面试官（Kafka|面试官：Kafka 为什么会丢消息（））面试官：Kafka为什么会丢消息？

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。

文章图片

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？图片

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：

他人反馈：运营、PM 反馈消息丢失。
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

文章图片

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：

查看 Kafka 消费位置：

> 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： > * 视频教程：# 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： > * 视频教程：# 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 GROUPTOPICPARTITIONCURRENT-OFFSETLOG-END-OFFSETLAGCONSUMER-IDHOSTCLIENT-ID console-consumer-1152 test_topic0-4-consumer-console-consumer-1152-1-2703ea2b-b62d-4cfd-8950-34e8c321b942 /127.0.0.1consumer-console-consumer-1152-1

2.利用工具：Kafka Tools

文章图片

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。

文章图片

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。

文章图片

此环节丢失消息的场景有：即导致 Producer 消息没有发送成功

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：

Broker 接收到一批数据，会先写入内存 PageCache（OS Cache）中。
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」。

文章图片

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 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。

文章图片

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：

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。
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。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
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：

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：

文章图片

数据同步程序从 Kafka 中拉取消息。
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。
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：