Go语言怎样操纵Kafka保证无消息丢失
发布时间：2021-11-05 15:05:41 所属栏目：语言 来源：互联网
导读：背景 目前一些互联网公司会使用消息队列来做核心业务，因为是核心业务，所以对数据的最后一致性比较敏感，如果中间出现数据丢失，就会引来用户的投诉，年底绩效就变成325了。之前和几个朋友聊天，他们的公司都在用kafka来做消息队列，使用kafka到底会不会丢消
|
背景 目前一些互联网公司会使用消息队列来做核心业务，因为是核心业务，所以对数据的最后一致性比较敏感，如果中间出现数据丢失，就会引来用户的投诉，年底绩效就变成325了。之前和几个朋友聊天，他们的公司都在用kafka来做消息队列，使用kafka到底会不会丢消息呢?如果丢消息了该怎么做好补偿措施呢?本文我们就一起来分析一下，并介绍如何使用Go操作Kafka可以不丢失数据。 本文操作kafka基于：https://github.com/Shopify/sarama 初识kafka架构 维基百科对kafka的介绍： Kafka是由Apache软件基金会开发的一个开源流处理平台，由Scala和Java编写。该项目的目标是为处理实时数据提供一个统一、高吞吐、低延迟的平台。其持久化层本质上是一个“按照分布式事务日志架构的大规模发布/订阅消息队列”，这使它作为企业级基础设施来处理流式数据非常有价值。此外，Kafka可以通过Kafka Connect连接到外部系统(用于数据输入/输出)，并提供了Kafka Streams——一个Java]流式处理库。该设计受事务日志的影响较大。 kafka的整体架构比较简单，主要由producer、broker、consumer组成： 截屏2021-09-12 上午10.00.13 针对架构图我们解释一个各个模块： Producer：数据的生产者，可以将数据发布到所选择的topic中。 Consumer：数据的消费者，使用Consumer Group进行标识，在topic中的每条记录都会被分配给订阅消费组中的一个消费者实例，消费者实例可以分布在多个进程中或者多个机器上。 Broker：消息中间件处理节点(服务器)，一个节点就是一个broker，一个Kafka集群由一个或多个broker组成。 还有些概念我们也介绍一下： topic：可以理解为一个消息的集合，topic存储在broker中，一个topic可以有多个partition分区，一个topic可以有多个Producer来push消息，一个topic可以有多个消费者向其pull消息，一个topic可以存在一个或多个broker中。 partition：其是topic的子集，不同分区分配在不同的broker上进行水平扩展从而增加kafka并行处理能力，同topic下的不同分区信息是不同的，同一分区信息是有序的;每一个分区都有一个或者多个副本，其中会选举一个leader，fowller从leader拉取数据更新自己的log(每个分区逻辑上对应一个log文件夹)，消费者向leader中pull信息。 kafka丢消息的三个节点 生产者push消息节点 先看一下producer的大概写入流程： producer先从kafka集群找到该partition的leader producer将消息发送给leader，leader将该消息写入本地 follwers从leader pull消息，写入本地log后leader发送ack leader 收到所有 ISR 中的 replica 的 ACK 后，增加high watermark，并向 producer 发送 ack 截屏2021-09-12 上午11.16.43 通过这个流程我们可以看到kafka最终会返回一个ack来确认推送消息结果，这里kafka提供了三种模式： NoResponse RequiredAcks = 0 WaitForLocal RequiredAcks = 1 WaitForAll RequiredAcks = -1 NoResponse RequiredAcks = 0：这个代表的就是数据推出的成功与否都与我无关了 WaitForLocal RequiredAcks = 1：当local(leader)确认接收成功后，就可以返回了 WaitForAll RequiredAcks = -1：当所有的leader和follower都接收成功时，才会返回 所以根据这三种模式我们就能推断出生产者在push消息时有一定几率丢失的，分析如下： 如果我们选择了模式1，这种模式丢失数据的几率很大，无法重试 如果我们选择了模式2，这种模式下只要leader不挂，就可以保证数据不丢失，但是如果leader挂了，follower还没有同步数据，那么就会有一定几率造成数据丢失 如果选择了模式3，这种情况不会造成数据丢失，但是有可能会造成数据重复，假如leader与follower同步数据是网络出现问题，就有可能造成数据重复的问题。 所以在生产环境中我们可以选择模式2或者模式3来保证消息的可靠性，具体需要根据业务场景来进行选择，在乎吞吐量就选择模式2，不在乎吞吐量，就选择模式3，要想完全保证数据不丢失就选择模式3是最可靠的。 kafka集群自身故障造成 kafka集群接收到数据后会将数据进行持久化存储，最终数据会被写入到磁盘中，在写入磁盘这一步也是有可能会造成数据损失的，因为写入磁盘的时候操作系统会先将数据写入缓存，操作系统将缓存中数据写入磁盘的时间是不确定的，所以在这种情况下，如果kafka机器突然宕机了，也会造成数据损失，不过这种概率发生很小，一般公司内部kafka机器都会做备份，这种情况很极端，可以忽略不计。 消费者pull消息节点 push消息时会把数据追加到Partition并且分配一个偏移量，这个偏移量代表当前消费者消费到的位置，通过这个Partition也可以保证消息的顺序性，消费者在pull到某个消息后，可以设置自动提交或者手动提交commit，提交commit成功，offset就会发生偏移: 截屏2021-09-12 下午3.37.33 所以自动提交会带来数据丢失的问题，手动提交会带来数据重复的问题，分析如下： 在设置自动提交的时候，当我们拉取到一个消息后，此时offset已经提交了，但是我们在处理消费逻辑的时候失败了，这就会导致数据丢失了 在设置手动提交时，如果我们是在处理完消息后提交commit，那么在commit这一步发生了失败，就会导致重复消费的问题。 比起数据丢失，重复消费是符合业务预期的，我们可以通过一些幂等性设计来规避这个问题。 实战 完整代码已经上传github：https://github.com/asong2020/Golang_Dream/tree/master/code_demo/kafka_demo 解决push消息丢失问题 主要是通过两点来解决： 通过设置RequiredAcks模式来解决，选用WaitForAll可以保证数据推送成功，不过会影响时延时 引入重试机制，设置重试次数和重试间隔 因此我们写出如下代码(摘出创建client部分)： func NewAsyncProducer() sarama.AsyncProducer { cfg := sarama.NewConfig() version, err := sarama.ParseKafkaVersion(VERSION) if err != nil{ log.Fatal("NewAsyncProducer Parse kafka version failed", err.Error()) return nil } cfg.Version = version cfg.Producer.RequiredAcks = sarama.WaitForAll // 三种模式任君选择 cfg.Producer.Partitioner = sarama.NewHashPartitioner cfg.Producer.Return.Successes = true cfg.Producer.Return.Errors = true cfg.Producer.Retry.Max = 3 // 设置重试3次 cfg.Producer.Retry.Backoff = 100 * time.Millisecond cli, err := sarama.NewAsyncProducer([]string{ADDR}, cfg) if err != nil{ log.Fatal("NewAsyncProducer failed", err.Error()) return nil } return cli } 解决pull消息丢失问题 这个解决办法就比较粗暴了，直接使用自动提交的模式，在每次真正消费完之后在自己手动提交offset，但是会产生重复消费的问题，不过很好解决，使用幂等性操作即可解决。 （编辑：92站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
