如何解決kafka消息堆積及分區(qū)不均勻的問(wèn)題

本篇內(nèi)容主要講解“如何解決kafka消息堆積及分區(qū)不均勻的問(wèn)題”，感興趣的朋友不妨來(lái)看看。本文介紹的方法操作簡(jiǎn)單快捷，實(shí)用性強(qiáng)。下面就讓小編來(lái)帶大家學(xué)習(xí)“如何解決kafka消息堆積及分區(qū)不均勻的問(wèn)題”吧!

目錄

• kafka消息堆積及分區(qū)不均勻的解決

• 1、先在kafka消息中創(chuàng)建

• 2、添加配置文件application.properties

• 3、創(chuàng)建kafka工廠

• 4、展示kafka消費(fèi)者

• kafka出現(xiàn)若干分區(qū)不消費(fèi)的現(xiàn)象

• 定位過(guò)程

• 驗(yàn)證

• 解決方法

kafka消息堆積及分區(qū)不均勻的解決

我在環(huán)境中發(fā)現(xiàn)代碼里面的kafka有所延遲，查看kafka消息發(fā)現(xiàn)堆積嚴(yán)重，經(jīng)過(guò)檢查發(fā)現(xiàn)是kafka消息分區(qū)不均勻造成的，消費(fèi)速度過(guò)慢。這里由自己在虛擬機(jī)上演示相關(guān)問(wèn)題，給大家提供相應(yīng)問(wèn)題的參考思路。

這篇文章有點(diǎn)遺憾并沒(méi)重現(xiàn)分區(qū)不均衡的樣例和Warning: Consumer group ‘testGroup1' is rebalancing. 這里僅將正確的方式展示，等后續(xù)重現(xiàn)了在進(jìn)行補(bǔ)充。

主要有兩個(gè)要點(diǎn)：

• 1、一個(gè)消費(fèi)者組只消費(fèi)一個(gè)topic.

• 2、factory.setConcurrency(concurrency)；這里設(shè)置監(jiān)聽(tīng)并發(fā)數(shù)為 部署單元節(jié)點(diǎn)*concurrency=分區(qū)數(shù)量

1、先在kafka消息中創(chuàng)建

對(duì)應(yīng)分區(qū)數(shù)目的topic（testTopic2，testTopic3）testTopic1由代碼創(chuàng)建

./kafka-topics.sh --create --zookeeper 192.168.25.128:2181 --replication-factor 1 --partitions 2 --topic testTopic2

2、添加配置文件application.properties

kafka.test.topic1=testTopic1
kafka.test.topic2=testTopic2
kafka.test.topic3=testTopic3
kafka.broker=192.168.25.128:9092
auto.commit.interval.time=60000
#kafka.test.group=customer-test
kafka.test.group1=testGroup1
kafka.test.group2=testGroup2
kafka.test.group3=testGroup3
kafka.offset=earliest
kafka.auto.commit=false

session.timeout.time=10000
kafka.concurrency=2

3、創(chuàng)建kafka工廠

package com.yin.customer.config;
import org.apache.kafka.clients.consumer.ConsumerConfig;
import org.apache.kafka.common.serialization.StringDeserializer;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.kafka.config.ConcurrentKafkaListenerContainerFactory;
import org.springframework.kafka.config.KafkaListenerContainerFactory;
import org.springframework.kafka.core.ConsumerFactory;
import org.springframework.kafka.core.DefaultKafkaConsumerFactory;
import org.springframework.kafka.listener.AbstractMessageListenerContainer;
import org.springframework.kafka.listener.ConcurrentMessageListenerContainer;
import org.springframework.kafka.listener.ContainerProperties;
import org.springframework.stereotype.Component;
import java.util.HashMap;
import java.util.Map;

/**
 * @author yin
 * @Date 2019/11/24 15:54
 * @Method
 */
@Configuration
@Component
public class KafkaConfig {
    @Value("${kafka.broker}")
    private String broker;
    @Value("${kafka.auto.commit}")
    private String autoCommit;

   // @Value("${kafka.test.group}")
    //private String testGroup;

    @Value("${session.timeout.time}")
    private String sessionOutTime;

    @Value("${auto.commit.interval.time}")
    private String autoCommitTime;

    @Value("${kafka.offset}")
    private String offset;
    @Value("${kafka.concurrency}")
    private Integer concurrency;

   @Bean
    KafkaListenerContainerFactory<ConcurrentMessageListenerContainer<String, String>> kafkaListenerContainerFactory(){
        ConcurrentKafkaListenerContainerFactory<String, String> factory = new ConcurrentKafkaListenerContainerFactory<>();
        factory.setConsumerFactory(consumerFactory());
        //監(jiān)聽(tīng)設(shè)置兩個(gè)個(gè)分區(qū)
        factory.setConcurrency(concurrency);
        //打開(kāi)批量拉取數(shù)據(jù)
        factory.setBatchListener(true);
        //這里設(shè)置的是心跳時(shí)間也是拉的時(shí)間，也就說(shuō)每間隔max.poll.interval.ms我們就調(diào)用一次poll,kafka默認(rèn)是300s,心跳只能在poll的時(shí)候發(fā)出，如果連續(xù)兩次poll的時(shí)候超過(guò)
        //max.poll.interval.ms 值就會(huì)導(dǎo)致rebalance
        //心跳導(dǎo)致GroupCoordinator以為本地consumer節(jié)點(diǎn)掛掉了，引發(fā)了partition在consumerGroup里的rebalance。
        // 當(dāng)rebalance后，之前該consumer擁有的分區(qū)和offset信息就失效了，同時(shí)導(dǎo)致不斷的報(bào)auto offset commit failed。
        factory.getContainerProperties().setPollTimeout(3000);
        factory.getContainerProperties().setAckMode(ContainerProperties.AckMode.MANUAL_IMMEDIATE);
        return factory;
    }

    private ConsumerFactory<String,String> consumerFactory() {
        return new DefaultKafkaConsumerFactory<String, String>(consumerConfigs());
    }

   @Bean
    public Map<String, Object> consumerConfigs() {
        Map<String, Object> propsMap = new HashMap<>();
        //kafka的地址
        propsMap.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, broker);
        //是否自動(dòng)提交 Offset
        propsMap.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, autoCommit);
        // enable.auto.commit 設(shè)置成 false，那么 auto.commit.interval.ms 也就不被再考慮
        //默認(rèn)5秒鐘，一個(gè) Consumer 將會(huì)提交它的 Offset 給 Kafka
        propsMap.put(ConsumerConfig.AUTO_COMMIT_INTERVAL_MS_CONFIG,  5000);

        //這個(gè)值必須設(shè)置在broker configuration中的group.min.session.timeout.ms 與 group.max.session.timeout.ms之間。
        //zookeeper.session.timeout.ms 默認(rèn)值：6000
        //ZooKeeper的session的超時(shí)時(shí)間，如果在這段時(shí)間內(nèi)沒(méi)有收到ZK的心跳，則會(huì)被認(rèn)為該Kafka server掛掉了。
        // 如果把這個(gè)值設(shè)置得過(guò)低可能被誤認(rèn)為掛掉，如果設(shè)置得過(guò)高，如果真的掛了，則需要很長(zhǎng)時(shí)間才能被server得知。
        propsMap.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, sessionOutTime);
        propsMap.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        propsMap.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
        //組與組間的消費(fèi)者是沒(méi)有關(guān)系的。
        //topic中已有分組消費(fèi)數(shù)據(jù)，新建其他分組ID的消費(fèi)者時(shí)，之前分組提交的offset對(duì)新建的分組消費(fèi)不起作用。
        //propsMap.put(ConsumerConfig.GROUP_ID_CONFIG, testGroup);

        //當(dāng)創(chuàng)建一個(gè)新分組的消費(fèi)者時(shí)，auto.offset.reset值為latest時(shí)，
        // 表示消費(fèi)新的數(shù)據(jù)（從consumer創(chuàng)建開(kāi)始，后生產(chǎn)的數(shù)據(jù)），之前產(chǎn)生的數(shù)據(jù)不消費(fèi)。
        // https://blog.csdn.net/u012129558/article/details/80427016

        //earliest 當(dāng)分區(qū)下有已提交的offset時(shí)，從提交的offset開(kāi)始消費(fèi)；無(wú)提交的offset時(shí)，從頭開(kāi)始消費(fèi)。
       // latest 當(dāng)分區(qū)下有已提交的offset時(shí)，從提交的offset開(kāi)始消費(fèi)；無(wú)提交的offset時(shí)，消費(fèi)新產(chǎn)生的該分區(qū)下的數(shù)據(jù)。

        propsMap.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, offset);
        //不是指每次都拉50條數(shù)據(jù)，而是一次最多拉50條數(shù)據(jù)()
        propsMap.put(ConsumerConfig.MAX_POLL_RECORDS_CONFIG, 5);
        return propsMap;
    }
}

4、展示kafka消費(fèi)者

@Component
public class KafkaConsumer {
    private static final Logger logger = LoggerFactory.getLogger(KafkaConsumer.class);

    @KafkaListener(topics = "${kafka.test.topic1}",groupId = "${kafka.test.group1}",containerFactory = "kafkaListenerContainerFactory")
    public void listenPartition1(List<ConsumerRecord<?, ?>> records,Acknowledgment ack) {
        logger.info("testTopic1 recevice a message size :{}" , records.size());

        try {
            for (ConsumerRecord<?, ?> record : records) {
                Optional<?> kafkaMessage = Optional.ofNullable(record.value());
                logger.info("received:{} " , record);
                if (kafkaMessage.isPresent()) {
                    Object message = record.value();
                    String topic = record.topic();
                    Thread.sleep(300);
                    logger.info("p1 topic is:{} received message={}",topic, message);
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            ack.acknowledge();
        }
    }

    @KafkaListener(topics = "${kafka.test.topic2}",groupId = "${kafka.test.group2}",containerFactory = "kafkaListenerContainerFactory")
    public void listenPartition2(List<ConsumerRecord<?, ?>> records,Acknowledgment ack) {
        logger.info("testTopic2 recevice a message size :{}" , records.size());

        try {
            for (ConsumerRecord<?, ?> record : records) {
                Optional<?> kafkaMessage = Optional.ofNullable(record.value());
                logger.info("received:{} " , record);
                if (kafkaMessage.isPresent()) {
                    Object message = record.value();
                    String topic = record.topic();
                    Thread.sleep(300);
                    logger.info("p2 topic :{},received message={}",topic, message);
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            ack.acknowledge();
        }
    }

    @KafkaListener(topics = "${kafka.test.topic3}",groupId = "${kafka.test.group3}",containerFactory = "kafkaListenerContainerFactory")
    public void listenPartition3(List<ConsumerRecord<?, ?>> records, Acknowledgment ack) {
        logger.info("testTopic3 recevice a message size :{}" , records.size());

        try {
            for (ConsumerRecord<?, ?> record : records) {
                Optional<?> kafkaMessage = Optional.ofNullable(record.value());
                logger.info("received:{} " , record);
                if (kafkaMessage.isPresent()) {
                    Object message = record.value();
                    String topic = record.topic();
                    logger.info("p3 topic :{},received message={}",topic, message);
                    Thread.sleep(300);
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            ack.acknowledge();
        }
    }
}

查看分區(qū)消費(fèi)情況：

kafka出現(xiàn)若干分區(qū)不消費(fèi)的現(xiàn)象

近日，有用戶(hù)反饋kafka有topic出現(xiàn)某個(gè)消費(fèi)組消費(fèi)的時(shí)候，有幾個(gè)分區(qū)一直不消費(fèi)消息，消息一直積壓（圖1）。除了一直積壓外，還有一個(gè)現(xiàn)象就是消費(fèi)組一直在重均衡，大約每5分鐘就會(huì)重均衡一次。具體表現(xiàn)為消費(fèi)分區(qū)的owner一直在改變（圖2）。

（圖1）

（圖2）

定位過(guò)程

業(yè)務(wù)側(cè)沒(méi)有報(bào)錯(cuò)，同時(shí)kafka服務(wù)端日志也一切正常，同事先將消費(fèi)組的機(jī)器滾動(dòng)重啟，仍然還是那幾個(gè)分區(qū)沒(méi)有消費(fèi)，之后將這幾個(gè)不消費(fèi)的分區(qū)遷移至別的broker上，依然沒(méi)有消費(fèi)。

還有一個(gè)奇怪的地方，就是每次重均衡后，不消費(fèi)的那幾個(gè)分區(qū)的消費(fèi)owner所在機(jī)器的網(wǎng)絡(luò)都有流量變化。按理說(shuō)不消費(fèi)應(yīng)該就是拉取不到分區(qū)不會(huì)有流量的。于是讓運(yùn)維去拉了下不消費(fèi)的consumer的jstack日志。一看果然發(fā)現(xiàn)了問(wèn)題所在。

從堆?？矗琧onsumer已經(jīng)拉取到消息，然后就一直卡在處理消息的業(yè)務(wù)邏輯上。這說(shuō)明kafka是沒(méi)有問(wèn)題的，用戶(hù)的業(yè)務(wù)邏輯有問(wèn)題。

consumer在拉取完一批消息后，就一直在處理這批消息，但是這批消息中有若干條消息無(wú)法處理，而業(yè)務(wù)又沒(méi)有超時(shí)操作或者異常處理導(dǎo)致進(jìn)程一直處于消費(fèi)中，無(wú)法去poll下一批數(shù)據(jù)。

又由于業(yè)務(wù)采用的是autocommit的offset提交方式，而根據(jù)源碼可知，consumer只有在下一次poll中才會(huì)自動(dòng)提交上次poll的offset，所以業(yè)務(wù)一直在拉取同一批消息而無(wú)法更新offset。反映的現(xiàn)象就是該consumer對(duì)應(yīng)的分區(qū)的offset一直沒(méi)有變，所以有積壓的現(xiàn)象。

至于為什么會(huì)一直在重均衡消費(fèi)組的原因也很明了了，就是因?yàn)橛邢M(fèi)者一直卡在處理消息的業(yè)務(wù)邏輯上，超過(guò)了max.poll.interval.ms（默認(rèn)5min），消費(fèi)組就會(huì)將該消費(fèi)者踢出消費(fèi)組，從而發(fā)生重均衡。

驗(yàn)證

讓業(yè)務(wù)方去查證業(yè)務(wù)日志，驗(yàn)證了積壓的這幾個(gè)分區(qū)，總是在循環(huán)的拉取同一批消息。

解決方法

臨時(shí)解決方法就是跳過(guò)有問(wèn)題的消息，將offset重置到有問(wèn)題的消息之后。本質(zhì)上還是要業(yè)務(wù)側(cè)修改業(yè)務(wù)邏輯，增加超時(shí)或者異常處理機(jī)制，最好不要采用自動(dòng)提交offset的方式，可以手動(dòng)管理。

到此，相信大家對(duì)“如何解決kafka消息堆積及分區(qū)不均勻的問(wèn)題”有了更深的了解，不妨來(lái)實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢(xún)，關(guān)注我們，繼續(xù)學(xué)習(xí)！