Kafka如何保证消息不丢失不重复

首先需要思考下边几个问题:

消息丢失是什么造成的,从生产端和消费端两个角度来考虑

消息重复是什么造成的,从生产端和消费端两个角度来考虑

如何保证消息有序

如果保证消息不重不漏,损失的是什么

大概总结下

消费端重复消费:建立去重表

消费端丢失数据:关闭自动提交offset,处理完之后受到移位

生产端重复发送:这个不重要,消费端消费之前从去重表中判重就可以

生产端丢失数据:这个是最麻烦的情况

解决策略:

1、异步方式缓冲区满了,就阻塞在那,等着缓冲区可用,不能清空缓冲区

2、发送消息之后回调函数,发送成功就发送下一条,发送失败就记在日志里,等着定时脚本来扫描

(发送失败可能并不真的发送失败,只是没收到反馈,定时脚本可能会重发)

如何保证有序:

如果一个发送失败了,后边的就不能继续发了,不然重发的那个肯定就乱序了

生产者在收到发送成功的反馈之前,不能发下一条数据,但我感觉生产者是一个流,阻塞正产者感觉业务不可行,怎么会因为一条消息发出去没收到反馈,就阻塞生产者

同步发送模式:发出消息后,必须阻塞等待收到通知后,才发送下一条消息

异步发送模式:一直往缓冲区写,然后一把写到队列中去

两者都是各有利弊:
同步发送模式虽然吞吐量小,但是发一条收到确认后再发下一条,既能保证不丢失消息,又能保证顺序

Kafka消息保证生产的消息不丢失和不重复消费的问题

1、使用同步模式的时候 ,有3种状态保证消息被安全生产,在配置为1(只保证写入leader成功的话),如果刚好leader partition挂了,数据就会丢失

2、使用异步模式的时候,当缓存区满了,如果配置为0(还没收到确认的情况下,缓冲池一满,就清空缓冲池里的消息),数据就会被立马丢弃掉

在数据生产时避免数据丢失的方法:

只要能避免上述两种情况,那么就可以保证消息不会被丢失。

1、在同步模式的时候,确认机制设置为-1,也就是让消息写入leader和所有的副本。

2、在异步模式的时候,在消息发送出去了,但还没收到确认的时候,缓冲池满了,在配置文件中设置成不限制阻塞超时时间,也就是生产端一直阻塞着,这样也能保证消息不丢失。

在数据消费时,避免数据丢失的方法:如果使用了strom,要开启strom的ackfail机制,如果没有使用strom,确实数据被完成处理时,再更新offset值,低级API中需要手动控制offset值。

消息队列的问题都要从源头找问题,就是生产者是否有问题。

如果数据发送成功,但是接受response的时候丢失了,机器重启之后就会重发。

重发很好解决,消费端增加去重表就能解决,但是如果生产者丢失了数据,问题就很麻烦了。

数据重复消费的情况,如果处理

1、去重:将消息的唯一标识保存到外部介质中,每次消费处理时判断是否处理过

2、不管:大数据场景中,报表系统或者日志信息丢失几条都无所谓,不会影响最终的统计分析结果。

Kafka到底会不会丢数据?通常不会,但有些情况下的确有可能会发生,下面的参数配置及Best practice列表可以较好的保证数据的持久性(当然是trade-off,牺牲了吞吐量)

block.on.buffer.full = true
acks = all
retries = MAX_VALUE
max.in.flight.requests.per.connection = 1
使用KafkaProducer.send(record, callback)
callback逻辑中显式关闭producer:close(0) 
unclean.leader.election.enable=false
replication.factor = 3 
min.insync.replicas = 2
replication.factor > min.insync.replicas
enable.auto.commit=false
消息处理完成之后再提交位移
给出列表之后,我们从两个方面来探讨一下数据为什么会丢失:

1、Producer端

目前比较新版本的Kafka正式替换了Scala版本的old producer,使用了由java重写的producer,新版本的producer采用异步发送机制,KafkaProducer.send(ProducerRecord)方法仅仅是把这条消息放入一个缓存中(即RecordAccumulator,本质上使用队列来缓存记录),同时后台的IO线程会不断扫描该缓存区,将满足条件的消息封装到某个batch中然后发送出去,显然,这个过程中就有一个数据丢失的窗口:若IO线程发送之前client端挂掉了,累积在accumulator中的数据的确有可能会丢失。

Producer的另一个问题是消息乱序问题,假设客户端代码依次执行下面的语句将两条消息发到相同的分区

producer.send(record1);

producer.send(record2);

如果此时由于某些原因(比如瞬间的网络抖动)导致record1没有成功发送,同时kafka又配置了重试机制和max.in.flight.requests.per.connection大于1(默认值是5,本来就是大于1的),那么重试record1成功后,record1在分区中就在record2之后,从而造成消息的乱序,很多某些要求强顺序保证的场景是不允许出现这种情况的。

发送之后重发就会丢失顺序

鉴于producer的这两个问题,我们应该如何规避呢?对于消息丢失的问题,很容易想到的一个方法就是:既然异步发送有可能丢失数据,我改成同步发送总可以吧?比如这样:
producer.send(record).get();

这样当然是可以的,但是性能会很差,不建议这样使用,因此特意总结了一份配置列表,个人认为该配置清单应该能够比较好的规避producer端数据丢失情况的发生:(但说明一下,软件配置的很多决策都是trade-off,下面的配置也不例外:应用了这些配置,你可能会发现你的producer/consumer吞吐量会下降,这是正常的,因为你换取了更高的数据安全性)

block.on.buffer.full = true 尽管该参数在0.9.0已经被标识为“deprecated”,但鉴于它的含义非常直观,所以这里还是显式设置它为true,使得producer将一直等待缓冲区直至其变为可用,否则如果producer生产速度过快耗尽了缓冲区,producer将抛出异常,缓冲区满了就阻塞在那,不要抛异常,也不要丢失数据。

acks =all 所有的folloer都相应了才认为消息提交成功,即“committed”

retried = Max 无限重试,直到你意识到出现了问题

max.in.flight.requests.per.connection = 1限制客户端在单个连接上能够发送的未响应请求的个数,设置此值是1 表示kafka broker在响应请求之前client不能再向同一个broker发送请求,注意:设置此参数是为了避免消息乱序

使用KafkaProducer.send(record,callback)而不是send(record)方法,自定义回调逻辑处理消息发送失败,比如记录在日志中,用定时脚本扫描重处理callback逻辑中最好显示关闭producer,close(0)注意:设置此参数是为了避免消息乱序(仅仅因为一条消息发送没收到反馈就关闭生产者,感觉代价很大)

unclean.leader.election.enable = false 关闭unclean leader选举,即不允许非ISR中的副本被选举为leader,以避免数据丢失

replication.factor>=3 这个完全是个人建议,参考了hadoop及业界通用的三备份原则

min.insync.replicas > 1消息至少要被写入到这么多副本才算成功,也是提升数据持久性的一个参数,与acks配合使用保证replication.factor>min.insync.replicas 如果两者相等,当一个副本挂掉了分区也就没法正常工作了,通常设置replication.factor = min.insync,replicas + 1即可。

2、Consumer端

consumer端丢失消息的情形比较简单:如果在消息处理完成前就提交了offset,那么就有可能造成数据的丢失,由于kafka consumer默认是自动提交位移的,所以在后台提交位移前一定要保证消息被正常处理了,因此不建议采用很重的处理逻辑,如果处理耗时很长,则建议把逻辑放到另一个线程中取做,为了避免数据丢失,现给出两点建议:

enable.auto.commit = false 关闭自动提交位移

在消息被完整处理之后再手动提交位移

上一篇:C#委托及事件处理机制浅析


下一篇:Python Scopes and Namespaces