[大数据]五、Kafka 生产者 、 Kafka 消费者与 kafka事务

Kafka 生产者 、 Kafka 消费者与 kafka事务

Kafka 生产者

1 分区策略

1.1、分区的原因
1.方便在集群中扩展，提高负载能力，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
2.可以提高并发读写，因为可以以 Partition 为单位读写了。（联想到ConcurrentHashMap在高并发环境下读写效率比HashTable的高效）
1.2、分区的原则【*】
我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象。

1.指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
2.没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 数进行取余得到 partition 值；
3.既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 总数取余得到 partition值，也就是常说的 round-robin 算法。

2 数据可靠性保证（生产者推送的数据）【*】

为保证 producer 发送的数据，能可靠的发送到指定的 topic， topic 的每个 partition 收到producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement： 确认收到），如果producer 收到 ack， 就会进行下一轮的发送，否则重新发送数据。

何时发送ack？
确保有follower与leader同步完成，leader再发送ack，这样才能保证leader挂掉之后，能在follower中选举出新的leader。
多少个follower同步完成之后发送ack？ 现有两种方案：
1.半数以上的follower同步完成，即可发送ack继续发送重新发送
2.全部的follower同步完成，才可以发送ack
2.1、副本数据同步策略
这步操作主要受限的是其他follower和leader相比数据完整性的约束，如果用第二种，主从数据全部一致，只要有一台就行。第一种就要遵循半数+1的原则。

Kafka 选择了第二种方案，原因如下：
1.同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1 个副本，而 Kafka 的每个分区都有大量的数据， 第一种方案会造成大量数据的冗余。
2.虽然第二种方案的网络延迟会比较高，但网络延迟对 Kafka 的影响较小。

2.2、ISR

采用第二种方案之后，设想以下情景： leader 收到数据，所有 follower 都开始同步数据，但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去，直到它完成同步，才能发送 ack。这个问题怎么解决呢？

Leader 维护了一个动态的 in-sync replica set (ISR：同步副本)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 producer 发送 ack。如果 follower长时间未向leader同步数据，则该 follower 将被踢出 ISR，该时间阈值由replica.lag.time.max.ms参数设定。 Leader 发生故障之后，就会从 ISR 中选举新的 leader。

在0.9版本中将另外一个进出ISR的条件去掉了。这个条件是 replica.lag.max.messages
leader中的条数与follower中的条数 的差距。（比如两者的差距在10条之内，就加入ISR）

去掉的原因是：假设这个条数的临界值是10条，kafka是分批次的推送数据，如果推送时，一个批次内的条数有很多，导致ISR中所有的follower都被踢出了ISR，但是很快，满足条件的follower又会被加入到ISR中， 这对ISR的操作太过频繁（ISR是维护在内存中），并且还会频繁的操作zookeeper（kafka 的信息是存放在zookeeper里的，所以zookeeper中也是有这个ISR的）

replica.lag.time.max.ms
DESCRIPTION: If a follower hasn’t sent any fetch requests or hasn’t consumed up to the leaders log end offset for at least this time, the leader will remove the follower from isr
TYPE: long
DEFAULT: 10000
Source

2.3、ack 应答机制（数据丢失和数据重复）

对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失，所以没必要等 ISR 中的 follower 全部接收成功。

所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡，选择以下的配置。

acks 参数配置：

• 0： producer 不等待 broker（或者说是leader）的 ack，这一操作提供了一个最低的延迟， broker 一接收到还没有写入磁盘的数据就已经返回，当 broker 故障时有可能丢失数据；

leader刚接收到有消息过来，就发送ACK，这个时候如果leader宕机，消息还没落盘，但是producer收到了ack以为正常结束就会发送下一条消息，从而导致数据丢失

• 1： producer 等待 broker 的 ack， partition 的 leader 落盘成功后返回 ack，如果在 follower同步成功之前 leader 故障，那么将会丢失数据；

leader在落盘成功就发送ACK，如果这时候follower还没来得及同步，leader宕机了，从机就会丢失数据，虽然主机不丢但是下次选举从从机选就会丢

• -1（all） ： producer 等待 broker 的 ack， partition 的 leader 和 ISR 里的follower 全部落盘成功后才返回 ack。但是如果在 follower 同步完成后， broker 发送 ack 之前， leader 发生故障，那么会造成数据重复。（假如ISR中没有follower，就变成了 ack=1 的情况）

主从全部落盘在ACK，但是主从全部落盘，ack发送之前leader挂了，就会再发一次消息给leader，就会数据重复了。如果没有从机，只有主机，-1的时候就是主机落盘成功就返回ACK，就和1一样了，leader在落盘成功就发送ACK，不考虑从机

助记：返ACK前，0无落盘，1一落盘，-1全落盘，（落盘：消息存到本地）

2.4 Exactly Once 语义 解决数据重复发送问题

将服务器的 ACK 级别设置为-1（all），可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。相对的，将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。

At Least Once 可以保证数据不丢失，但是不能保证数据不重复；

相对的， At Most Once可以保证数据不重复，但是不能保证数据不丢失。

但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。

At Least Once 最少发送一次，肯定不丢失，但是可能重复；At Most Once 最多发送一次，不重复，可能会丢失；
At least once—Messages are never lost but may be redelivered.
At most once—Messages may be lost but are never redelivered.
Exactly once—this is what people actually want, each message is delivered once and only once.
Source

在 0.11 版本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。

0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论向 Server 发送多少次重复数据， Server 端都只会持久化一条。幂等性结合 At Least Once 语义，就构成了 Kafka 的 Exactly Once 语义。即：

At Least Once + 幂等性 = Exactly Once

要启用幂等性，只需要将 Producer 的参数中 enable.idempotence 设置为 true 即可（此时 ack= -1）。 Kafka的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。原理：开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而Broker 端会对<PID, Partition, SeqNumber>做缓存，当具有相同主键的消息提交时， Broker 只会持久化一条。

但是 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区、跨会话的 Exactly Once。（也就是说它只解决单次会话、单个分区里的消息重复问题）

3、故障处理细节（数据一致性）

follower 和 leader 发生故障了，该怎么处理。

LEO：（Log End Offset）每个副本的最后一个offset；
HW：（High Watermark）高水位，指的是消费者能见到的最大的 offset， ISR 队列中最小的 LEO；
follower 故障和 leader 故障：

• follower 故障：follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后， follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。
• leader 故障：leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性， 其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader同步数据。
  注意： 这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。ack是负责数据丢失的

Kafka 消费者

1.1Kafka消费方式

consumer 采用 pull（拉） 模式从 broker 中读取数据。

push（推）模式很难适应消费速率不同的消费者，因为消息发送速率是由 broker 决定的。它的目标是尽可能以最快速度传递消息，但是这样很容易造成 consumer 来不及处理消息，典型的表现就是拒绝服务以及网络拥塞。而 pull 模式则可以根据 consumer 的消费能力以适当的速率消费消息。

pull 模式不足之处是，如果 kafka 没有数据，消费者可能会陷入循环中， 一直返回空数据。 针对这一点， Kafka 的消费者在消费数据时会传入一个时长参数 timeout，如果当前没有数据可供消费， consumer 会等待一段时间之后再返回，这段时长即为 timeout。

1.2消费者组里的分区分配策略

一个 consumer group 中有多个 consumer，一个 topic 有多个 partition，所以必然会涉及到 partition 的分配问题，即确定那个 partition 由哪个 consumer 来消费。

Kafka 有两种分配策略：（目前应该有三种，具体可参考：总结：kafka生产者和消费者的分区分配策略）

• round-robin循环 (轮询)

• range （范围）
  1.2.1、 Round Robin （轮询）
  Round Robin （轮询）策略针对是一个消费者组，根据组来分的。
  关于Roudn Robin重分配策略，其主要采用的是一种轮询的方式分配所有的分区，该策略主要实现的步骤如下：这里我们首先假设有三个topic：t0、t1和t2，这三个topic拥有的分区数分别为1、2和3，那么总共有六个分区，这六个分区分别为：t0-0、t1-0、t1-1、t2-0、t2-1和t2-2。这里假设我们有三个consumer：C0、C1和C2，它们订阅情况为：C0订阅t0，C1订阅t0和t1，C2订阅t0、t1和t2。那么这些分区的分配步骤如下：

• 首先将所有的partition和consumer按照字典序进行排序，所谓的字典序，就是按照其名称的字符串顺序，那么上面的六个分区和三个consumer排序之后分别为：

• 然后依次以按顺序轮询的方式将这六个分区分配给三个consumer，如果当前consumer没有订阅当前分区所在的topic，则轮询的判断下一个consumer：

• 尝试将t0-0分配给C0，由于C0订阅了t0，因而可以分配成功；

• 尝试将t1-0分配给C1，由于C1订阅了t1，因而可以分配成功；

• 尝试将t1-1分配给C2，由于C2订阅了t1，因而可以分配成功；

• 尝试将t2-0分配给C0，由于C0没有订阅t2，因而会轮询下一个consumer；

• 尝试将t2-0分配给C1，由于C1没有订阅t2，因而会轮询下一个consumer；

• 尝试将t2-0分配给C2，由于C2订阅了t2，因而可以分配成功；

• 同理由于t2-1和t2-2所在的topic都没有被C0和C1所订阅，因而都不会分配成功，最终都会 分配给C2。

• 按照上述的步骤将所有的分区都分配完毕之后，最终分区的订阅情况如下：
  
  从上面的步骤分析可以看出，轮询的策略就是简单的将所有的partition和consumer按照字典序进行排序之后，然后依次将partition分配给各个consumer，如果当前的consumer没有订阅当前的partition，那么就会轮询下一个consumer，直至最终将所有的分区都分配完毕。但是从上面的分配结果可以看出，（缺点：）轮询的方式在这种情况下会导致每个consumer所承载的分区数量不一致，从而导致各个consumer压力不均一。

1.2.2、 Range（kafka默认的策略）
Range策略是按照topic依次进行分配的（针对的是主题topic）。

所谓的Range重分配策略，就是首先会计算各个consumer将会承载的分区数量，然后将指定数量的分区分配给该consumer。这里我们假设有两个consumer：C0和C1，两个topic：t0和t1，这两个topic分别都有三个分区，那么总共的分区有六个：t0-0、t0-1、t0-2、t1-0、t1-1和t1-2。那么Range分配策略将会按照如下步骤进行分区的分配：

• 需要注意的是，Range策略是按照topic依次进行分配的（针对的是主题topic） ，比如我们以t0进行讲解，其首先会获取 t0 的所有分区：t0-0、t0-1和t0-2，以及所有订阅了该topic的consumer：C0和C1，并且会将这些分区和consumer按照字典序进行排序；
• 然后按照平均分配的方式计算每个consumer会得到多少个分区，如果没有除尽，则会将多出来的分区依次计算到前面几个consumer。比如这里是三个分区和两个consumer，那么每个consumer至少会得到1个分区，而3除以2后还余1，那么就会将多余的部分依次算到前面几个consumer，也就是这里的1会分配给第一个consumer，总结来说，那么C0将会从第0个分区开始，分配2个分区，而C1将会从第2个分区开始，分配1个分区；
• 同理，按照上面的步骤依次进行后面的topic的分配。
• 最终上面六个分区的分配情况如下：
  
  （缺点：）可以看到，如果按照Range分区方式进行分配，其本质上是依次遍历每个topic，然后将这些topic的分区按照其所订阅的consumer数量进行平均的范围分配。这种方式从计算原理上就会导致排序在前面的consumer分配到更多的分区，从而导致各个consumer的压力不均衡。

1.2.3、小结

触发时机：当消费者组里的消费者个数发生变化时，就会触发关于消费者的分区分配策略。

如果一个消费者组内所有的消费者都订阅了相同的主题（topic），建议用轮询。

如果一个消费者组内的消费者订阅的主题（topic）不同，建议用range。

不过kafka默认的方式是：range。

实践中，还是要看具体情况来选择。

1.3 offset 的维护

由于 consumer 在消费过程中可能会出现断电宕机等故障， consumer 恢复后，需要从故障前的位置的继续消费，所以 consumer 需要实时记录自己消费到了哪个 offset，以便故障恢复后继续消费。（offset是由 consumer group + topic + partition 确定的）

Kafka 0.9 版本之前， consumer 默认将 offset 保存在 Zookeeper 中；从 0.9 版本开始，consumer 默认将 offset 保存在 Kafka 一个内置的 topic 中，该 topic 为__consumer_offsets。
1.修改消费者的配置文件 consumer.properties

#可以让我们来消费 系统的topic，来测试
exclude.internal.topics=false

2.读取 offset
1.0.11.0.0 之前版本 :

bin/kafka-console-consumer.sh
–topic __consumer_offsets
–zookeeper hadoop102:2181
–formatter “kafka.coordinator.GroupMetadataManager$OffsetsMessageFormatter”
–consumer.config config/consumer.properties --from -beginning

2.0.11.0.0 及之后版本 :

#命令
bin/kafka-console-consumer.sh
–topic __consumer_offsets
–zookeeper hadoop102:2181
–formatter “kafka.coordinator.group.GroupMetadataManager$OffsetsMessageFormatter”
–consumer.config config/consumer.properties --from-beginning
.

Kafka 事务

Kafka 从 0.11 版本开始引入了事务支持。事务可以保证 Kafka 在 Exactly Once 语义的基础上（Exactly Once 语义只能保证单次会话、单个分区中的幂等性），生产和消费可以跨分区和会话，要么全部成功，要么全部失败。

1 Producer 事务

为了实现跨分区跨会话的事务，需要引入一个全局唯一的 Transaction ID（这个ID是由客户端给的），并将 Producer 获得的PID 和Transaction ID 绑定。这样当Producer 重启后就可以通过正在进行的 TransactionID 获得原来的 PID。

为了管理 Transaction， Kafka 引入了一个新的组件 Transaction Coordinator。 Producer 就是通过和 Transaction Coordinator 交互获得 Transaction ID 对应的任务状态。 Transaction Coordinator 还负责将事务所有写入 Kafka 的一个内部 Topic，这样即使整个服务重启，由于事务状态得到保存，进行中的事务状态可以得到恢复，从而继续进行。

这样就可以保证跨分区、跨会话的幂等性。做到了将信息精准一次性写到kafka集群中

2 Consumer 事务

上述事务机制主要是从 Producer 方面考虑，对于 Consumer 而言，事务的保证就会相对较弱，尤其时无法保证 Commit 的信息被精确消费。这是由于 Consumer 可以通过 offset 访问任意信息，而且不同的 Segment File 生命周期不同，同一事务的消息可能会出现重启后被删除的情况。