作者:哥不是小蘿莉
出處:
http://www.cnblogs.com/smartloli/
1.概述
最近有同學諮詢Kafka的消費和心跳機制,今天筆者將通過這篇博客來逐一介紹這些內容。
2.內容
2.1 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,然後實例化KafkaConsumer類即可拿到Topic中的數據。一個簡單的Kafka消費實例代碼如下所示:
<code>public
class
JConsumerSubscribeextends
Thread {public
static
void
main(String
[] args) { JConsumerSubscribe jconsumer =new
JConsumerSubscribe(); jconsumer.start(); }private
Properties configure() { Properties props =new
Properties(); props.put("bootstrap.servers"
,"dn1:9092,dn2:9092,dn3:9092"
); props.put("group.id"
,"ke"
); props.put("enable.auto.commit"
,"true"
); props.put("auto.commit.interval.ms"
,"1000"
); props.put("key.deserializer"
,"org.apache.kafka.common.serialization.StringDeserializer"
); props.put("value.deserializer"
,"org.apache.kafka.common.serialization.StringDeserializer"
);return
props; }public
void
run() { KafkaConsumer<String
,String
> consumer =new
KafkaConsumer<>(configure()); consumer.subscribe(Arrays.asList("test_kafka_topic"
));boolean
flag =true
;while
(flag) { ConsumerRecords<String
,String
> records = consumer.poll(Duration.ofMillis(100
));for
(ConsumerRecord<String
,String
> record : records) System.out.printf("offset = %d, key = %s, value = %s%n"
, record.offset(), record.key(), record.value()); } consumer.close(); } } /<code>
上述代碼我們就可以非常便捷的拿到Topic中的數據。但是,當我們調用poll方法拉取數據的時候,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細節。核心代碼如下:
org.apache.kafka.clients.consumer.KafkaConsumer
<code>private
ConsumerRecordspoll
(
final
long
timeoutMs,final
boolean
includeMetadataInTimeout) { acquireAndEnsureOpen();try
{if
(timeoutMs0
)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"
); }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>> records = pollForFetches(remainingTimeAtLeastZero(timeoutMs, elapsedTime));if
(!records.isEmpty()) {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(); } } /<code>
上述代碼中有個方法pollForFetches,它的實現邏輯如下:
<code>private
Map>> pollForFetches(final
long timeoutMs) {final
long startMs = time.milliseconds(); long pollTimeout = Math.min(coordinator.timeToNextPoll(startMs), timeoutMs);final
Map>> records = fetcher.fetchedRecords();if
(!records.isEmpty()) {return
records; } fetcher.sendFetches();if
(!cachedSubscriptionHashAllFetchPositions && pollTimeout > retryBackoffMs) { pollTimeout = retryBackoffMs; } client.poll(pollTimeout, startMs, () -> {return
!fetcher.hasCompletedFetches(); });if
(coordinator.rejoinNeededOrPending()) {return
Collections.emptyMap(); }return
fetcher.fetchedRecords(); } /<code>
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據時,通過poll方法,先調用fetcher中的fetchedRecords函數,如果獲取不到數據,就會發起一個新的sendFetches請求。而在消費數據的時候,每個批次從Kafka Broker Server中拉取數據是有最大數據量限制,默認是500條,由屬性(max.poll.records)控制,可以在客戶端中設置該屬性值來調整我們消費時每次拉取數據的量。
<code>提示: 這裡需要注意的是,max
.poll
.records
返回的是一個poll
請求的數據總和,與多少個分區無關。因此,每次消費從所有分區中拉取Topic
的數據的總條數不會超過max
.poll
.records
所設置的值。 /<code>
而在Fetcher的類中,在sendFetches方法中有限制拉取數據容量的限制,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,那麼我們需要執行20次才能將這一次通過網絡發起的請求全部Fetch完畢。
這裡,可能有同學有疑問,我們不能將默認的max.poll.records屬性值調到10000嗎?可以調,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)),這裡需要根據你的實際每條數據的容量大小來確定設置超時時間,如果你將最大值調到10000,當你每條記錄的容量很大時,超時時間還是100ms,那麼可能拉取的數據少於10000條。
而這裡,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務邏輯的時候,如果在10s內沒有處理完,那麼消費者客戶端就會與Kafka Broker Server斷開,消費掉的數據,產生的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斷開,而即使你設置了自動提交屬性,或者設置auto.offset.reset屬性,你消費的時候還是會出現重複消費的情況,這就是因為session.timeout.ms超時的原因導致的。
2.2 心跳機制
上面在末尾的時候,說到會話超時的情況導致消息重複消費,為什麼會有超時?有同學會有這樣的疑問,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致的,而Kafka是通過心跳機制來控制超時,心跳機制對於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線程來定時發送心跳和檢測消費者的狀態。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:
<code>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; /<code>
心跳線程中的run方法實現代碼如下:
<code>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) { disable();continue
; } client.pollNoWakeup(); long now = time.milliseconds();if
(coordinatorUnknown()) {if
(findCoordinatorFuture !=null
|| lookupCoordinator().failed()) AbstractCoordinator.this
.wait(retryBackoffMs); }else
if
(heartbeat.sessionTimeoutExpired(now)) { markCoordinatorUnknown(); }else
if
(heartbeat.pollTimeoutExpired(now)) { maybeLeaveGroup(); }else
if
(!heartbeat.shouldHeartbeat(now)) { AbstractCoordinator.this
.wait(retryBackoffMs); }else
{ heartbeat.sentHeartbeat(now); sendHeartbeatRequest().addListener(new RequestFutureListener<Void
>() {public
void onSuccess(Void
value) { synchronized (AbstractCoordinator.this
) { heartbeat.receiveHeartbeat(time.milliseconds()); } }public
void onFailure(RuntimeException e) { synchronized (AbstractCoordinator.this
) {if
(e instanceof RebalanceInProgressException) { heartbeat.receiveHeartbeat(time.milliseconds()); }else
{ heartbeat.failHeartbeat(); 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"
); } } View Code/<code>
在心跳線程中這裡麵包含兩個最重要的超時函數,它們是sessionTimeoutExpired和pollTimeoutExpired。
<code>public
boolean
sessionTimeoutExpired
(
long
now) {return
now - Math.max(lastSessionReset, lastHeartbeatReceive) > sessionTimeoutMs; }public
boolean
pollTimeoutExpired
(
long
now) {return
now - lastPoll > maxPollIntervalMs; } /<code>
2.2.1 sessionTimeoutExpired
如果是sessionTimeout超時,則會被標記為當前協調器處理斷開,此時,會將消費者移除,重新分配分區和消費者的對應關係。在Kafka Broker Server中,Consumer Group定義了5中(如果算上Unknown,應該是6種狀態)狀態,org.apache.kafka.common.ConsumerGroupState,如下圖所示:
2.2.2 pollTimeoutExpired
如果觸發了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RebalanceGroup。而KafkaConsumer Client是不會幫我們重複poll的,需要我們自己在實現的消費邏輯中不停的調用poll方法。
3.分區與消費線程
關於消費分區與消費線程的對應關係,理論上消費線程數應該小於等於分區數。之前是有這樣一種觀點,一個消費線程對應一個分區,當消費線程等於分區數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麼問題。但是,如果我們有富裕的CPU,其實還可以使用大於分區數的線程,來提升消費能力,這就需要我們對KafkaConsumer Client實例進行改造,實現消費策略預計算,利用額外的CPU開啟更多的線程,來實現消費任務分片。具體實現,留到下一篇博客,給大家分享《基於Kafka的分佈式查詢SQL引擎》。
4.結束語
這篇博客就和大家分享到這裡,如果大家在研究學習的過程當中有什麼問題,可以加群進行討論或發送郵件給我,我會盡我所能為您解答,與君共勉!