Kafka 数据重复怎么办？（案例）

一、前言

数据重复这个问题其实也是挺正常，全链路都有可能会导致数据重复。

通常，消息消费时候都会设置一定重试次数来避免网络波动造成的影响，同时带来副作用是可能出现消息重复。

整理下消息重复的几个场景：

1. 生产端： 遇到异常，基本解决措施都是 重试。
   • 场景一：leader分区不可用了，抛 LeaderNotAvailableException 异常，等待选出新 leader 分区。
   • 场景二：Controller 所在 Broker 挂了，抛 NotControllerException 异常，等待 Controller 重新选举。
   • 场景三：网络异常、断网、网络分区、丢包等，抛 NetworkException 异常，等待网络恢复。
2. 消费端： poll 一批数据，处理完毕还没提交 offset ，机子宕机重启了，又会 poll 上批数据，再度消费就造成了消息重复。

怎么解决？

先来了解下消息的三种投递语义：

• 最多一次（at most once）： 消息只发一次，消息可能会丢失，但绝不会被重复发送。例如： mqtt 中 QoS = 0。
• 至少一次（at least once）： 消息至少发一次，消息不会丢失，但有可能被重复发送。例如： mqtt 中 QoS = 1
• 精确一次（exactly once）： 消息精确发一次，消息不会丢失，也不会被重复发送。例如： mqtt 中 QoS = 2。

了解了这三种语义，再来看如何解决消息重复，即如何实现精准一次，可分为三种方法：

1. Kafka 幂等性 Producer： 保证生产端发送消息幂等。局限性，是只能保证单分区且单会话（重启后就算新会话）
2. Kafka 事务： 保证生产端发送消息幂等。解决幂等 Producer 的局限性。
3. **消费端幂等： ** 保证消费端接收消息幂等。蔸底方案。

1）Kafka 幂等性 Producer

**幂等性指：**无论执行多少次同样的运算，结果都是相同的。即一条命令，任意多次执行所产生的影响均与一次执行的影响相同。

幂等性使用示例：在生产端添加对应配置即可

Properties props = new Properties();
props.put("enable.idempotence", ture);  // 1. 设置幂等
props.put("acks", "all");               // 2. 当 enable.idempotence 为 true，这里默认为 all
props.put("max.in.flight.requests.per.connection", 5); // 3. 注意
复制代码

1. 设置幂等，启动幂等。
2. 配置 acks，注意：一定要设置 acks=all，否则会抛异常。
3. 配置 max.in.flight.requests.per.connection 需要 <= 5，否则会抛异常 OutOfOrderSequenceException。
   • 0.11 >= Kafka < 1.1, max.in.flight.request.per.connection = 1
   • Kafka >= 1.1, max.in.flight.request.per.connection <= 5

为了更好理解，需要了解下 Kafka 幂等机制：

1. Producer 每次启动后，会向 Broker 申请一个全局唯一的 pid。（重启后 pid 会变化，这也是弊端之一）
2. Sequence Numbe：针对每个 都对应一个从0开始单调递增的 Sequence，同时 Broker端会缓存这个 seq num
3. 判断是否重复： 拿 去 Broker 里对应的队列 ProducerStateEntry.Queue（默认队列长度为 5）查询是否存在
   • 如果 nextSeq == lastSeq + 1，即 服务端seq + 1 == 生产传入seq，则接收。
   • 如果 nextSeq == 0 && lastSeq == Int.MaxValue，即刚初始化，也接收。
   • 反之，要么重复，要么丢消息，均拒绝。

这种设计针对解决了两个问题：

1. 消息重复： 场景 Broker 保存消息后还没发送 ack 就宕机了，这时候 Producer 就会重试，这就造成消息重复。
2. 消息乱序： 避免场景，前一条消息发送失败而其后一条发送成功，前一条消息重试后成功，造成的消息乱序。

那什么时候该使用幂等：

1. 如果已经使用 acks=all，使用幂等也可以。
2. 如果已经使用 acks=0 或者 acks=1，说明你的系统追求高性能，对数据一致性要求不高。不要使用幂等。

2）Kafka 事务

使用 Kafka 事务解决幂等的弊端：单会话且单分区幂等。

Tips： 这块篇幅较长，这先稍微提及下使用，之后另起一篇。

事务使用示例：分为生产端 和 消费端

Properties props = new Properties();
props.put("enable.idempotence", ture);  // 1. 设置幂等
props.put("acks", "all");               // 2. 当 enable.idempotence 为 true，这里默认为 all
props.put("max.in.flight.requests.per.connection", 5); // 3. 最大等待数
props.put("transactional.id", "my-transactional-id");  // 4. 设定事务 id
 
Producer<String, String> producer = new KafkaProducer<String, String>(props);
 
// 初始化事务
producer.initTransactions();
 
try{
    // 开始事务
    producer.beginTransaction();
 
    // 发送数据
    producer.send(new ProducerRecord<String, String>("Topic", "Key", "Value"));
 
    // 数据发送及 Offset 发送均成功的情况下，提交事务
    producer.commitTransaction();
} catch (ProducerFencedException | OutOfOrderSequenceException | AuthorizationException e) {
    // 数据发送或者 Offset 发送出现异常时，终止事务
    producer.abortTransaction();
} finally {
    // 关闭 Producer 和 Consumer
    producer.close();
    consumer.close();
}
复制代码

这里消费端 Consumer 需要设置下配置：isolation.level 参数

• read_uncommitted： 这是默认值，表明 Consumer 能够读取到 Kafka 写入的任何消息，不论事务型 Producer 提交事务还是终止事务，其写入的消息都可以读取。如果你用了事务型 Producer，那么对应的 Consumer 就不要使用这个值。

• read_committed： 表明 Consumer 只会读取事务型 Producer 成功提交事务写入的消息。当然了，它也能看到非事务型 Producer 写入的所有消息。

3）消费端幂等

“如何解决消息重复？” 这个问题，其实换一种说法：就是如何解决消费端幂等性问题。

只要消费端具备了幂等性，那么重复消费消息的问题也就解决了。

典型的方案是使用：消息表，来去重：

• 上述栗子中，消费端拉取到一条消息后，开启事务，将消息Id 新增到本地消息表中，同时更新订单信息。
• 如果消息重复，则新增操作 insert 会异常，同时触发事务回滚。

 

二、案例：Kafka 幂等性 Producer 使用

环境搭建可参考：链接

准备工作如下：

1. Zookeeper：本地使用 Docker 启动

   $ docker run -d --name zookeeper -p 2181:2181 zookeeper
   a86dff3689b68f6af7eb3da5a21c2dba06e9623f3c961154a8bbbe3e9991dea4
   复制代码
   

2. Kafka：版本 2.7.1，源码编译启动（看上文源码搭建启动）

3. 启动生产者：Kafka 源码中 exmaple 中

4. 启动消息者：可以用 Kafka 提供的脚本

   # 举个栗子：topic 需要自己去修改
   $ cd ./kafka-2.7.1-src/bin
   $ ./kafka-console-producer.sh --broker-list localhost:9092 --topic test_topic
   复制代码
   

创建 topic ： 1副本，2 分区

$ ./kafka-topics.sh --bootstrap-server localhost:9092 --topic myTopic --create --replication-factor 1 --partitions 2
 
# 查看
$ ./kafka-topics.sh --bootstrap-server broker:9092 --topic myTopic --describe
复制代码

生产者代码：

public class KafkaProducerApplication {
 
    private final Producer<String, String> producer;
    final String outTopic;
 
    public KafkaProducerApplication(final Producer<String, String> producer,
                                    final String topic) {
        this.producer = producer;
        outTopic = topic;
    }
 
    public void produce(final String message) {
        final String[] parts = message.split("-");
        final String key, value;
        if (parts.length > 1) {
            key = parts[0];
            value = parts[1];
        } else {
            key = null;
            value = parts[0];
        }
        final ProducerRecord<String, String> producerRecord 
            = new ProducerRecord<>(outTopic, key, value);
        producer.send(producerRecord,
                (recordMetadata, e) -> {
                    if(e != null) {
                        e.printStackTrace();
                    } else {
                        System.out.println("key/value " + key + "/" + value + "\twritten to topic[partition] " + recordMetadata.topic() + "[" + recordMetadata.partition() + "] at offset " + recordMetadata.offset());
                    }
                }
        );
    }
 
    public void shutdown() {
        producer.close();
    }
 
    public static void main(String[] args) {
 
        final Properties props = new Properties();
 
        props.put(ProducerConfig.ENABLE_IDEMPOTENCE_CONFIG, "true");
        props.put(ProducerConfig.ACKS_CONFIG, "all");
 
        props.put(ProducerConfig.CLIENT_ID_CONFIG, "myApp");
        props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
        props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
 
        final String topic = "myTopic";
        final Producer<String, String> producer = new KafkaProducer<>(props);
        final KafkaProducerApplication producerApp = new KafkaProducerApplication(producer, topic);
 
        String filePath = "/home/donald/Documents/Code/Source/kafka-2.7.1-src/examples/src/main/java/kafka/examples/input.txt";
        try {
            List<String> linesToProduce = Files.readAllLines(Paths.get(filePath));
            linesToProduce.stream().filter(l -> !l.trim().isEmpty())
                    .forEach(producerApp::produce);
            System.out.println("Offsets and timestamps committed in batch from " + filePath);
        } catch (IOException e) {
            System.err.printf("Error reading file %s due to %s %n", filePath, e);
        } finally {
            producerApp.shutdown();
        }
    }
}
复制代码

启动生产者后，控制台输出如下：

启动消费者：

$ ./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic myTopic
复制代码

修改配置 acks

启用幂等的情况下，调整 acks 配置，生产者启动后结果是怎样的：

• 修改配置 acks = 1
• 修改配置 acks = 0

会直接报错：

Exception in thread "main" org.apache.kafka.common.config.ConfigException: Must set acks to all in order to use the idempotent producer. 
Otherwise we cannot guarantee idempotence.
复制代码

修改配置 max.in.flight.requests.per.connection

启用幂等的情况下，调整此配置，结果是怎样的：

• 将 max.in.flight.requests.per.connection > 5 会怎样？

当然会报错：

Caused by: org.apache.kafka.common.config.ConfigException: Must set max.in.flight.requests.per.connection to at most 5 to use the idempotent producer.
复制代码