Kafka消費與心跳機制
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部落格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，然後例項化KafkaConsumer類即可拿到Topic中的資料。一個簡單的Kafka消費例項程式碼如下所示：
public class JConsumerSubscribe extends Thread {
public static void main(String[] args) {
JConsumerSubscribe jconsumer = new JConsumerSubscribe();
jconsumer.start();
}
/** 初始化Kafka叢集資訊. */
private Properties configure() {
Properties props = new Properties();
props.put("bootstrap.servers", "dn1:9092,dn2:9092,dn3:9092");// 指定Kafka叢集地址
props.put("group.id", "ke");// 指定消費者組
props.put("enable.auto.commit", "true");// 開啟自動提交
props.put("auto.commit.interval.ms", "1000");// 自動提交的時間間隔
// 反序列化訊息主鍵
props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
// 反序列化消費記錄
props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
return props;
}
/** 實現一個單執行緒消費者. */
@Override
public void run() {
// 建立一個消費者例項物件
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(configure());
// 訂閱消費主題集合
consumer.subscribe(Arrays.asList("test_kafka_topic"));
// 實時消費標識
boolean flag = true;
while (flag) {
// 獲取主題訊息資料
ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));
for (ConsumerRecord<String, String> record : records)
// 迴圈列印訊息記錄
System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());
}
// 出現異常關閉消費者物件
consumer.close();
}
}上述程式碼我們就可以非常便捷的拿到Topic中的資料。但是，當我們呼叫poll方法拉取資料的時候，Kafka Broker Server做了那些事情。接下來，我們可以去看看原始碼的實現細節。核心程式碼如下：
org.apache.kafka.clients.consumer.KafkaConsumer
private ConsumerRecords<K, V> poll(final long timeoutMs, final boolean includeMetadataInTimeout) {
acquireAndEnsureOpen();
try {
if (timeoutMs < 0) 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");
}
// poll for new data until the timeout expires
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<TopicPartition, List<ConsumerRecord<K, V>>> records = pollForFetches(remainingTimeAtLeastZero(timeoutMs, elapsedTime));
if (!records.isEmpty()) {
// before returning the fetched records, we can send off the next round of fetches
// and avoid block waiting for their responses to enable pipelining while the user
// is handling the fetched records.
//
// NOTE: since the consumed position has already been updated, we must not allow
// wakeups or any other errors to be triggered prior to returning the fetched records.
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();
}
}上述程式碼中有個方法pollForFetches，它的實現邏輯如下：
private Map<TopicPartition, List<ConsumerRecord<K, V>>> pollForFetches(final long timeoutMs) {
final long startMs = time.milliseconds();
long pollTimeout = Math.min(coordinator.timeToNextPoll(startMs), timeoutMs);
// if data is available already, return it immediately
final Map<TopicPartition, List<ConsumerRecord<K, V>>> records = fetcher.fetchedRecords();
if (!records.isEmpty()) {
return records;
}
// send any new fetches (won't resend pending fetches)
fetcher.sendFetches();
// We do not want to be stuck blocking in poll if we are missing some positions
// since the offset lookup may be backing off after a failure
// NOTE: the use of cachedSubscriptionHashAllFetchPositions means we MUST call
// updateAssignmentMetadataIfNeeded before this method.
if (!cachedSubscriptionHashAllFetchPositions && pollTimeout > retryBackoffMs) {
pollTimeout = retryBackoffMs;
}
client.poll(pollTimeout, startMs, () -> {
// since a fetch might be completed by the background thread, we need this poll condition
// to ensure that we do not block unnecessarily in poll()
return !fetcher.hasCompletedFetches();
});
// after the long poll, we should check whether the group needs to rebalance
// prior to returning data so that the group can stabilize faster
if (coordinator.rejoinNeededOrPending()) {
return Collections.emptyMap();
}
return fetcher.fetchedRecords();
}上述程式碼中加粗的位置，我們可以看出每次消費者客戶端拉取資料時，通過poll方法，先呼叫fetcher中的fetchedRecords函式，如果獲取不到資料，就會發起一個新的sendFetches請求。而在消費資料的時候，每個批次從Kafka Broker Server中拉取資料是有最大資料量限制，預設是500條，由屬性（max.poll.records）控制，可以在客戶端中設定該屬性值來調整我們消費時每次拉取資料的量。
提示： 這裡需要注意的是，max.poll.records返回的是一個poll請求的資料總和，與多少個分割槽無關。因此，每次消費從所有分割槽中拉取Topic的資料的總條數不會超過max.poll.records所設定的值。
而在Fetcher的類中，在sendFetches方法中有限制拉取資料容量的限制，由屬性（max.partition.fetch.bytes），預設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，每次預設500條，那麼我們需要執行20次才能將這一次通過網路發起的請求全部Fetch完畢。
這裡，可能有同學有疑問，我們不能將預設的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資料的容量大小來確定設定超時時間，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，那麼可能拉取的資料少於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預設是10s，group.min.session.timeout.ms預設是6s，group.max.session.timeout.ms預設是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，消費掉的資料，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式已經斷開，而即使你設定了自動提交屬性，或者設定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訊息重複消費，為什麼會有超時？有同學會有這樣的疑問，我的消費者執行緒明明是啟動的，也沒有退出，為啥消費不到Kafka的訊息呢？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，它是一個非同步執行緒，當我們啟動一個消費者例項時，心跳執行緒就開始工作了。
在org.apache.kafka.clients.consumer.internals.AbstractCoordinator中會啟動一個HeartbeatThread執行緒來定時傳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執行緒來維護心跳，心跳資訊存放在org.apache.kafka.clients.consumer.internals.Heartbeat中，宣告的Schema如下所示：
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;
心跳執行緒中的run方法實現程式碼如下：
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) {
// the group is not stable (perhaps because we left the group or because the coordinator
// kicked us out), so disable heartbeats and wait for the main thread to rejoin.
disable();
continue;
}
client.pollNoWakeup();
long now = time.milliseconds();
if (coordinatorUnknown()) {
if (findCoordinatorFuture != null || lookupCoordinator().failed())
// the immediate future check ensures that we backoff properly in the case that no
// brokers are available to connect to.
AbstractCoordinator.this.wait(retryBackoffMs);
} else if (heartbeat.sessionTimeoutExpired(now)) {
// the session timeout has expired without seeing a successful heartbeat, so we should
// probably make sure the coordinator is still healthy.
markCoordinatorUnknown();
} else if (heartbeat.pollTimeoutExpired(now)) {
// the poll timeout has expired, which means that the foreground thread has stalled
// in between calls to poll(), so we explicitly leave the group.
maybeLeaveGroup();
} else if (!heartbeat.shouldHeartbeat(now)) {
// poll again after waiting for the retry backoff in case the heartbeat failed or the
// coordinator disconnected
AbstractCoordinator.this.wait(retryBackoffMs);
} else {
heartbeat.sentHeartbeat(now);
sendHeartbeatRequest().addListener(new RequestFutureListener<Void>() {
@Override
public void onSuccess(Void value) {
synchronized (AbstractCoordinator.this) {
heartbeat.receiveHeartbeat(time.milliseconds());
}
}
@Override
public void onFailure(RuntimeException e) {
synchronized (AbstractCoordinator.this) {
if (e instanceof RebalanceInProgressException) {
// it is valid to continue heartbeating while the group is rebalancing. This
// ensures that the coordinator keeps the member in the group for as long
// as the duration of the rebalance timeout. If we stop sending heartbeats,
// however, then the session timeout may expire before we can rejoin.
heartbeat.receiveHeartbeat(time.milliseconds());
} else {
heartbeat.failHeartbeat();
// wake up the thread if it's sleeping to reschedule the heartbeat
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
在心跳執行緒中這裡麵包含兩個最重要的超時函式，它們是sessionTimeoutExpired和pollTimeoutExpired。
public boolean sessionTimeoutExpired(long now) {
return now - Math.max(lastSessionReset, lastHeartbeatReceive) > sessionTimeoutMs;
}
public boolean pollTimeoutExpired(long now) {
return now - lastPoll > maxPollIntervalMs;
}
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，重新分配分割槽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呼叫poll方法。
3.分割槽與消費執行緒
關於消費分割槽與消費執行緒的對應關係，理論上消費執行緒數應該小於等於分割槽數。之前是有這樣一種觀點，一個消費執行緒對應一個分割槽，當消費執行緒等於分割槽數是最大化執行緒的利用率。直接使用KafkaConsumer Client例項，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割槽數的執行緒，來提升消費能力，這就需要我們對KafkaConsumer Client例項進行改造，實現消費策略預計算，利用額外的CPU開啟更多的執行緒，來實現消費任務分片。具體實現，留到下一篇部落格，給大家分享《基於Kafka的分散式查詢SQL引擎》。
4.結束語
這篇部落格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傳送郵件給我，我會盡我所能為您解答，與君共勉！
另外，博主出書了《Kafka並不難學》和《Hadoop大資料探勘從入門到進階實戰》，喜歡的朋友或同學， 可以在公告欄那裡點選購買連結購買博主的書進行學習，在此感謝大家的支援。關注下面公眾號，根據提示，可免費獲取書籍的教學視