兩年 kafka 使用經(jīng)驗，遇到過哪些坑？
前言
我的上家公司是做餐飲系統(tǒng)的，每天中午和晚上用餐高峰期，系統(tǒng)的并發(fā)量不容小覷。為了保險起見，公司規(guī)定各部門都要在吃飯的時間輪流值班，防止出現(xiàn)線上問題時能夠及時處理。
我當時在后廚顯示系統(tǒng)團隊，該系統(tǒng)屬于訂單的下游業(yè)務。用戶點完菜下單后，訂單系統(tǒng)會通過發(fā)kafka消息給我們系統(tǒng)，系統(tǒng)讀取消息后，做業(yè)務邏輯處理，持久化訂單和菜品數(shù)據(jù)，然后展示到劃菜客戶端。這樣廚師就知道哪個訂單要做哪些菜，有些菜做好了，就可以通過該系統(tǒng)出菜。系統(tǒng)自動通知服務員上菜，如果服務員上完菜，修改菜品上菜狀態(tài)，用戶就知道哪些菜已經(jīng)上了，哪些還沒有上。這個系統(tǒng)可以大大提高后廚到用戶的效率。
事實證明，這一切的關鍵是消息中間件：kafka，如果它有問題，將會直接影響到后廚顯示系統(tǒng)的功能。
接下來，我跟大家一起聊聊使用kafka兩年時間踩過哪些坑？
順序問題
1. 為什么要保證消息的順序？
剛開始我們系統(tǒng)的商戶很少，為了快速實現(xiàn)功能，我們沒想太多。既然是走消息中間件kafka通信，訂單系統(tǒng)發(fā)消息時將訂單詳細數(shù)據(jù)放在消息體，我們后廚顯示系統(tǒng)只要訂閱topic，就能獲取相關消息數(shù)據(jù)，然后處理自己的業(yè)務即可。
不過這套方案有個關鍵因素：要保證消息的順序。
為什么呢？
訂單有很多狀態(tài)，比如：下單、支付、完成、撤銷等，不可能下單的消息都沒讀取到，就先讀取支付或撤銷的消息吧，如果真的這樣，數(shù)據(jù)不是會產(chǎn)生錯亂？
好吧，看來保證消息順序是有必要的。
2.如何保證消息順序？
我們都知道kafka的topic是無序的，但是一個topic包含多個partition，每個partition內(nèi)部是有序的。
如此一來，思路就變得清晰了：只要保證生產(chǎn)者寫消息時，按照一定的規(guī)則寫到同一個partition，不同的消費者讀不同的partition的消息，就能保證生產(chǎn)和消費者消息的順序。
我們剛開始就是這么做的，同一個商戶編號的消息寫到同一個partition，topic中創(chuàng)建了4個partition，然后部署了4個消費者節(jié)點，構(gòu)成消費者組，一個partition對應一個消費者節(jié)點。從理論上說，這套方案是能夠保證消息順序的。
一切規(guī)劃得看似“天衣無縫”，我們就這樣”順利“上線了。
3.出現(xiàn)意外
該功能上線了一段時間，剛開始還是比較正常的。
但是，好景不長，很快就收到用戶投訴，說在劃菜客戶端有些訂單和菜品一直看不到，無法劃菜。
我定位到了原因，公司在那段時間網(wǎng)絡經(jīng)常不穩(wěn)定，業(yè)務接口時不時報超時，業(yè)務請求時不時會連不上數(shù)據(jù)庫。
這種情況對順序消息的打擊，可以說是毀滅性的。
為什么這么說？
假設訂單系統(tǒng)發(fā)了：”下單“、”支付“、”完成“ 三條消息。
而”下單“消息由于網(wǎng)絡原因我們系統(tǒng)處理失敗了，而后面的兩條消息的數(shù)據(jù)是無法入庫的，因為只有”下單“消息的數(shù)據(jù)才是完整的數(shù)據(jù)，其他類型的消息只會更新狀態(tài)。
加上，我們當時沒有做失敗重試機制，使得這個問題被放大了。問題變成：一旦”下單“消息的數(shù)據(jù)入庫失敗，用戶就永遠看不到這個訂單和菜品了。
那么這個緊急的問題要如何解決呢？
4.解決過程
最開始我們的想法是：在消費者處理消息時，如果處理失敗了，立馬重試3-5次。但如果有些請求要第6次才能成功怎么辦？不可能一直重試呀，這種同步重試機制，會阻塞其他商戶訂單消息的讀取。
顯然用上面的這種同步重試機制在出現(xiàn)異常的情況，會嚴重影響消息消費者的消費速度，降低它的吞吐量。
如此看來，我們不得不用異步重試機制了。
如果用異步重試機制，處理失敗的消息就得保存到重試表下來。
但有個新問題立馬出現(xiàn)：只存一條消息如何保證順序？
存一條消息的確無法保證順序，假如：”下單“消息失敗了，還沒來得及異步重試。此時，”支付“消息被消費了，它肯定是不能被正常消費的。
此時，”支付“消息該一直等著，每隔一段時間判斷一次，它前面的消息都有沒有被消費?
如果真的這么做，會出現(xiàn)兩個問題：
”支付“消息前面只有”下單“消息，這種情況比較簡單。但如果某種類型的消息，前面有N多種消息，需要判斷多少次呀，這種判斷跟訂單系統(tǒng)的耦合性太強了，相當于要把他們系統(tǒng)的邏輯搬一部分到我們系統(tǒng)。 影響消費者的消費速度
這時有種更簡單的方案浮出水面：消費者在處理消息時，先判斷該訂單號在重試表有沒有數(shù)據(jù)，如果有則直接把當前消息保存到重試表。如果沒有，則進行業(yè)務處理，如果出現(xiàn)異常，把該消息保存到重試表。
后來我們用elastic-job建立了失敗重試機制，如果重試了7次后還是失敗，則將該消息的狀態(tài)標記為失敗，發(fā)郵件通知開發(fā)人員。
終于由于網(wǎng)絡不穩(wěn)定，導致用戶在劃菜客戶端有些訂單和菜品一直看不到的問題被解決了?，F(xiàn)在商戶頂多偶爾延遲看到菜品，比一直看不菜品好太多。
消息積壓
隨著銷售團隊的市場推廣，我們系統(tǒng)的商戶越來越多。隨之而來的是消息的數(shù)量越來越大，導致消費者處理不過來，經(jīng)常出現(xiàn)消息積壓的情況。對商戶的影響非常直觀，劃菜客戶端上的訂單和菜品可能半個小時后才能看到。一兩分鐘還能忍，半個消息的延遲，對有些暴脾氣的商戶哪里忍得了，馬上投訴過來了。我們那段時間經(jīng)常接到商戶投訴說訂單和菜品有延遲。
雖說，加服務器節(jié)點就能解決問題，但是按照公司為了省錢的慣例，要先做系統(tǒng)優(yōu)化，所以我們開始了消息積壓問題解決之旅。
1. 消息體過大
雖說kafka號稱支持百萬級的TPS，但從producer發(fā)送消息到broker需要一次網(wǎng)絡IO，broker寫數(shù)據(jù)到磁盤需要一次磁盤IO（寫操作），consumer從broker獲取消息先經(jīng)過一次磁盤IO（讀操作），再經(jīng)過一次網(wǎng)絡IO。
一次簡單的消息從生產(chǎn)到消費過程，需要經(jīng)過2次網(wǎng)絡IO和2次磁盤IO。如果消息體過大，勢必會增加IO的耗時，進而影響kafka生產(chǎn)和消費的速度。消費者速度太慢的結(jié)果，就會出現(xiàn)消息積壓情況。
除了上面的問題之外，消息體過大，還會浪費服務器的磁盤空間，稍不注意，可能會出現(xiàn)磁盤空間不足的情況。
此時，我們已經(jīng)到了需要優(yōu)化消息體過大問題的時候。
如何優(yōu)化呢？
我們重新梳理了一下業(yè)務，沒有必要知道訂單的中間狀態(tài)，只需知道一個最終狀態(tài)就可以了。
如此甚好，我們就可以這樣設計了：
訂單系統(tǒng)發(fā)送的消息體只用包含：id和狀態(tài)等關鍵信息。 后廚顯示系統(tǒng)消費消息后，通過id調(diào)用訂單系統(tǒng)的訂單詳情查詢接口獲取數(shù)據(jù)。 后廚顯示系統(tǒng)判斷數(shù)據(jù)庫中是否有該訂單的數(shù)據(jù)，如果沒有則入庫，有則更新。
果然這樣調(diào)整之后，消息積壓問題很長一段時間都沒再出現(xiàn)。
2. 路由規(guī)則不合理
還真別高興的太早，有天中午又有商戶投訴說訂單和菜品有延遲。我們一查kafka的topic竟然又出現(xiàn)了消息積壓。
但這次有點詭異，不是所有partition上的消息都有積壓，而是只有一個。
剛開始，我以為是消費那個partition消息的節(jié)點出了什么問題導致的。但是經(jīng)過排查，沒有發(fā)現(xiàn)任何異常。
這就奇怪了，到底哪里有問題呢？
后來，我查日志和數(shù)據(jù)庫發(fā)現(xiàn)，有幾個商戶的訂單量特別大，剛好這幾個商戶被分到同一個partition，使得該partition的消息量比其他partition要多很多。
這時我們才意識到，發(fā)消息時按商戶編號路由partition的規(guī)則不合理，可能會導致有些partition消息太多，消費者處理不過來，而有些partition卻因為消息太少，消費者出現(xiàn)空閑的情況。
為了避免出現(xiàn)這種分配不均勻的情況，我們需要對發(fā)消息的路由規(guī)則做一下調(diào)整。
我們思考了一下，用訂單號做路由相對更均勻，不會出現(xiàn)單個訂單發(fā)消息次數(shù)特別多的情況。除非是遇到某個人一直加菜的情況，但是加菜是需要花錢的，所以其實同一個訂單的消息數(shù)量并不多。
調(diào)整后按訂單號路由到不同的partition，同一個訂單號的消息，每次到發(fā)到同一個partition。
調(diào)整后，消息積壓的問題又有很長一段時間都沒有再出現(xiàn)。我們的商戶數(shù)量在這段時間，增長的非?？欤絹碓蕉嗔?。
3. 批量操作引起的連鎖反應
在高并發(fā)的場景中，消息積壓問題，可以說如影隨形，真的沒辦法從根本上解決。表面上看，已經(jīng)解決了，但后面不知道什么時候，就會冒出一次，比如這次：
有天下午，產(chǎn)品過來說：有幾個商戶投訴過來了，他們說菜品有延遲，快查一下原因。
這次問題出現(xiàn)得有點奇怪。
為什么這么說？
首先這個時間點就有點奇怪，平常出問題，不都是中午或者晚上用餐高峰期嗎？怎么這次問題出現(xiàn)在下午？
根據(jù)以往積累的經(jīng)驗，我直接看了kafka的topic的數(shù)據(jù)，果然上面消息有積壓，但這次每個partition都積壓了十幾萬的消息沒有消費，比以往加壓的消息數(shù)量增加了幾百倍。這次消息積壓得極不尋常。
我趕緊查服務監(jiān)控看看消費者掛了沒，還好沒掛。又查服務日志沒有發(fā)現(xiàn)異常。這時我有點迷茫，碰運氣問了問訂單組下午發(fā)生了什么事情沒？他們說下午有個促銷活動，跑了一個JOB批量更新過有些商戶的訂單信息。
這時，我一下子如夢初醒，是他們在JOB中批量發(fā)消息導致的問題。怎么沒有通知我們呢？實在太坑了。
雖說知道問題的原因了，倒是眼前積壓的這十幾萬的消息該如何處理呢？
此時，如果直接調(diào)大partition數(shù)量是不行的，歷史消息已經(jīng)存儲到4個固定的partition，只有新增的消息才會到新的partition。我們重點需要處理的是已有的partition。
直接加服務節(jié)點也不行，因為kafka允許同組的多個partition被一個consumer消費，但不允許一個partition被同組的多個consumer消費，可能會造成資源浪費。
看來只有用多線程處理了。
為了緊急解決問題，我改成了用線程池處理消息，核心線程和最大線程數(shù)都配置成了50。
調(diào)整之后，果然，消息積壓數(shù)量不斷減少。
但此時有個更嚴重的問題出現(xiàn)：我收到了報警郵件，有兩個訂單系統(tǒng)的節(jié)點down機了。
不久，訂單組的同事過來找我說，我們系統(tǒng)調(diào)用他們訂單查詢接口的并發(fā)量突增，超過了預計的好幾倍，導致有2個服務節(jié)點掛了。他們把查詢功能單獨整成了一個服務，部署了6個節(jié)點，掛了2個節(jié)點，再不處理，另外4個節(jié)點也會掛。訂單服務可以說是公司最核心的服務，它掛了公司損失會很大，情況萬分緊急。
為了解決這個問題，只能先把線程數(shù)調(diào)小。
幸好，線程數(shù)是可以通過zookeeper動態(tài)調(diào)整的，我把核心線程數(shù)調(diào)成了8個，核心線程數(shù)改成了10個。
后面，運維把訂單服務掛的2個節(jié)點重啟后恢復正常了，以防萬一，再多加了2個節(jié)點。為了確保訂單服務不會出現(xiàn)問題，就保持目前的消費速度，后廚顯示系統(tǒng)的消息積壓問題，1小時候后也恢復正常了。
后來，我們開了一次復盤會，得出的結(jié)論是：
訂單系統(tǒng)的批量操作一定提前通知下游系統(tǒng)團隊。 下游系統(tǒng)團隊多線程調(diào)用訂單查詢接口一定要做壓測。 這次給訂單查詢服務敲響了警鐘，它作為公司的核心服務，應對高并發(fā)場景做的不夠好，需要做優(yōu)化。 對消息積壓情況加監(jiān)控。
4. 表過大
為了防止后面再次出現(xiàn)消息積壓問題，消費者后面就一直用多線程處理消息。
但有天中午我們還是收到很多報警郵件，提醒我們kafka的topic消息有積壓。我們正在查原因，此時產(chǎn)品跑過來說：又有商戶投訴說菜品有延遲，趕緊看看。這次她看起來有些不耐煩，確實優(yōu)化了很多次，還是出現(xiàn)了同樣的問題。
在外行看來：為什么同一個問題一直解決不了？
其實技術(shù)心里的苦他們是不知道的。
表面上問題的癥狀是一樣的，都是出現(xiàn)了菜品延遲，他們知道的是因為消息積壓導致的。但是他們不知道深層次的原因，導致消息積壓的原因其實有很多種。這也許是使用消息中間件的通病吧。
我沉默不語，只能硬著頭皮定位原因了。
后來我查日志發(fā)現(xiàn)消費者消費一條消息的耗時長達2秒。以前是500毫秒，現(xiàn)在怎么會變成2秒呢？
奇怪了，消費者的代碼也沒有做大的調(diào)整，為什么會出現(xiàn)這種情況呢？
查了一下線上菜品表，單表數(shù)據(jù)量竟然到了幾千萬，其他的劃菜表也是一樣，現(xiàn)在單表保存的數(shù)據(jù)太多了。
我們組梳理了一下業(yè)務，其實菜品在客戶端只展示最近3天的即可。
這就好辦了，我們服務端存著多余的數(shù)據(jù)，不如把表中多余的數(shù)據(jù)歸檔。于是，DBA幫我們把數(shù)據(jù)做了歸檔，只保留最近7天的數(shù)據(jù)。
如此調(diào)整后，消息積壓問題被解決了，又恢復了往日的平靜。
主鍵沖突
別高興得太早了，還有其他的問題，比如：報警郵件經(jīng)常報出數(shù)據(jù)庫異常： Duplicate entry '6' for key 'PRIMARY'，說主鍵沖突。
出現(xiàn)這種問題一般是由于有兩個以上相同主鍵的sql，同時插入數(shù)據(jù)，第一個插入成功后，第二個插入的時候會報主鍵沖突。表的主鍵是唯一的，不允許重復。
我仔細檢查了代碼，發(fā)現(xiàn)代碼邏輯會先根據(jù)主鍵從表中查詢訂單是否存在，如果存在則更新狀態(tài)，不存在才插入數(shù)據(jù)，沒得問題。
這種判斷在并發(fā)量不大時，是有用的。但是如果在高并發(fā)的場景下，兩個請求同一時刻都查到訂單不存在，一個請求先插入數(shù)據(jù)，另一個請求再插入數(shù)據(jù)時就會出現(xiàn)主鍵沖突的異常。
解決這個問題最常規(guī)的做法是：加鎖。
我剛開始也是這樣想的，加數(shù)據(jù)庫悲觀鎖肯定是不行的，太影響性能。加數(shù)據(jù)庫樂觀鎖，基于版本號判斷，一般用于更新操作，像這種插入操作基本上不會用。
剩下的只能用分布式鎖了，我們系統(tǒng)在用redis，可以加基于redis的分布式鎖，鎖定訂單號。
但后面仔細思考了一下：
加分布式鎖也可能會影響消費者的消息處理速度。 消費者依賴于redis，如果redis出現(xiàn)網(wǎng)絡超時，我們的服務就悲劇了。
所以，我也不打算用分布式鎖。
而是選擇使用mysql的INSERT INTO ...ON DUPLICATE KEY UPDATE語法：
INSERT INTO table (column_list)
VALUES (value_list)
ON DUPLICATE KEY UPDATE
c1 = v1,
c2 = v2,
...;
它會先嘗試把數(shù)據(jù)插入表，如果主鍵沖突的話那么更新字段。
把以前的insert語句改造之后，就沒再出現(xiàn)過主鍵沖突問題。
數(shù)據(jù)庫主從延遲
不久之后的某天，又收到商戶投訴說下單后，在劃菜客戶端上看得到訂單，但是看到的菜品不全，有時甚至訂單和菜品數(shù)據(jù)都看不到。
這個問題跟以往的都不一樣，根據(jù)以往的經(jīng)驗先看kafka的topic中消息有沒有積壓，但這次并沒有積壓。
再查了服務日志，發(fā)現(xiàn)訂單系統(tǒng)接口返回的數(shù)據(jù)有些為空，有些只返回了訂單數(shù)據(jù)，沒返回菜品數(shù)據(jù)。
這就非常奇怪了，我直接過去找訂單組的同事。他們仔細排查服務，沒有發(fā)現(xiàn)問題。這時我們不約而同的想到，會不會是數(shù)據(jù)庫出問題了，一起去找DBA。果然，DBA發(fā)現(xiàn)數(shù)據(jù)庫的主庫同步數(shù)據(jù)到從庫，由于網(wǎng)絡原因偶爾有延遲，有時延遲有3秒。
如果我們的業(yè)務流程從發(fā)消息到消費消息耗時小于3秒，調(diào)用訂單詳情查詢接口時，可能會查不到數(shù)據(jù)，或者查到的不是最新的數(shù)據(jù)。
這個問題非常嚴重，會導致直接我們的數(shù)據(jù)錯誤。
為了解決這個問題，我們也加了重試機制。調(diào)用接口查詢數(shù)據(jù)時，如果返回數(shù)據(jù)為空，或者只返回了訂單沒有菜品，則加入重試表。
調(diào)整后，商戶投訴的問題被解決了。
重復消費
kafka消費消息時支持三種模式：
at most once模式 最多一次。保證每一條消息commit成功之后，再進行消費處理。消息可能會丟失，但不會重復。 at least once模式 至少一次。保證每一條消息處理成功之后，再進行commit。消息不會丟失，但可能會重復。 exactly once模式 精確傳遞一次。將offset作為唯一id與消息同時處理，并且保證處理的原子性。消息只會處理一次，不丟失也不會重復。但這種方式很難做到。
kafka默認的模式是at least once，但這種模式可能會產(chǎn)生重復消費的問題，所以我們的業(yè)務邏輯必須做冪等設計。
而我們的業(yè)務場景保存數(shù)據(jù)時使用了INSERT INTO ...ON DUPLICATE KEY UPDATE語法，不存在時插入，存在時更新，是天然支持冪等性的。
多環(huán)境消費問題
我們當時線上環(huán)境分為：pre(預發(fā)布環(huán)境) 和 prod(生產(chǎn)環(huán)境)，兩個環(huán)境共用同一個數(shù)據(jù)庫，并且共用同一個kafka集群。
需要注意的是，在配置kafka的topic的時候，要加前綴用于區(qū)分不同環(huán)境。pre環(huán)境的以pre_開頭，比如：pre_order，生產(chǎn)環(huán)境以prod_開頭，比如：prod_order，防止消息在不同環(huán)境中串了。
但有次運維在pre環(huán)境切換節(jié)點，配置topic的時候，配錯了，配成了prod的topic。剛好那天，我們有新功能上pre環(huán)境。結(jié)果悲劇了，prod的有些消息被pre環(huán)境的consumer消費了，而由于消息體做了調(diào)整，導致pre環(huán)境的consumer處理消息一直失敗。
其結(jié)果是生產(chǎn)環(huán)境丟了部分消息。不過還好，最后生產(chǎn)環(huán)境消費者通過重置offset，重新讀取了那一部分消息解決了問題，沒有造成太大損失。
后記
除了上述問題之外，我還遇到過：
kafka的consumer使用自動確認機制，導致cpu使用率100%。kafka集群中的一個broker節(jié)點掛了，重啟后又一直掛。
這兩個問題說起來有些復雜，我就不一一列舉了，有興趣的朋友可以關注我的公眾號，加我的微信找我私聊。
非常感謝那兩年使用消息中間件kafka的經(jīng)歷，雖說遇到過挺多問題，踩了很多坑，走了很多彎路，但是實打?qū)嵉淖屛曳e累了很多寶貴的經(jīng)驗，快速成長了。
其實kafka是一個非常優(yōu)秀的消息中間件，我所遇到的絕大多數(shù)問題，都并非kafka自身的問題（除了cpu使用率100%是它的一個bug導致的之外）。