获取到消息之后该消息不会立即从mq中移除,而是继续存储在磁盘中
。
3.1 持久化文件
topic有分区(partition)的概念,Kafka 会将topic分成多个不同的分区,生产者往同一个topic发送的消息最终是发送到不同的分区里面,每个分区中拆分成多个不同的segment文件存储日志。
每个segment
文件包含:
.index
文件 (消息偏移量索引文件).log
文件(消息物理存放文件).timeindex
文件(时间索引文件)
每个segment文件容量最大默认为500MB
,如果超过500MB就生成新的 segment文件,且文件命名后几位表示上个segment文件最后offset值,如:segment01 、segment500 、segment1000
。
由此可知:一个topic里的消息是由该topic下所有分区里的消息组成的。在同一个分区内部,消息是有序的,而不同分区之间,消息是不能保证有序的
。
存储的消息日志文件在 server.properties
配置文件的 log.dirs
参数指定的目录下,以" t o p i c − topic- topic−partition"为名称的目录:
注:由于每个分区都有leader
的概念,而不同分区的leader可能位于不同的broker
上,除leader外,分区还有副本(replica)的概念,因此每个broker只会存储分区leader或副本位于该broker中的topic的消息。
3.2 segment 分段策略
在 server.properties 配置文件中,分段文件配置默认是500MB ,有利于快速回收磁盘空间,重启kafka加载也会加快(如果文件过小,则文件数量比较多,kafka启动时是单线程扫描目录(log.dir)下所有数据文件),文件较多时性能会稍微降低。下面是相关配置参数:
java
##日志滚动的周期时间,到达指定周期时间时,强制生成一个新的segment
log.roll.hours=72
##segment的索引文件最大尺寸限制,即时log.segment.bytes没达到,也会生成一个新的segment
log.index.size.max.bytes=10*1024*1024
##控制日志segment文件的大小,超出该大小则追加到一个新的日志segment文件中(-1表示没有限制)
log.segment.bytes=1024*1024*1024
3.3 数据文件刷盘策略
当把数据写入到文件系统之后,数据其实在操作系统的page cache
里面,并没有刷到磁盘上去。若此时操作系统宕机,数据就会丢失。
这里可根据消息的数量log.flush.interval.messages
和时间log.flush.interval.ms
进行配置,如果时间设置的过大,有没达到指定的数量的情况下,如果系统宕机,数据就会丢失。
Kafka官方并不建议通过Broker端的log.flush.interval.messages
和log.flush.interval.ms
来强制写盘,认为数据的可靠性应该通过Replica
来保证,而强制Flush数据到磁盘会对整体性能产生影响。
java
##每当producer写入10000条消息时,刷数据到磁盘 配置
log.flush.interval.messages=10000
##每间隔5秒钟时间,刷数据到磁盘
log.flush.interval.ms=5000
3.4 日志清理策略
java
## 是否开启日志清理
log.cleaner.enable=true
## 日志清理运行的线程数
log.cleaner.threads = 2
## 日志清理策略选择有:delete和compact主要针对过期数据的处理,或是日志文件达到限制的额度,会被 topic创建时的指定参数覆盖,默认 delete
log.cleanup.policy = delete
## 数据文件保留多长时间, 存储的最大时间超过这个时间会根据log.cleanup.policy设置数据清除策略
## log.retention.bytes和 log.retention.minutes或 log.retention.hours任意一个达到要求,都会执行删除
log.retention.minutes=300
log.retention.hours=24
## topic每个分区的最大文件大小,-1没有大小限制
log.retention.bytes=-1
## 文件大小检查的周期时间,是否触发 log.cleanup.policy中设置的策略
log.retention.check.interval.ms=5minutes
3.5 Kafka消息查找策略
前文提到每个segment file有命名规则,且在.index
文件中,存储的是key-value格式的,key代表在.log
中按顺序开始顺序消费的offset值,value代表该消息的物理消息存放位置。
但是在.index中不是对每条消息都做记录,它是每隔一些消息记录一次,避免占用太多内存。即使消息不在index记录中,在已有的记录中查找,范围也大大缩小。
kafka就是利用分段+索引
的方式来解决查找效率的问题,kafka没有对每个文件建立索引,而是利用kafka 消息写入磁盘的顺序性,对其中部分的消息建立偏移量索引和时间戳索引,这就是稀疏索引
,目的是节约空间的资源,定位到相邻.log
文件,再根据顺序遍历查找,此方式的时间复杂度是O(n)。
其中,偏移量索引源码:
java
offsetIndex.append(largestOffset, physicalPosition)
def append(offset: Long, position: Int) {
inLock(lock) {
// 索引位置
mmap.putInt(relativeOffset(offset))
// 日志位置
mmap.putInt(position)
_entries += 1
_lastOffset = offset
}
}
// 用当前offset减去基准offset
def relativeOffset(offset: Long): Int = {
val relativeOffset = offset - baseOffset
}
时间戳索引源码:
java
timeIndex.maybeAppend(maxTimestampSoFar, offsetOfMaxTimestamp)
def maybeAppend(timestamp: Long, offset: Long, skipFullCheck: Boolean = false) {
inLock(lock) {
if (timestamp > lastEntry.timestamp) {
// 添加时间戳
mmap.putLong(timestamp)
// 添加相对位移(偏移量索引)
mmap.putInt(relativeOffset(offset))
_entries += 1
_lastEntry = TimestampOffset(timestamp, offset)
}
}
}
Kafka使用改进版的二分查找,改的不是二分查找的内部,而是把所有索引项分为热区和冷区 这个改进可以让查询热数据部分时,遍历的Page永远是固定的,这样能避免缺页中断。
整体流程:
四、Kafka零复制(Zero-copy)
Kafka信息复制的原因:确保任何已发布的消息不会丢失,并且可以在机器错误、程序错误或更常见些的软件升级中使用。
Kafka之所以能够快速地处理大量数据,其中一个重要原因就是采用零拷贝(Zero-copy)技术。Kafka采用两种零拷贝技术来提高性能:mmap(memory-map)
和sendfile
。
主要有两个大的场景:
- Broker 读写
.index文件
,用 mmap零复制 - Broker 向
Consumer
发消息,用 sendfile 零复制
mmap (memory-map):把文件映射到进程的虚拟内存空间。通过对这段内存的读取和修改,可以实现对文件的读取和修改,而不需要用read和write系统调用。
sendfile:直接在内核完成输入和输出,不需要拷贝到用户空间再写出去。
五、Kafka设计实现延迟消息
Kafka延时操作的实现方式:基于时间戳的延时和基于特殊Topic的延时
(1)基于时间戳的延时 :通过设置消息的时间戳来实现延时操作。Producer在发送消息时,可以为消息设置一个未来的时间戳,指定消息在该时间点之后才能被消费者消费。Kafka会根据消息的时间戳进行延时推送,直到时间点到达后才将消息发送给消费者。
(2)基于特殊Topic的延时:通过创建专门的延时Topic来实现延时操作。可以将需要延时的消息发送到延时Topic中,然后设置一个定时任务来定期检查延时Topic中的消息,并将到期的消息转发到目标Topic供消费者消费。
简单步骤:
java
1.创建正常的topic(即即时消费的消息)。
2.创建延迟的topic,并设置合适的副本因子和参数以支持延迟消费。
3.发送消息到正常的topic,同时指定消息需要被延迟消费。
4.使用Kafka的消费者API从延迟topic拉取消息并处理。
java
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;
public class DelayedMessageProducer {
public static void main(String[] args) {
Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
Producer<String, String> producer = new KafkaProducer<>(props);
// 正常的topic
String immediateTopic = "immediate-messages";
// 延迟的topic
String delayedTopic = "delayed-messages";
// 消息内容
String value = "This is a delayed message";
// 延迟消费的时间,例如10秒
long delayTime = 10000;
// 发送消息到延迟的topic
producer.send(new ProducerRecord<>(delayedTopic, 0, System.currentTimeMillis() + delayTime, value));
producer.close();
}
}
六、Kafka与ZooKeeper依赖性
从Kafka 2.8版本开始,Kafka提供KRaft模式,需要配置Quorm控制器,可以在没有ZooKeeper的情况下运行Kafka集群。
之前版本,Zookeeper是Kafka的核心组件之一,负责集群元数据的管理和控制器的选举等任务。Zookeeper存储和管理着Kafka的元数据信息和配置信息,包括broker的IP地址、端口号、主题分区的分配方案等。此外,Zookeeper还帮助Kafka集群实现自动故障转移和负载均衡等功能。