Kafka 为什么会丢消息？（案例）

引入 MQ 消息中间件最直接的目的：系统解耦以及流量控制（削峰填谷）

• 系统解耦： 上下游系统之间的通信相互依赖，利用 MQ 消息队列可以隔离上下游环境变化带来的不稳定因素。
• 流量控制： 超高并发场景中，引入 MQ 可以实现流量 “削峰填谷” 的作用以及服务异步处理，不至于打崩服务。

引入 MQ 同样带来其他问题：数据一致性。

在分布式系统中，如果两个节点之间存在数据同步，就会带来数据一致性的问题。 消息生产端发送消息到 MQ 再到消息消费端需要保证消息不丢失。

所以在使用 MQ 消息队列时，需要考虑这 3 个问题：

• 如何知道有消息丢失？
• 哪些环节可能丢消息？
• 如何确保消息不丢失？

（1）如何知道有消息丢失？

如何感知消息是否丢失了？可总结如下：

1. 他人反馈： 运营、PM 反馈消息丢失。
2. 监控报警： 监控指定指标，即时报警人工调整。Kafka 集群异常、Broker 宕机、Broker 磁盘挂载问题、消费者异常导致消息积压等都会给用户直接感觉是消息丢失了。

案例：舆情分析中数据采集同步

• PM 可自己下发采集调度指令，去采集特定数据。
• PM 可通过 ES 近实时查询对应数据，若没相应数据可再次下发指令。

当感知消息丢失了，那就需要一种机制来检查消息是否丢失。

检索消息

运维工具有：

1. 查看 Kafka 消费位置：

# 查看某个topic的message数量
$ ./kafka-run-class.sh kafka.tools.GetOffsetShell --broker-list localhost:9092 --topic test_topic

# 查看consumer Group列表
$ ./kafka-consumer-groups.sh  --list  --bootstrap-server 192.168.88.108:9092

# 查看 offset 消费情况
$ ./kafka-consumer-groups.sh --bootstrap-server localhost:9092 --group console-consumer-1152 --describe
GROUP                 TOPIC           PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG             CONSUMER-ID                                                           HOST            CLIENT-ID
console-consumer-1152 test_topic      0          -               4               -               consumer-console-consumer-1152-1-2703ea2b-b62d-4cfd-8950-34e8c321b942 /127.0.0.1      consumer-console-consumer-1152-1

2. 利用工具：Kafka Tools

3. 其他可见化界面工具

（2）哪些环节可能丢消息？

一条消息从生产到消费完成经历 3 个环节：消息生产者、消息中间件、消息消费者。

哪个环节都有可能出现消息丢失问题。

1）生产端

首先要认识到 Kafka 生产端发送消息流程：

调用 send() 方法时，不会立刻把消息发送出去，而是缓存起来，选择恰当时机把缓存里的消息划分成一批数据，通过 Sender 线程按批次发送给服务端 Broker。

此环节丢失消息的场景有： 即导致 Producer 消息没有发送成功

1. 网络波动： 生产者与服务端之间的链路不可达，发送超时。现象是：各端状态正常，但消费端就是没有消费消息，就像丢失消息一样。

   • 解决措施：重试 props.put("retries", "10");

2. 不恰当配置： 发送消息无 ack 确认; 发送消息失败无回调，无日志。

   • 解决措施：设置 acks=1 或者 acks=all。发送消息设置回调。

   producer.send(new ProducerRecord<>(topic, messageKey, messageStr), 
                             new CallBack(){...});
   

回顾下重要的参数：acks

• acks=0：不需要等待服务器的确认. 这是 retries 设置无效. 响应里来自服务端的 offset 总是 -1，producer只管发不管发送成功与否。延迟低，容易丢失数据。
• acks=1：表示 leader 写入成功（但是并没有刷新到磁盘）后即向 producer 响应。延迟中等，一旦 leader 副本挂了，就会丢失数据。
• acks=all：等待数据完成副本的复制, 等同于 -1. 假如需要保证消息不丢失, 需要使用该设置. 同时需要设置 unclean.leader.election.enable 为 true, 保证当 ISR 列表为空时, 选择其他存活的副本作为新的 leader.

2）服务端

先来了解下 Kafka Broker 写入数据的过程：

1. Broker 接收到一批数据，会先写入内存 PageCache（OS Cache）中。
2. 操作系统会隔段时间把 OS Cache 中数据进行刷盘，这个过程会是 「异步批量刷盘」。

这里就有个隐患，如果数据写入 PageCache 后 Kafka Broker宕机会怎样？机子宕机/掉电？

• Kafka Broker 宕机： 消息不会丢失。因为数据已经写入 PageCache，只等待操作系统刷盘即可。
• 机子宕机/掉电： 消息会丢失。因为数据仍在内存里，内存RAM 掉电后就会丢失数据。
  • 解决方案：使用带蓄电池后备电源的缓存 cache，防止系统断电异常。

  1. 对比学习 MySQL 的 “双1” 策略，基本不使用这个策略，因为 “双1” 会导致频繁的 I/O 操作，也是最慢的一种。
  2. 对比学习 Redis 的 AOF 策略，默认且推荐的策略：Everysec(AOF_FSYNC_EVERYSEC) 每一秒钟保存一次（默认）：。每个写命令执行完, 只是先把日志写到 AOF 文件的内存缓冲区, 每隔一秒把缓冲区中的内容写入磁盘。

拓展：Kafka 日志刷盘机制

# 推荐采用默认值，即不配置该配置，交由操作系统自行决定何时落盘，以提升性能。
# 针对 broker 配置：
log.flush.interval.messages=10000 # 日志落盘消息条数间隔，即每接收到一定条数消息，即进行log落盘。
log.flush.interval.ms=1000        # 日志落盘时间间隔，单位ms，即每隔一定时间，即进行log落盘。

# 针对 topic 配置：
flush.messages.flush.ms=1000  # topic下每1s刷盘
flush.messages=1              # topic下每个消息都落盘


# 查看 Linux 后台线程执行配置
$ sysctl -a | grep dirty
vm.dirty_background_bytes = 0
vm.dirty_background_ratio = 10      # 表示当脏页占总内存的的百分比超过这个值时，后台线程开始刷新脏页。
vm.dirty_bytes = 0
vm.dirty_expire_centisecs = 3000    # 表示脏数据多久会被刷新到磁盘上（30秒）。
vm.dirty_ratio = 20
vm.dirty_writeback_centisecs = 500  # 表示多久唤醒一次刷新脏页的后台线程（５秒）。
vm.dirtytime_expire_seconds = 43200

Broker 的可靠性需要依赖其多副本机制： 一般副本数 3 个（配置参数：replication.factor=3）

• Leader Partition 副本：提供对外读写机制。
• Follower Partition 副本：同步 Leader 数据。

副本之间的数据同步也可能出现问题：数据丢失问题和数据不一致问题。

解决方案：ISR 和 Epoch 机制 （具体可看之前的文章）

• ISR(In-Sync Replicas) ： 当 Leader 宕机，可以从 ISR 中选择一个 Follower 作为 Leader。

• Epoch 机制： 解决 Leader 副本高水位更新和 Follower 副本高水位更新在时间上是存在错配问题。

  Tips: Kafka 0.11.x 版本才引入 leader epoch 机制解决高水位机制弊端。

对应需要的配置参数如下：

1. acks=-1 或者 acks=all： 必须所有副本均同步到消息，才能表明消息发送成功。

2. replication.factor >= 3： 副本数至少有 3 个。

3. min.insync.replicas > 1： 代表消息至少写入 2个副本才算发送成功。前提需要 acks=-1。

   举个栗子：Leader 宕机了，至少要保证 ISR 中有一个 Follower，这样这个Follwer被选举为Leader 且不会丢失数据。

   公式：replication.factor = min.insync.replicas + 1

4. unclean.leader.election.enable=false： 防止不在 ISR 中的 Follower 被选举为 Leader。

   **Kafka 0.11.0.0版本开始默认 unclean.leader.election.enable=false **

3）消费端

消费端消息丢失场景有：

1. 消息堆积： 几个分区的消息都没消费，就跟丢消息一样。

   • 解决措施： 一般问题都出在消费端，尽量提高客户端的消费速度，消费逻辑另起线程进行处理。

2. 自动提交： 消费端拉下一批数据，正在处理中自动提交了 offset，这时候消费端宕机了; 重启后，拉到新一批数据，而上一批数据却没处理完。

   • 解决措施： 取消自动提交 auto.commit = false，改为手动 ack。

3. 心跳超时，引发 Rebalance： 客户端心跳超时，触发 Rebalance被踢出消费组。如果只有这一个客户端，那消息就不会被消费了。

   • 解决措施： 客户端版本升级至 0.10.2 以上版本。

   同时避免两次 poll 的间隔时间超过阈值：

   • max.poll.records：降低该参数值，建议远远小于 <单个线程每秒消费的条数> * <消费线程的个数> * <max.poll.interval.ms> 的积。
   • max.poll.interval.ms: 该值要大于 <max.poll.records> / (<单个线程每秒消费的条数> * <消费线程的个数>) 的值。

案例：凡凡曾遇到数据同步时，消息中的文本需经过 NLP 的 NER 分析，再同步到 ES。

这个过程的主要流程是：

1. 数据同步程序从 Kafka 中拉取消息。
2. 数据同步程序将消息内的文本发送的 NER 进行分析，得到特征数组。
3. 数据同步程序将消息同步给 ES。

现象：线上数据同步程序运行一段时间后，消息就不消费了。

• 排查日志： 发现有 Rebalance 日志，怀疑是客户端消费太慢被踢出了消费组。
• 本地测试： 发现运行一段时间也会出现 Rebalance，且 NLP的NER 服务访问 HTTP 500 报错。
• 得出结论： 因NER服务异常，导致数据同步程序消费超时。且当时客户端版本为 v0.10.1，Consumer 没有独立线程维持心跳，而是把心跳维持与 poll 接口耦合在一起，从而也会造成心跳超时。

当时解决措施是：

1. session.timeout.ms： 设置为 25s，当时没有升级客户端版本，怕带来其他问题。
2. 熔断机制： 增加 Hystrix，超过 3 次服务调用异常就熔断，保护客户端正常消费数据。

（3）如何确保消息不丢失？

掌握这些技能：

1. 熟悉消息从发送到消费的每个阶段
2. 监控报警 Kafka 集群
3. 熟悉方案 “MQ 可靠消息投递”

怎么确保消息 100% 不丢失？

到这，总结下：

1. 生产端：

• 设置重试：props.put("retries", "10");
• 设置 acks=all
• 设置回调：producer.send(msg, new CallBack(){...});

2. Broker：

• 内存：使用带蓄电池后备电源的缓存 cache。
• Kafka 版本 0.11.x 以上：支持 Epoch 机制。
• replication.factor >= 3： 副本数至少有 3 个。
• min.insync.replicas > 1： 代表消息至少写入 2个副本才算发送成功。前提需要 acks=-1。
• unclean.leader.election.enable=false： 防止不在 ISR 中的 Follower 被选举为 Leader。

3. 消费端

• 客户端版本升级至 0.10.2 以上版本。
• 取消自动提交 auto.commit = false，改为手动 ack。
• 尽量提高客户端的消费速度，消费逻辑另起线程进行处理。