Kafka 为什么会丢消息？如何保证消息不丢失？
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。
图片
所以在使用 MQ 消息队列时，需要考虑这 3 个问题：
图片
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？
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
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。
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 --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-1152-12、利用工具：Kafka Tools
运维-1.png
3、其他可见化界面工具
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。
消息丢失-2022-08-2108-25-58.png
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。来源公众号：码农编程进阶笔记
img
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。
解决措施：设置
acks=1或者acks=all。发送消息设置回调。
producer.send(new ProducerRecord<>(topic, messageKey, messageStr),
new CallBack(){...});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」。
数据写入.png
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：来源公众号：码农编程进阶笔记
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
# 来源公众号：码农编程进阶笔记
# 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 = 43200Broker 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。
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 （具体可看之前的文章）
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：
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 + 1unclean.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。
解决措施： 客户端版本升级至 0.10.2 以上版本。
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: 该值要大于的值。来源公众号：码农编程进阶笔记/ (<单个线程每秒消费的条数> * <消费线程的个数>)
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：
消息丢失-2022-08-2108-25-61.png
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：
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。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。
如何确保消息不丢失？
掌握这些技能：
熟悉消息从发送到消费的每个阶段
监控报警
Kafka集群熟悉方案 “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(){...});
2、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。
3、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。
- END -
