Kafka消費與心跳機制如何理解

Kafka消費與心跳機制如何理解，相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

導(dǎo)讀kafka是一個分布式，分區(qū)的，多副本的，多訂閱者的消息發(fā)布訂閱系統(tǒng)(分布式MQ系統(tǒng))，可以用于搜索日志，監(jiān)控日志，訪問日志等。kafka是一個分布式，分區(qū)的，多副本的，多訂閱者的消息發(fā)布訂閱系統(tǒng)(分布式MQ系統(tǒng))，可以用于搜索日志，監(jiān)控日志，訪問日志等。今天小編來領(lǐng)大家一起來學(xué)習(xí)一下Kafka消費與心跳機制。

1、Kafka消費

首先，我們來看看消費。Kafka提供了非常簡單的消費API，使用者只需初始化Kafka的Broker  Server地址，然后實例化KafkaConsumer類即可拿到Topic中的數(shù)據(jù)。一個簡單的Kafka消費實例代碼如下所示：

public class JConsumerSubscribe extends Thread {      public static void main(String[] args) {        JConsumerSubscribe jconsumer = new JConsumerSubscribe();        jconsumer.start();    }    /** 初始化Kafka集群信息. */    private Properties configure() {        Properties props = new Properties();        props.put("bootstrap.servers", "dn1:9092,dn2:9092,dn3:9092");// 指定Kafka集群地址          props.put("group.id", "ke");// 指定消費者組          props.put("enable.auto.commit", "true");// 開啟自動提交          props.put("auto.commit.interval.ms", "1000");// 自動提交的時間間隔          // 反序列化消息主鍵        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");          // 反序列化消費記錄        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");          return props;      }    /** 實現(xiàn)一個單線程消費者. */    @Override    public void run() {        // 創(chuàng)建一個消費者實例對象        KafkaConsumer<String, String> consumer = new KafkaConsumer<>(configure());        // 訂閱消費主題集合        consumer.subscribe(Arrays.asList("test_kafka_topic"));          // 實時消費標識        boolean flag = true;          while (flag) {              // 獲取主題消息數(shù)據(jù)            ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));              for (ConsumerRecord<String, String> record : records)                  // 循環(huán)打印消息記錄                System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());          }        // 出現(xiàn)異常關(guān)閉消費者對象        consumer.close();      }}

上述代碼我們就可以非常便捷地拿到Topic中的數(shù)據(jù)。但是，當我們調(diào)用poll方法拉取數(shù)據(jù)的時候，Kafka Broker  Server做了那些事情。接下來，我們可以去看看源代碼的實現(xiàn)細節(jié)。核心代碼如下：

org.apache.kafka.clients.consumer.KafkaConsumer

private ConsumerRecords<K, V> poll(final long timeoutMs, final boolean includeMetadataInTimeout) {          acquireAndEnsureOpen();        try {              if (timeoutMs < 0) throw new IllegalArgumentException("Timeout must not be negative");              if (this.subscriptions.hasNoSubscriptionOrUserAssignment()) {                  throw new IllegalStateException("Consumer is not subscribed to any topics or assigned any partitions");              }            // poll for new data until the timeout expires              long elapsedTime = 0L;              do {                  client.maybeTriggerWakeup();                final long metadataEnd;                if (includeMetadataInTimeout) {                      final long metadataStart = time.milliseconds();                    if (!updateAssignmentMetadataIfNeeded(remainingTimeAtLeastZero(timeoutMs, elapsedTime))) {                          return ConsumerRecords.empty();                      }                    metadataEnd = time.milliseconds();                    elapsedTime += metadataEnd - metadataStart;                } else {                      while (!updateAssignmentMetadataIfNeeded(Long.MAX_VALUE)) {                          log.warn("Still waiting for metadata");                      }                    metadataEnd = time.milliseconds();                }                final Map<TopicPartition, List<ConsumerRecord<K, V>>> records = pollForFetches(remainingTimeAtLeastZero(timeoutMs, elapsedTime));                if (!records.isEmpty()) {                      // before returning the fetched records, we can send off the next round of fetches                      // and avoid block waiting for their responses to enable pipelining while the user                      // is handling the fetched records.                      //                      // NOTE: since the consumed position has already been updated, we must not allow                      // wakeups or any other errors to be triggered prior to returning the fetched records.                      if (fetcher.sendFetches() > 0 || client.hasPendingRequests()) {                          client.pollNoWakeup();                    }                    return this.interceptors.onConsume(new ConsumerRecords<>(records));                  }                final long fetchEnd = time.milliseconds();                elapsedTime += fetchEnd - metadataEnd;            } while (elapsedTime < timeoutMs);              return ConsumerRecords.empty();          } finally {              release();        }    }

上述代碼中有個方法pollForFetches，它的實現(xiàn)邏輯如下：

private Map<TopicPartition, List<ConsumerRecord<K, V>>> pollForFetches(final long timeoutMs) {          final long startMs = time.milliseconds();          long pollTimeout = Math.min(coordinator.timeToNextPoll(startMs), timeoutMs);          // if data is available already, return it immediately          final Map<TopicPartition, List<ConsumerRecord<K, V>>> records = fetcher.fetchedRecords();          if (!records.isEmpty()) {              return records;          }          // send any new fetches (won't resend pending fetches)          fetcher.sendFetches();          // We do not want to be stuck blocking in poll if we are missing some positions          // since the offset lookup may be backing off after a failure          // NOTE: the use of cachedSubscriptionHashAllFetchPositions means we MUST call          // updateAssignmentMetadataIfNeeded before this method.          if (!cachedSubscriptionHashAllFetchPositions && pollTimeout > retryBackoffMs) {              pollTimeout = retryBackoffMs;          }          client.poll(pollTimeout, startMs, () -> {              // since a fetch might be completed by the background thread, we need this poll condition              // to ensure that we do not block unnecessarily in poll()              return !fetcher.hasCompletedFetches();          });          // after the long poll, we should check whether the group needs to rebalance          // prior to returning data so that the group can stabilize faster          if (coordinator.rejoinNeededOrPending()) {              return Collections.emptyMap();          }          return fetcher.fetchedRecords();      }

上述代碼中加粗的位置，我們可以看出每次消費者客戶端拉取數(shù)據(jù)時，通過poll方法，先調(diào)用fetcher中的fetchedRecords函數(shù)，如果獲取不到數(shù)據(jù)，就會發(fā)起一個新的sendFetches請求。而在消費數(shù)據(jù)的時候，每個批次從Kafka  Broker  Server中拉取數(shù)據(jù)是有最大數(shù)據(jù)量限制，默認是500條，由屬性(max.poll.records)控制，可以在客戶端中設(shè)置該屬性值來調(diào)整我們消費時每次拉取數(shù)據(jù)的量。

提示：這里需要注意的是，max.poll.records返回的是一個poll請求的數(shù)據(jù)總和，與多少個分區(qū)無關(guān)。因此，每次消費從所有分區(qū)中拉取Topic的數(shù)據(jù)的總條數(shù)不會超過max.poll.records所設(shè)置的值。

而在Fetcher的類中，在sendFetches方法中有限制拉取數(shù)據(jù)容量的限制，由屬性(max.partition.fetch.bytes)，默認1MB。可能會有這樣一個場景，當滿足max.partition.fetch.bytes限制條件，如果需要Fetch出10000條記錄，每次默認500條，那么我們需要執(zhí)行20次才能將這一次通過網(wǎng)絡(luò)發(fā)起的請求全部Fetch完畢。

這里，可能有同學(xué)有疑問，我們不能將默認的max.poll.records屬性值調(diào)到10000嗎?可以調(diào)，但是還有個屬性需要一起配合才可以，這個就是每次poll的超時時間(Duration.ofMillis(100))，這里需要根據(jù)你的實際每條數(shù)據(jù)的容量大小來確定設(shè)置超時時間，如果你將最大值調(diào)到10000，當你每條記錄的容量很大時，超時時間還是100ms，那么可能拉取的數(shù)據(jù)少于10000條。

而這里，還有另外一個需要注意的事情，就是會話超時的問題。session.timeout.ms默認是10s，group.min.session.timeout.ms默認是6s，group.max.session.timeout.ms默認是30min。當你在處理消費的業(yè)務(wù)邏輯的時候，如果在10s內(nèi)沒有處理完，那么消費者客戶端就會與Kafka  Broker Server斷開，消費掉的數(shù)據(jù)，產(chǎn)生的offset就沒法提交給Kafka，因為Kafka Broker  Server此時認為該消費者程序已經(jīng)斷開，而即使你設(shè)置了自動提交屬性，或者設(shè)置auto.offset.reset屬性，你消費的時候還是會出現(xiàn)重復(fù)消費的情況，這就是因為session.timeout.ms超時的原因?qū)е碌摹?/p>

2、心跳機制

上面在末尾的時候，說到會話超時的情況導(dǎo)致消息重復(fù)消費，為什么會有超時?有同學(xué)會有這樣的疑問，我的消費者線程明明是啟動的，也沒有退出，為啥消費不到Kafka的消息呢?消費者組也查不到我的ConsumerGroupID呢?這就有可能是超時導(dǎo)致的，而Kafka是通過心跳機制來控制超時，心跳機制對于消費者客戶端來說是無感的，它是一個異步線程，當我們啟動一個消費者實例時，心跳線程就開始工作了。

在org.apache.kafka.clients.consumer.internals.AbstractCoordinator中會啟動一個HeartbeatThread線程來定時發(fā)送心跳和檢測消費者的狀態(tài)。每個消費者都有個org.apache.kafka.clients.consumer.internals.ConsumerCoordinator，而每個ConsumerCoordinator都會啟動一個HeartbeatThread線程來維護心跳，心跳信息存放在org.apache.kafka.clients.consumer.internals.Heartbeat中，聲明的Schema如下所示：

private final int sessionTimeoutMs;      private final int heartbeatIntervalMs;      private final int maxPollIntervalMs;      private final long retryBackoffMs;      private volatile long lastHeartbeatSend;       private long lastHeartbeatReceive;      private long lastSessionReset;      private long lastPoll;      private boolean heartbeatFailed;

心跳線程中的run方法實現(xiàn)代碼如下：

public void run() {              try {                  log.debug("Heartbeat thread started");                  while (true) {                      synchronized (AbstractCoordinator.this) {                          if (closed)                              return;                          if (!enabled) {                              AbstractCoordinator.this.wait();                              continue;                          }                        if (state != MemberState.STABLE) {                              // the group is not stable (perhaps because we left the group or because the coordinator                              // kicked us out), so disable heartbeats and wait for the main thread to rejoin.                              disable();                              continue;                          }                          client.pollNoWakeup();                          long now = time.milliseconds();                          if (coordinatorUnknown()) {                              if (findCoordinatorFuture != null || lookupCoordinator().failed())                                  // the immediate future check ensures that we backoff properly in the case that no                                  // brokers are available to connect to.                                  AbstractCoordinator.this.wait(retryBackoffMs);                          } else if (heartbeat.sessionTimeoutExpired(now)) {                              // the session timeout has expired without seeing a successful heartbeat, so we should                              // probably make sure the coordinator is still healthy.                              markCoordinatorUnknown();                          } else if (heartbeat.pollTimeoutExpired(now)) {                              // the poll timeout has expired, which means that the foreground thread has stalled                              // in between calls to poll(), so we explicitly leave the group.                              maybeLeaveGroup();                          } else if (!heartbeat.shouldHeartbeat(now)) {                              // poll again after waiting for the retry backoff in case the heartbeat failed or the                              // coordinator disconnected                              AbstractCoordinator.this.wait(retryBackoffMs);                          } else {                              heartbeat.sentHeartbeat(now);                              sendHeartbeatRequest().addListener(new RequestFutureListener() {                                  @Override                                  public void onSuccess(Void value) {                                      synchronized (AbstractCoordinator.this) {                                          heartbeat.receiveHeartbeat(time.milliseconds());                                      }                                  }                                  @Override                                  public void onFailure(RuntimeException e) {                                      synchronized (AbstractCoordinator.this) {                                          if (e instanceof RebalanceInProgressException) {                                              // it is valid to continue heartbeating while the group is rebalancing. This                                              // ensures that the coordinator keeps the member in the group for as long                                              // as the duration of the rebalance timeout. If we stop sending heartbeats,                                              // however, then the session timeout may expire before we can rejoin.                                              heartbeat.receiveHeartbeat(time.milliseconds());                                          } else {                                              heartbeat.failHeartbeat();                                              // wake up the thread if it's sleeping to reschedule the heartbeat                                              AbstractCoordinator.this.notify();                                          }                                      }                                  }                              });                          }                      }                  }              } catch (AuthenticationException e) {                  log.error("An authentication error occurred in the heartbeat thread", e);                  this.failed.set(e);              } catch (GroupAuthorizationException e) {                  log.error("A group authorization error occurred in the heartbeat thread", e);                  this.failed.set(e);              } catch (InterruptedException | InterruptException e) {                  Thread.interrupted();                  log.error("Unexpected interrupt received in heartbeat thread", e);                  this.failed.set(new RuntimeException(e));              } catch (Throwable e) {                  log.error("Heartbeat thread failed due to unexpected error", e);                  if (e instanceof RuntimeException)                      this.failed.set((RuntimeException) e);                  else                      this.failed.set(new RuntimeException(e));              } finally {                  log.debug("Heartbeat thread has closed");              }          }

在心跳線程中這里面包含兩個最重要的超時函數(shù)，它們是sessionTimeoutExpired和pollTimeoutExpired。

public boolean sessionTimeoutExpired(long now) {          return now - Math.max(lastSessionReset, lastHeartbeatReceive) > sessionTimeoutMs;  }public boolean pollTimeoutExpired(long now) {          return now - lastPoll > maxPollIntervalMs;  }

2.1、sessionTimeoutExpired

如果是sessionTimeout超時，則會被標記為當前協(xié)調(diào)器處理斷開，此時，會將消費者移除，重新分配分區(qū)和消費者的對應(yīng)關(guān)系。在Kafka Broker  Server中，Consumer  Group定義了5種(如果算上Unknown，應(yīng)該是6種狀態(tài))狀態(tài)，org.apache.kafka.common.ConsumerGroupState，如下圖所示：

2.2、pollTimeoutExpired

如果觸發(fā)了poll超時，此時消費者客戶端會退出ConsumerGroup，當再次poll的時候，會重新加入到ConsumerGroup，觸發(fā)RebalanceGroup。而KafkaConsumer  Client是不會幫我們重復(fù)poll的，需要我們自己在實現(xiàn)的消費邏輯中不停地調(diào)用poll方法。

3.分區(qū)與消費線程

關(guān)于消費分區(qū)與消費線程的對應(yīng)關(guān)系，理論上消費線程數(shù)應(yīng)該小于等于分區(qū)數(shù)。之前是有這樣一種觀點，一個消費線程對應(yīng)一個分區(qū)，當消費線程等于分區(qū)數(shù)是最大化線程的利用率。直接使用KafkaConsumer  Client實例，這樣使用確實沒有什么問題。但是，如果我們有富裕的CPU，其實還可以使用大于分區(qū)數(shù)的線程，來提升消費能力，這就需要我們對KafkaConsumer  Client實例進行改造，實現(xiàn)消費策略預(yù)計算，利用額外的CPU開啟更多的線程，來實現(xiàn)消費任務(wù)分片。

看完上述內(nèi)容，你們掌握Kafka消費與心跳機制如何理解的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！