扯什么kafka顺序消费，然后呢？古尔丹，代价是什么

著名面试八股文之kafka为什么读写效率高，写的答案之一是partition顺序写，因而能保证分区内的不连续的有序性。
这里的重点是有序追加到磁盘，而不是严格意义上的完全有序性。
几年前参加了一大数据岗位面试，95%的时间在扯java基础（这个可以有）和java web相关。剩下大约5%的时间换了人聊了一个kafka问题，算是大数据直接相关的东西吧。
于是有以下对话。

M：kafka能保证顺序消费吗？
我：呃，我觉得不能。
几秒停顿，措词中。。。。。

M：kafka分区内能保证顺序消费啊！

M君带着一丝得意，看看我的简历。
又抬起头，仿佛在说，你改悔罢！

我：是的，但有前提，不能完全保证，得看场景。。。

M：其实我们公司没有大数据开发，大数据相关用的XXX（不记得了，大约是某公司的一个什么大数据一揽子解决方案）

我：？？？

该公司是做车联相关的产品的（没有自己独立的大数据平台，应该车辆用户不多，数据不大，业务不复杂），
凑巧，我也刚好做过某网红新能源车相关的大数据平台。
这里结合新能源车背景来聊一聊kafka在该背景业务场景下，单分区顺序消费到底靠不靠谱。

我们从数据生产消费两端分别讲一讲。

1.终端问题

终端故障，网络或未知原因
比如车辆传感器故障等问题导致本身就乱序发送了，徒之奈何？

比如我们在T+1做定时任务计算车辆前一天的充电行程等任务时，就少部份地发现，还有前两天三天的数据，延迟尺度达到了天。
常规性地发现，网络情况达到小时级别的延迟。

之所以是凌晨定时任务跑前一天的数据，就是因为数据延迟时有发生。
如果实时计算，需要数据延迟尽可能的小，在watermark机制（这部份最后会提到）下，超出部份数据将不会被纳入计算。这样行程充电等业务就会被漏算，或者一个完整的过程会被切割等异常情形。

关于数据延迟这一块，某些情形上游甲方厂商可能可以解决，有些情形它也束手无策啊，它控制不了终端操作用户的行为。

这时候作为一线开发者，如果一开始答应了产品/运维为了时效性而使用实时计算，到时候出了问题，你能用各种理由解释不是我们的问题？
当初规划选型的时候考虑到了吗？有备案吗？现在还认可吗？
等一系列甩锅扯皮问题。

2.数据倾斜

当时我们的业务主要是基于某车怎么样进行计算。想要对车辆产生的数据进行顺序消费，至少应该将单辆车的数据统一发送到固定的某个partition分区。
对吧？
也就是我们今天讨论的前提是基于一个常识，当我们讨论kafka能否顺序消费，一定是分区内才有讨论的可能，跨分区整个topic是不能够的。

当然，你也可以说我需要基于上百万辆车全部进行顺序消费。那每辆车有一千多个传感信号，只要在操作过程中，每两秒钟相关的信号都会上报一条记录，每天几十上百亿的数据全部统一顺序处理？
这样kafka topic就只能有一个分区，这样的kafka集群吞吐量不敢想象。

要保证某辆车产生的数据固定发到某个分区，一般情况下，是对车辆的VIN码（车辆唯一标识，相当于人的身份证)对分区数求模，得到的就是该车辆应该发送的分区ID。

kafka的发送分区策略：

如果未自定义分区策略，且key为空,轮询分区发送，保证各分区数据平衡。
kafkaTemplate.send(topic, info);
如果未自定义分区策略，指定了key,则使用默认分区策略。key对分区数求模得到发送的分区。
kafkaTemplate.send(topic,key, info);

默认分区策略为org.apache.kafka.clients.producer.internals.DefaultPartitioner

如果指定了自定义分区策略，不管指没指定key,以自定义策略为准。

@Component
public class DefinePartitioner implements Partitioner {
    @Override
    public int partition(String topic, Object key, byte[] keyBytes, Object value, byte[] valueBytes, Cluster cluster) {
        // 这里也可以配置分区数或者定时获取分区数
        return key.hashCode() % (cluster.partitionsForTopic(topic).size() - 1);
    }

    @Override
    public void close() {
    }
    @Override
    public void configure(Map<String, ?> configs) {
    }
}

然后指定分区策略
spring.kafka.producer.properties.partitioner.class = com.nyp.test.service.DefinePartitioner

将vin作为key,或者自定义分区，可以将同一辆车发送的数据指定到同一分区。
但是在实践的过程当中，我们会发现，有的车作为长途或短途的运输车辆，或者作为网约车，那么每天上报的数据会相对较大，
而有的车当天没有出行或其它充电等任何操作，则没有上报数据。

这样就会造成数据倾斜，导致各节点(broker)各分区之间数据严重不平衡。

可能会导致以下情况（2，3主要针对大数据框架）

GC 频繁
过多的数据集中在某些分区，使得JVM 的内存资源短缺，导致频繁 GC。
吞吐下降、延迟增大
数据单点和频繁 GC 导致吞吐下降、延迟增大。
系统崩溃
严重情况下，过长的 GC 导致 TaskManager 失联，系统崩溃。

3.扩容分区的代价

kafka的弱点，也是Pulsar的优点。
简单点说，kafka的数据与broker是存放在一起的，如果要加broker，就需要将数据平衡到新的broker。
而Pulsar的架构则是节点与数据分离，消息服务层与存储层完全解耦，从而使各层可以独立扩展，所以扩容的时候会非常方便。当然这不是本文的重点。

总之，
当kafka需要扩容或者对topic增加分区时，由第2点我们得知，数据将发往哪个分区将由key%分区数决定,当分区数量变化后，所有的现有数据在进行扩容或重分区的时候都必须进行key%分区数进行重路由。

这一步的代价必须考虑进去。

4.单分区，A，B消息顺序发送，A失败B成功，A再重试发送，变成BA顺序？

4.1 消息的发送

kafka需要在单分区保证消息按产生时间正序排列，至少应该保证按消息产生的时间正序发送。
假设消息源严格按照时间产生的前提，

可以同步发送，一次只发送一条。
同步发送，阻塞直至发送成功，返回SendResult对象，里面包含ProducerRecord和RecordMetadata对象。
SendResult result = kafkaTemplate.send(topic, key, info).get();
也可以异步发送，当数据达到一定大小批量提交到集群，或者3秒钟提交一次到集群。
异步发送，返回一个ListenableFuture对象，大家应该对Future不陌生。此对象可以添加回调方法。在成功或失败时执行相应的任务。

ListenableFuture<SendResult<Object, Object>> listenableFuture = kafkaTemplate.send(topic, key, info);
listenableFuture.addCallback(new ListenableFutureCallback<SendResult<Object, Object>>() {
    @Override
    public void onFailure(Throwable ex) {

    }

    @Override
    public void onSuccess(SendResult<Object, Object> result) {

    }
});

同时，异步发送需要添加相应的配置，比如一次提交多少条数据，比如如果数据迟迟没有达到发送数据量，需要设定一个最大时间，超过这个时间阀值需提交一次，等等。
注意后两个参数的配置。
不同版本之间，参数名称会有差异。

batch.size
每当多个记录被发送到同一个分区时，生产者将尝试将记录批处理到更少的请求中。这有助于提高客户机和服务器上的性能。此配置控制以字节为单位的默认批处理大小。
较小的批大小将使批处理不那么常见，并可能降低吞吐量(批大小为零将完全禁用批处理)。非常大的批处理大小可能会更浪费内存，因为我们总是会分配指定批处理大小的缓冲区，以预期会有额外的记录。

注意几点：

此参数控制的发送批次的大小是以字节数，而不是数据条数。

此参数控制粒度为分区，而不是topic。当发往某个分区的数据大于等于此大小时将发起一次提交。

合理控制此参数。

linger.ms
这个设置给出了批处理延迟的上限:一旦我们获得了一个分区的batch_size值的记录，无论这个设置如何，它都会立即发送，但是如果我们为这个分区积累的字节少于这个数，我们将在指定的时间内“逗留”，等待更多的记录出现。该设置默认为0(即没有延迟)。例如，设置LINGER_MS_CONFIG =5可以减少发送的请求数量，但在没有负载的情况下，发送的记录将增加5ms的延迟。
max.block.ms
前两个参数能阻塞(等待)多长时间。
buffer.memory
生产者可以用来缓冲等待发送到服务器的记录的内存的总字节数。如果发送记录的速度比发送到服务器的速度快，生产者将阻塞max.block.ms，之后它将抛出异常。
这个设置应该大致对应于生产者将使用的总内存，但不是硬性限制，因为不是生产者使用的所有内存都用于缓冲。一些额外的内存将用于压缩(如果启用了压缩)以及维护正在运行的请求。

4.2 消息的确认(ack)

前面消息已经发送出去了，但要保证不丢消息，不重发消息，即Exactly Once 精次一次性消费，至少需要保证生产端的消息确认机制。
acks参数控制的是消息发出后，kafka集群是否需要响应，以及响应的级别。

acks=0
如果设置为0，那么生产者将不会等待服务器的任何确认。该记录将立即添加到套接字缓冲区并被认为已发送。在这种情况下，不能保证服务器已经接收到记录，重试配置将不会生效(因为客户端通常不会知道任何失败)。为每条记录返回的偏移量将始终设置为-1。
为方便记忆，这里的0指是的需要0个节点确认。
ack= 1
这将意味着leader将记录写入其本地日志，但将在不等待所有follower完全确认的情况下进行响应。在这种情况下，如果leader在确认记录后立即失败，但在follower复制它之前，那么记录将丢失。
为方便记忆，这里的1指的是只需一个节点确认，这里一个节点肯定指的是主节点leader.
ack=all或-1
这是最高级别的确认机制，同时也意味着吞吐量受到限制。它将等待leader和所有follower副本都响应，才认为发送完毕。
为方便记忆，这里的all指的是需要所有节点确认。

4.3 幂等性

回到第4小节的主题，当由于网络抖动或者其它任何已知未知原因，消息AB发送顺序由于A失败重试最终变成了BA的倒序，那么kafka分区还能保持最初期望中的AB有序性吗？

答案是可以，只要开启幂等性，在Producer ID（即PID）和Sequence Number的基础上，消息最终将保持AB的顺序。

幂等性对于WEB程序员应该不会陌生，前端调用后端接口，写入订单或者发起支付，由于用户重复操作网络重试等各种异常原因导致多次请求，后端应保证只响应一次请求或/且最终效果一致。
后端各微服务之间调用也有重试，也是同样的道理。

具体到kafka消息发送，跟4.2小节中的Exactly Once实际上有相同的地方，通过设置enable.idempotence=true 开启幂等性，它的基础或前提条件是，会自动设置ack=all。

如何设置kafka生产端的幂等性？

enable.idempotence=true
显式开启幂等性。kafka 3.0以上的版本，此值为false，这里应该显式设置。
replication.factor
kafka集群的副本数至少应大于1
acks=all
kafka 3.0 以后的版本，此值为1，这里应该显式设置。
max.in.flight.requests.per.connection=1
在阻塞之前，客户端将在单个连接上发送的未确认请求的最大数量。请注意，如果将此设置设置为大于1，并且存在失败的发送，则存在由于重试(即，如果启用了重试)而导致消息重新排序的风险。
默认值为5，如果要开启幂等性，此值应<=5。
但如果引值>1 <=5 不会报错，但还是有乱序的风险。
retries > 0
重试次数应大于0，否则没有重试。那样的话，A失败后也不能再发成功，即4小节开头的问题。

注意：当用户设置了enable.idempotence=true，但没有显式设置3，4，5，则系统将选择合适的值。如果设置了不兼容的值，将抛出ConfigException。
同时，为保证完整性，消费端应保证 enable.auto.commit=false,isolation.level=read_committed,即自动确认改为手动确认，事务隔离级别改为读已提交。

4.3 幂等性原理

kafka为解决数据乱序和重发引入了PID和Sequence Number的概念。每个producer都会有一个producer id即PID。这对用户不可见。

生产端发送的每条消息的每个<Topic, Partition>都对应一个单调递增的Sequence Number。

同样，Broker端也会为每个<PID, Topic, Partition>维护一个序号，并且每Commit一条消息时将其对应序号递增。

对于接收的每条消息，如果其序号比Broker维护的序号大1，则Broker会接受它，否则将其丢弃.
如果消息序号比Broker维护的序号差值比1大，说明中间有数据尚未写入，即乱序，此时Broker拒绝该消息
如果消息序号小于等于Broker维护的序号，说明该消息已被保存，即为重复消息，Broker直接丢弃该消息

发送失败后会重试，这样可以保证每个消息都被发送到broker。

这里再解释一下为什么能解决乱序，假设broker在接收到 A消息之前的Sequence Number为10，
A在生产端为11，B为12，
由于某种原因，A失败了，此时broker端的Sequence Number仍然为10
此时，B到达broker,它为12，大于10，且它们之间的差异大于1，此时拒绝消息B.B消息发送失败。
然后A重试，成功，Sequence Number变为11，
再然后B重试，此时成功。
最终，AB两条消息以最初的顺序写入成功。

消费端（非大数据模式）

5 单线程和多线程都不能保证跨分区顺序

消息量非常大，topic具有几十几百分区的情况下，消费端只用一个线程去消费，单是想想就知道不太现实，性能拉跨。

先搞搞一个测试demo测试多线程消费

向10个分区随机发送100条数据，数据末尾带上1-100递增的序号.

public void sendDocInfo(String info) {
        try {
            Random random = new Random(); 
            kafkaTemplate.send("test10", random.nextInt(9)+"", info + "_" + i).get(); 
        } catch (Exception e) {
            log.error("kafka发送异常 " + e);
        }
    }

在消费端打印消费，带上分区ID。

@KafkaListener(
            topics = "test10",
            groupId = "heilu-group"
    )
    public void handle(List<ConsumerRecord<String, String>> records, Acknowledgment ack){
        records.forEach(e -> {
            log.info(e.partition() +" 分区接收到消息 : " + e.value());
        });
        ack.acknowledge();
    }

可以很明显的看到跨分区乱序。

6.线程-分区一一对应

这种情况能保证某个线程内的有序性。
但如果有上百个分区，需要手动写这么多套代码，这好吗？

每个线程只消费一个对应的分区

@KafkaListener(
            groupId = "test-group",
            topicPartitions ={@TopicPartition(topic = "test10", partitions = { "0"})}
    )

至于Retry的情况，根据源码，需要kafka集群模拟一个异常才能实现，在本地通过拦截器或其它方式都是模拟不出来的。
所以没做这块的演示。

response.error不为NONE的情况下，才做canRetry判断.

7.大数据领域的解决(缓解)方案watermark机制。

在任何生产领域，数据的延迟和乱序是一定会产生的。无非是概率大小，严重程度不同而已。
对于这种情况，大数据框架的共识是，对于数据乱序延迟，我们要等，但不能无限等待下去。
因此flink/spark引入了watermark俗称水印机制。

请注意，此机制是为了缓解数据的延迟和乱序，而不是彻底解决该问题。
就像开篇所说的第1点，车辆跑在路上总会有各种突发状态，传感器会老化，深山老林信号不好，这种情况连终端生产厂商都无法彻底解决，下游数据厂商怎么能根除呢？

watermark一般配合Window一起使用。
如果对window不了解的，可以参考我之前写的这篇文章关于我因为flink成为spark源码贡献者这件小事

可以简单理解为一个时间段(微批，短至毫秒，长可至时分秒)，处理一批数据。

不是搞大数据的，对大数据不感兴趣的，可以跳过这一部份。

watermark的本质是一个时间戳，它是为了应对数据乱序和延迟的一种机制。
watermark = max(eventTime) - 允许迟到的长度
window中，不考虑allowLateness，当watermark等于大于end-of-window时，窗口触发计算和销毁。比如：
1. 有一个窗口`[12:00-12:05)`,watermark允许迟到1分钟，接收到两条数据时间分别为`12:03:43`,`12:05:23`，那么watermark = `12:05:23 - 1 minute = 12:04:23` 小于12:05,所以窗口没有结束,不触发计算
  注:严格意义来讲，[watermark = `12:05:23 - 1 minute -1ms`] 因为 end-of-window判断的时候是>=
2. 当接收到一条数据时间为12:06时，窗口触发计算如果allowLateness>0,窗口延迟销毁，假如来了一条数据时间为12:04:49会再次触发窗口计算假如来了一条数据时间为12:05:01,不会进行当前窗口，会进入到下一个窗口

考虑到代码并发度与上游(如kafka,socket)分区数不匹配可能会导致有些分区消费不到数据，如测试socket只有一个分区，而flink代码中有8个并发度，那么

会有7个并发度里消费不到数据，它的watermark为Long.minvalue,
而flink的watermark在多并发度下，以最迟的那个为准，所以
1. 整个flink任务中的watermark就为Long.minvalue,这时整个任务不会输出任务数据，因为watermark过小，触发不了任务window. 类似于木桶理论，一个木桶能装多少水由最短的那根木桶决定;同样的，flink任务中的watermark由最小的分区的watermark决定。解决方法：
2. 设置两边分区度保持一致
3. 高版本里 .withIdleness(Duration.ofSeconds(x)) 在这个时间里，如果有空闲分区没有消费数据，那么它将不持有水印，即全局水印的推进将不考虑这些空闲分区。
如果flink任务收到一个错误数据，远超现在的系统时间，如2100-09-09 00:00:00,在除了空闲分区外的分区都收到这样的数据，那么flink任务的watermark 将超过系统时间，那么正常数据将不会被系统正常处理。这时，在watermark生成器这里要做特殊处理。
Watermark怎样生成？实时生成和周期性生成(时间或者条数)，别忘了第5条。

这部份的源码,感兴趣的可以试一下，引入flink依赖,版本1.14，没有使用kafka,使用nc -lk 9090可生产数据。

我的观点是，每一个后端程序员都应该了解一点大数据计算。
可以看下我这篇文章。

揭开神秘面纱，会stream流就会大数据

public static void main(String[] args) {
        Configuration configuration = new Configuration();
        configuration.setInteger("heartbeat.timeout", 180000);
        configuration.setInteger(RestOptions.PORT, 8082);
        StreamExecutionEnvironment streamExecutionEnvironment =
                StreamExecutionEnvironment.getExecutionEnvironment(configuration);
        // 并行度和上游数据分区数对watermark生效的影响
        // streamExecutionEnvironment.setParallelism(1);
        // nc -lk 9090
        DataStream<TestObject> dataStream =
                streamExecutionEnvironment
                        .socketTextStream(
                                "192.168.124.123",
                                9090)
                        .map(
                                e -> {
                                    try {
                                        Gson gson = new GsonBuilder()
                                                .setDateFormat("yyyy-MM-dd HH:mm:ss")
                                                .create();
                                        TestObject object = gson.fromJson(e, TestObject.class);
                                        return object;
                                    } catch (Exception exception) {
                                        exception.printStackTrace();
                                        System.out.println("异常数据 = " + e);
                                        return new TestObject();
                                    }
                         });
        try {
            OutputTag<TestObject> lateOutput = new OutputTag<>("lateData", TypeInformation.of(TestObject.class));
            SingleOutputStreamOperator result = dataStream
                    .filter(e -> StringUtils.isNoneBlank(e.key))
                    .assignTimestampsAndWatermarks(
                            (WatermarkStrategy<TestObject>)
                                    WatermarkStrategy
                                   .<TestObject>
                                           forBoundedOutOfOrderness(Duration.ofSeconds(10))
                                   .withTimestampAssigner(
                                           (row, ts) -> {
                                               System.out.println("source = " + row);
                                               DateTimeFormatter dtf2 = DateTimeFormatter
                                                       .ofPattern("yyyy-MM-dd HH:mm:ss", Locale.CHINA);
                                               Long time = row.getTime().getTime();
                                               System.out.println("time = " + time);
                                               // 如果eventTime > 系统时间，这里要做处理
                                               // TODO 如果eventTime远小于系统时间，可能会拖慢整体的Watermark
                                               Long now = System.currentTimeMillis();
                                               return
                                                       time > now ? now : time;
                                           }
                                           )
                                            .withIdleness(Duration.ofSeconds(5))

                    )
                    .keyBy(e -> e.key)
                    .window(
                            SlidingEventTimeWindows.of( Time.seconds(60 * 2), Time.seconds(60)))
                    // 将延迟的数据旁路输出
                    .sideOutputLateData(lateOutput)
                    .process(
                            new ProcessWindowFunction<TestObject, Object, String, TimeWindow>() {
                                @Override
                                public void process(String s, Context context, Iterable<TestObject> elements, Collector<Object> out) throws Exception {
                                    System.out.println("watermark = " + context.currentWatermark());
                                    System.out.println("watermark = " + new Timestamp(context.currentWatermark())
                                            +" window.start = " + new Timestamp(context.window().getStart())
                                            +" window.end = " + new Timestamp(context.window().getEnd()));
                                    elements.forEach(e -> System.out.println("e + " + e));
                                }
                    });


            result.print();
            // 迟到不处理的数据
            result.getSideOutput(lateOutput).print();

            streamExecutionEnvironment.execute("WaterMark test");
        } catch (Exception exception) {
            exception.printStackTrace();
        }
    }


    @Data
    @NoArgsConstructor
    public static class TestObject {
        private String key;
        private Timestamp time;
        private float price;
    }

kafka为了吞吐量，在生产端设计了顺序追加模式，这两者才是因果。
得益于此，kafka单分区内的数据可以变得有序，这只是一个副产品。

它同时得考虑到数据终端带来的先天不足，
分区节点间的数据倾斜带来的性能问题，
分区节点扩容的代价，
幂等性所需要代价带来的吞吐量限制，
以及消费端的限制。

种种问题考量。

幂等性更多的是做一次精准消费，防止重复消费，有序只是副产品。
有且只有一次精准消费，可比什么劳什子有序消费重要得多！

就像摩托车是一个交通工具，能跑在廉价的道路(普通服务器)上，将便利(曾经高大上的大数据)带到千家万户(普通小公司)。
但它不是装X工具。

给我个人的感觉，如果真要把kafka的分区有序性强行用到生产环境，就像下图这样。

https://docs.confluent.io/cloud/current/client-apps/optimizing/durability.html#:~:text=enable.idempotence%3Dtrue (default%3A true - default prior to Kafka,order messages when not using an idempotent producer

https://nightlies.apache.org/flink/flink-docs-release-1.15/zh/docs/dev/datastream/event-time/generating_watermarks/#watermark-策略和-kafka-连接器

https://nightlies.apache.org/flink/flink-docs-release-1.15/zh/docs/dev/datastream/operators/windows/#allowed-lateness
https://juejin.cn/post/7200672322113077303
https://juejin.cn/post/7226612646543818807

扯什么kafka顺序消费，然后呢？古尔丹，代价是什么 - 是奉壹呀

扯什么kafka顺序消费，然后呢？古尔丹，代价是什么

1.终端问题

2.数据倾斜

3.扩容分区的代价

4.单分区，A，B消息顺序发送，A失败B成功，A再重试发送，变成BA顺序？

4.1 消息的发送

4.2 消息的确认(ack)

4.3 幂等性

4.3 幂等性原理

消费端（非大数据模式）

5 单线程和多线程都不能保证跨分区顺序

6.线程-分区一一对应

7.大数据领域的解决(缓解)方案watermark机制。

Recommend

GitHub - michenriksen/gokiburi: Automatic test runs for Go projects

Preview: Automatic Scaling for App Service Web Apps

2023年中国精密光学行业市场现状及发展前景分析产学研助推行业蓬勃发展【组图】

How to Insert An Element Into An Array In C#

DigiCert’s DigiCert ONE platform now available on Oracle Cloud Infrastructure

An SEO guide to nofollow, UGC and sponsored links

Wendy’s tests an AI chatbot that takes your drive-thru order

Royal Caribbean Passenger Arrested for Allegedly Hiding a Camera in an Onboard B...

Facebook is trying to shake off its 'old person's platform' image | TechSpot

音视频八股文（11）-- ffmpeg avio 内存输入和内存输出。内存输出有完整代码，网上很...

About Joyk