本文主要讲述了Kafka 消息交付可靠性保障以及精确处理一次语义的实现,具体包括幂等生产者和事务生产者。
Kakfa 相关代码见 Github
1. 概述
所谓的消息交付可靠性保障,是指 Kafka 对 Producer 和 Consumer 要处理的消息提供什么样的承诺。常见的承诺有以下三种:
最多一次(at most once):消息可能会丢失,但绝不会被重复发送。 至少一次(at least once):消息不会丢失,但有可能被重复发送。 精确一次(exactly once):消息不会丢失,也不会被重复发送。 目前,Kafka 默认提供 的交付可靠性保障是第二种,即至少一次
。
这样虽然不出丢失消息,但是会导致消息重复发送 。
Kafka 也可以提供最多一次交付保障,只需要让 Producer 禁止重试即可。
这样一来肯定不会重复发送,但是可能会丢失消息。
无论是至少一次还是最多一次,都不如精确一次来得有吸引力。大部分用户还是希望消息只会被交付一次,这样的话,消息既不会丢失,也不会被重复处理。
Kafka 分别通过 幂等性(Idempotence)和事务(Transaction)这两种机制实现了 精确一次(exactly once)语义。
2. 幂等性(Idempotence)
幂等
这个词原是数学领域中的概念,指的是某些操作或函数能够被执行多次,但每次得到的结果都是不变的。
幂等性最大的优势在于我们可以安全地重试任何幂等性操作,反正它们也不会破坏我们的系统状态。
在 Kafka 中,Producer 默认不是幂等性的,但我们可以创建幂等性 Producer。它其实是 0.11.0.0 版本引入的新功能。指定 Producer 幂等性的方法很简单,仅需要设置一个参数即可,即 props.put(“enable.idempotence”, ture)
,或 props.put(ProducerConfig.ENABLE_IDEMPOTENCE_CONFIG, true)
。
enable.idempotence 被设置成 true 后,Producer 自动升级成幂等性 Producer,其他所有的代码逻辑都不需要改变。Kafka 自动帮你做消息的重复去重。
底层具体的原理很简单,就是经典的用空间去换时间
的优化思路,即在 Broker 端多保存一些字段。当 Producer 发送了具有相同字段值的消息后,Broker 能够自动知晓这些消息已经重复了,于是可以在后台默默地把它们“丢弃”掉 。
当然,实际的实现原理并没有这么简单,但你大致可以这么理解。
Kafka 为了实现幂等性,它在底层设计架构中引入了 ProducerID 和 SequenceNumber。
Producer 需要做的只有两件事:
1)初始化时像向 Broker 申请一个 ProducerID 2)为每条消息绑定一个 SequenceNumber Kafka Broker 收到消息后会以 ProducerID 为单位存储 SequenceNumber,也就是说即时 Producer 重复发送了, Broker 端也会将其过滤掉。
实现比较简单,同样的限制也比较大:
首先,它只能保证单分区上的幂等性 。即一个幂等性 Producer 能够保证某个主题的一个分区上不出现重复消息,它无法实现多个分区的幂等性。因为 SequenceNumber 是以 Topic + Partition 为单位单调递增的,如果一条消息被发送到了多个分区必然会分配到不同的 SequenceNumber ,导致重复问题。 其次,它只能实现单会话上的幂等性 。不能实现跨会话的幂等性。当你重启 Producer 进程之后,这种幂等性保证就丧失了。重启 Producer 后会分配一个新的 ProducerID,相当于之前保存的 SequenceNumber 就丢失了。 3. 事务(Transaction)
Kafka 的事务概念类似于我们熟知的数据库提供的事务。
Kafka 自 0.11 版本开始也提供了对事务的支持,目前主要是在 read committed 隔离级别上做事情。它能保证多条消息原子性地写入到目标分区,同时也能保证 Consumer 只能看到事务成功提交的消息。
事务型 Producer 能够保证将消息原子性地写入到多个分区中。这批消息要么全部写入成功,要么全部失败。另外,事务型 Producer 也不惧进程的重启。Producer 重启回来后,Kafka 依然保证它们发送消息的精确一次处理。
设置事务型 Producer 的方法也很简单,满足两个要求即可:
和幂等性 Producer 一样,开启 enable.idempotence = true。 设置 Producer 端参数 transactional. id。最好为其设置一个有意义的名字。 此外,你还需要在 Producer 代码中做一些调整,如这段代码所示:
1
2
3
4
5
6
7
8
9
10
producer . initTransactions ();
try {
producer . beginTransaction ();
producer . send ( record1 );
producer . send ( record2 );
producer . commitTransaction ();
} catch ( KafkaException e ) {
producer . abortTransaction ();
}
和普通 Producer 代码相比,事务型 Producer 的显著特点是调用了一些事务 API,如 initTransaction、beginTransaction、commitTransaction 和 abortTransaction,它们分别对应事务的初始化、事务开始、事务提交以及事务终止。
这段代码能够保证 Record1 和 Record2 被当作一个事务统一提交到 Kafka,要么它们全部提交成功,要么全部写入失败。
实际上即使写入失败,Kafka 也会把它们写入到底层的日志中,也就是说 Consumer 还是会看到这些消息。因此在 Consumer 端,读取事务型 Producer 发送的消息也是需要一些变更的。修改起来也很简单,设置 isolation.level 参数的值即可。当前这个参数有两个取值:
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。很显然,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。 4. Go 客户端
Go 客户端 sarama 暂时并没有实现 事务功能。
幂等性 Producer
sarama 中使用幂等性 Producer 设置和 Java 客户端也差不多:
1
2
3
4
5
config := sarama . NewConfig ()
config . Producer . Idempotent = true // 1.开启幂等性
config . Producer . RequiredAcks = sarama . WaitForAll // 开启幂等性后 acks 必须设置为 -1 即所有 isr 列表中的 broker 都ack后才ok
config . Net . MaxOpenRequests = 1 // 并发请求数也只能为1
// 上述的几个额外配置完全可以由 sarama 内置,或者直接提供一个方法即可,全部需要调用者手动配置感觉体验不是很好
除了开启 Idempotent 之外还必须配置其他几个配置项,具体条件如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
if c . Producer . Idempotent {
if ! c . Version . IsAtLeast ( V0_11_0_0 ) {
return ConfigurationError ( "Idempotent producer requires Version >= V0_11_0_0" )
}
if c . Producer . Retry . Max == 0 {
return ConfigurationError ( "Idempotent producer requires Producer.Retry.Max >= 1" )
}
if c . Producer . RequiredAcks != WaitForAll {
return ConfigurationError ( "Idempotent producer requires Producer.RequiredAcks to be WaitForAll" )
}
if c . Net . MaxOpenRequests > 1 {
return ConfigurationError ( "Idempotent producer requires Net.MaxOpenRequests to be 1" )
}
}
Producer 完整代码如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
func Producer ( topic string , limit int ) {
config := sarama . NewConfig ()
config . Producer . Return . Successes = true
config . Producer . Return . Errors = true
config . Producer . Idempotent = true // 开启幂等性
config . Producer . RequiredAcks = sarama . WaitForAll // 开启幂等性后 acks 必须设置为 -1 即所有 isr 列表中的 broker 都ack后才ok
config . Net . MaxOpenRequests = 1 // 开启幂等性后 并发请求数也只能为1
// 上述的几个额外配置完全可以由 sarama 内置,或者直接提供一个方法即可,全部需要调用者手动配置感觉体验不是很好
producer , err := sarama . NewSyncProducer ([] string { conf . HOST }, config )
if err != nil {
log . Fatal ( "NewSyncProducer err:" , err )
}
defer producer . Close ()
for i := 0 ; i < limit ; i ++ {
str := strconv . Itoa ( int ( time . Now (). UnixNano ()))
msg := & sarama . ProducerMessage { Topic : topic , Key : sarama . StringEncoder ( str ), Value : sarama . StringEncoder ( str )}
partition , offset , err := producer . SendMessage ( msg )
if err != nil {
log . Println ( "SendMessage err: " , err )
return
}
log . Printf ( "[Producer] partitionid: %d; offset:%d, value: %s\n" , partition , offset , str )
}
}
注意:幂等性 Producer 保证的是同一条消息不会因为 Kafka 的原因发送多次,并不是说会过滤掉重复消息。一直发送相同内容的消息,依旧会正常发送成功。
即:Producer 中的去重并不依赖根据消息内容。
源码分析
通过源码简单分析一下 samara 中的 幂等性 Producer 是如何实现的。
大致原理:发送消息后会在 Producer 中记录一个字段用于去重。
具体 Producer 逻辑在上文Kafka(Go)教程(六)—sarama 客户端 producer 源码分析 有详细介绍,这里也按照这个顺序进行分析。
newAsyncProducer
首先在创建 Producer 的时候会调用newTransactionManager
创建一个TransactionManager
,这个就是用于保证 幂等性的。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
func newAsyncProducer ( client Client ) ( AsyncProducer , error ) {
txnmgr , err := newTransactionManager ( client . Config (), client )
if err != nil {
return nil , err
}
p := & asyncProducer {
client : client ,
conf : client . Config (),
errors : make ( chan * ProducerError ),
input : make ( chan * ProducerMessage ),
successes : make ( chan * ProducerMessage ),
retries : make ( chan * ProducerMessage ),
brokers : make ( map [ * Broker ] * brokerProducer ),
brokerRefs : make ( map [ * brokerProducer ] int ),
txnmgr : txnmgr ,
}
return p , nil
}
transactionManager 结构如下:
1
2
3
4
5
6
type transactionManager struct {
producerID int64
producerEpoch int16
sequenceNumbers map [ string ] int32
mutex sync . Mutex
}
其中 producerID
+producerEpoch
用于区分 Producer,sequenceNumbers
则是用于消息去重 。
进入newTransactionManager
看下具体实现:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
func newTransactionManager ( conf * Config , client Client ) ( * transactionManager , error ) {
txnmgr := & transactionManager {
producerID : noProducerID ,
producerEpoch : noProducerEpoch ,
}
// 如果开启了 幂等性 特殊处理
if conf . Producer . Idempotent {
initProducerIDResponse , err := client . InitProducerID ()
if err != nil {
return nil , err
}
txnmgr . producerID = initProducerIDResponse . ProducerID
txnmgr . producerEpoch = initProducerIDResponse . ProducerEpoch
txnmgr . sequenceNumbers = make ( map [ string ] int32 )
txnmgr . mutex = sync . Mutex {}
Logger . Printf ( "Obtained a ProducerId: %d and ProducerEpoch: %d\n" , txnmgr . producerID , txnmgr . producerEpoch )
}
return txnmgr , nil
}
可以看到 如果开启了 幂等性 则会调用client.InitProducerID()
像 Kafka Broker 发送请求,申请一个 ProducerID,用以区分不同 Producer。
具体生成规则由 Kafka Broker端实现。
dispatch
1
2
3
4
5
6
7
8
9
10
func ( pp * partitionProducer ) dispatch () {
// msg.retries == 0 保证了每条消息只会生成一次序号
if pp . parent . conf . Producer . Idempotent && msg . retries == 0 && msg . flags == 0 {
msg . sequenceNumber , msg . producerEpoch = pp . parent . txnmgr . getAndIncrementSequenceNumber ( msg . Topic , msg . Partition )
msg . hasSequence = true
}
pp . brokerProducer . input <- msg
}
}
1
2
3
4
5
6
7
8
func ( t * transactionManager ) getAndIncrementSequenceNumber ( topic string , partition int32 ) ( int32 , int16 ) {
key := fmt . Sprintf ( "%s-%d" , topic , partition ) // 序号是以分区为单位的 这也是为什么只能保证指定分区下的 ExactlyOnce
t . mutex . Lock () // 加锁保证并发安全
defer t . mutex . Unlock ()
sequence := t . sequenceNumbers [ key ]
t . sequenceNumbers [ key ] = sequence + 1 // seq 是递增的
return sequence , t . producerEpoch
}
fmt.Sprintf 拼接字符串效率特别低,不建议使用。
在把消息交给 brokerProducer 之前给消息分配了一个 sequenceNumber
,通过这个序号来保证了同一条消息只会发送一次,以实现 Exactly Once 语义 。
add
最后到了 brokerProducer 的 add 方法,堆积消息批量发送。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
func ( ps * produceSet ) add ( msg * ProducerMessage ) error {
var size int
set := partitions [ msg . Partition ]
if set == nil {
if ps . parent . conf . Version . IsAtLeast ( V0_11_0_0 ) {
batch := & RecordBatch {
FirstTimestamp : timestamp ,
Version : 2 ,
Codec : ps . parent . conf . Producer . Compression ,
CompressionLevel : ps . parent . conf . Producer . CompressionLevel ,
ProducerID : ps . producerID ,
ProducerEpoch : ps . producerEpoch ,
}
// 如果是幂等性 Producer 则在这里把消息的 seq 赋值给 batch.FirstSequence
// 由于只有 set == nil 时才会执行该逻辑 所以 batch.FirstSequence 只会被第一条消息赋值
if ps . parent . conf . Producer . Idempotent {
batch . FirstSequence = msg . sequenceNumber
}
set = & partitionSet { recordsToSend : newDefaultRecords ( batch )}
size = recordBatchOverhead
} else {
set = & partitionSet { recordsToSend : newLegacyRecords ( new ( MessageSet ))}
}
partitions [ msg . Partition ] = set
}
if ps . parent . conf . Version . IsAtLeast ( V0_11_0_0 ) {
// 最后判断当前消息的 sequenceNumber 是否小于 batch 的 FirstSequence 这里的 set.recordsToSend.RecordBatch 就是上面的 batch
// 所以正常情况下 msg.sequenceNumber 应该是大于等于 FirstSequence 的
if ps . parent . conf . Producer . Idempotent && msg . sequenceNumber < set . recordsToSend . RecordBatch . FirstSequence {
return errors . New ( "assertion failed: message out of sequence added to a batch" )
}
}
return nil
}
在初始化 Set 时将当前 msg 的 seq 赋值给了 Set,而 Seq 是单调递增的,所以后续 msg 的 seq 应该都大于 Set 的 FirstSequence。
小结
Producer 逻辑基本分析完了,和前面分析的一样,Producer 需要做的只有两件事:
1)初始化时像向 Broker 申请一个 ProducerID 2)为每条消息绑定一个 SequenceNumber 具体重复消息过滤其实是由 Kafka 实现的。
5. 小结
Kakfa 相关代码见 Github
幂等性 Producer 和事务型 Producer 都是 Kafka 社区力图为 Kafka 实现精确一次处理语义所提供的工具,只是它们的作用范围是不同的。
幂等性 Producer 只能保证单分区、单会话上的消息幂等性; 而事务能够保证跨分区、跨会话间的幂等性。 从交付语义上来看,自然是事务型 Producer 能做的更多。天下没有免费的午餐。比起幂等性 Producer,事务型 Producer 的性能要更差 ,在实际使用过程中,我们需要仔细评估引入事务的开销,切不可无脑地启用事务。
最后还是建议实际使用时在 Consumer 端也要进行去重,防止重复消费,这样比较稳妥。
6. 参考
https://github.com/Shopify/sarama
https://www.cnblogs.com/smartloli/p/11922639.html
《Kafka 核心技术与实战》