案例 ｜ Kafka 为什么会丢消息？

2022-09-14 18:15:23 浏览数 (1)

点击上方“芋道源码”，选择“设为星标”

管她前浪，还是后浪？

能浪的浪，才是好浪！

每天 10:33 更新文章，每天掉亿点点头发...

源码精品专栏

  • 原创 | Java 2021 超神之路，很肝~
  • 中文详细注释的开源项目
  • RPC 框架 Dubbo 源码解析
  • 网络应用框架 Netty 源码解析
  • 消息中间件 RocketMQ 源码解析
  • 数据库中间件 Sharding-JDBC 和 MyCAT 源码解析
  • 作业调度中间件 Elastic-Job 源码解析
  • 分布式事务中间件 TCC-Transaction 源码解析
  • Eureka 和 Hystrix 源码解析
  • Java 并发源码

来源：juejin.cn/post/

7135101805179961352

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

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：
代码语言：javascript复制
> 基于 Spring Boot   MyBatis Plus   Vue & Element 实现的后台管理系统   用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
>
> * 项目地址：<https://gitee.com/zhijiantianya/ruoyi-vue-pro>
> * 视频教程：<https://doc.iocoder.cn/video/>

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


> 基于 Spring Cloud Alibaba   Gateway   Nacos   RocketMQ   Vue & Element 实现的后台管理系统   用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能
>
> * 项目地址：<https://gitee.com/zhijiantianya/yudao-cloud>
> * 视频教程：<https://doc.iocoder.cn/video/>

# 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
  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");
  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。 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。
  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

代码语言：javascript复制
# 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

  • ISR(In-Sync Replicas) ： 当 Le``ader 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。 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。
    • 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”
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(){...});
  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。

欢迎加入我的知识星球，一起探讨架构，交流源码。加入方式，长按下方二维码噢：

已在知识星球更新源码解析如下：

最近更新《芋道 SpringBoot 2.X 入门》系列，已经 101 余篇，覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例，以及超 4W 行代码的电商微服务项目。

获取方式：点“在看”，关注公众号并回复 666 领取，更多内容陆续奉上。

代码语言：javascript复制
文章有帮助的话，在看，转发吧。谢谢支持哟 (*^__^*）
kafka 消息队列CMQ版 apache 缓存 es

0 人点赞