案例 ｜ Kafka 为什么会丢消息？

因公众号更改推送规则，请点“在看”并加“星标”第一时间获取精彩分享

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。

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 --describeGROUP TOPIC PARTITION CURRENT-OFFSET LOG-END-OFFSET LAG CONSUMER-ID HOST CLIENT-IDconsole-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


1. 利用工具：Kafka Tools

1. 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");

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。

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

• 解决措施：设置acks=1或者acks=all。发送消息设置回调。

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。 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。 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 dirtyvm.dirty_background_bytes = 0vm.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 = 0vm.dirty_expire_centisecs = 3000 # 表示脏数据多久会被刷新到磁盘上（30秒）。vm.dirty_ratio = 20vm.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（ ）

• 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。

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。

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。

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> *的积。

• max.poll.interval.ms: 该值要大于/ (<单个线程每秒消费的条数> * <消费线程的个数>)的值。

• 解决措施：客户端版本升级至0.10.2以上版本。

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”

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(){...});

1. 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。

1. 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。

福利

免责声明：

本公众号部分分享的资料来自网络收集和整理，所有文字和图片版权归属于原作者所有，且仅代表作者个人观点，与本公众号无关，文章仅供读者学习交流使用，并请自行核实相关内容，如文章内容涉及侵权，请联系后台管理员删除。