5、kafka生产者

目录

生产者的分区策略（也就是按什么策略往partition里面写数据）

生产者发送数据可靠性

ISR

ack应答机制（设置不同的可靠性级别解决数据的丢失和数据重复）

HW（保证数据的一致性）

Exactly Once 实现幂等性，保证数据既不丢失也不重复

---

生产者的分区策略（也就是按什么策略往partition里面写数据）

我们需要将 producer 发送的数据封装成一个 ProducerRecord 对象

1. 指明 partition 的情况下，直接将指明的值直接作为 partition 值；
2. 没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition 个数进行取余得到 partition 值；
3. 既没有 partition 值又没有 key 值的情况下，第一次调用时随机生成一个整数（后面每次调用在这个整数上自增），将这个值与 topic 可用的 partition 个数取余得到 partition 值，也就是常说的 round-robin 算法。轮询插入；

 

 

生产者发送数据可靠性

为保证 producer 发送的数据，能可靠的发送到指定的 topic，topic 的每个 partition 收到 producer 发送的数据后，都需要向 producer 发送 ack（acknowledgement 确认收到），如果 producer 收到 ack，就会进行下一轮的发送，否则重新发送数据。

ack发送时间？：

确保有follower与leader同步数据完成， leader再发送ack，这样才能保证leader 挂掉之后，能在follower中选举出新的 leader

 

多少个follower同步完数据才发送ack？：

半数以上follower同步数据完成 或者 全部follower同步数据完成

半数以上

1. 优点：延迟低
2. 缺点：选举新的 leader 时，容忍 n 台节点的故障，需要 2n+1 个副本，副本多；数据冗余；（同步的少，需要的副本就多）

全部（特指ISR中的）

1. 优点：选举新的 leader 时，容忍 n 台节点的故障，需要 n+1 个副本，副本少；（同步的多，需要的副本就少）
2. 缺点：延迟高

所以kafka选择了全部follower同步数据完成才发送ack

 

 

ISR

采用全部follower同步数据完成才发送ack方案之后，设想以下情景：leader 收到数据，所有 follower 都开始同步数据， 但有一个 follower，因为某种故障，迟迟不能与 leader 进行同步，那 leader 就要一直等下去， 直到它完成同步，才能发送 ack。这个问题怎么解决呢？

解决：Leader维护了一个动态的 in-sync replica set (ISR)，意为和 leader 保持同步的 follower 集合。当 ISR 中的 follower 完成数据的同步之后，leader 就会给 follower 发送 ack。如果 follower 长时间未向 leader 同步数据 ， 则该 follower 将被踢出 ISR ， 该时间阈值由 replica.lag.time.max.ms 参数设定。Leader 发生故障之后，就会从 ISR 中选举新的 leader。

所以ISR的作用有两个：ISR的follower都同步完数据开始发送ack，从ISR中选举新的leader

 

 

ack应答机制（设置不同的可靠性级别解决数据的丢失和数据重复）

对于某些不太重要的数据，对数据的可靠性要求不是很高，能够容忍数据的少量丢失， 所以没必要等 ISR 中的 follower 全部接收成功。 所以 Kafka 为用户提供了三种可靠性级别，用户根据对可靠性和延迟的要求进行权衡

1. 0：producer 不等待 broker 的 ack，这一操作提供了一个最低的延迟，broker 一接收到还没有写入磁盘就已经返回，当 broker 故障时有可能丢失数据；
2. 1：producer 等待 broker 的 ack，partition 的 leader 落盘成功后返回 ack，如果在 follower 同步成功之前 leader 故障，那么将会丢失数据；
3. -1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower（ISR中）全部落盘成功后才 返回 ack。但是如果在 follower 同步完成后，broker 发送 ack 之前，leader 发生故障，那么会造成数据重复，因为生产者没有收到ack会重新发送数据到新选举出来的leader；

 

 

HW（保证数据的一致性）

LEO：指的是每个副本最后一个 offset；

HW：指的是消费者能见到的最大的 offset，ISR 队列中最小的 LEO，所有副本中最小的 LEO。

（1）follower 故障： follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，follower 会读取本地磁盘记录的上次的 HW，并将 log 文件高于 HW 的部分截取掉，从 HW 开始向 leader 进行同步。 等该 follower 的 LEO 大于等于该 Partition 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。

（2）leader 故障： leader 发生故障之后，会从 ISR 中选出一个新的 leader，之后，为保证多个副本之间的数据一致性，其余的 follower 会先将各自的 log 文件高于 HW 的部分截掉，然后从新的 leader 同步数据。

注意：这只能保证副本之间的数据一致性，并不能保证数据不丢失或者不重复。

 

 

Exactly Once 实现幂等性，保证数据既不丢失也不重复

At Least Once（至少发一次）：将服务器的 ACK 级别设置为-1，可以保证 Producer 到 Server 之间不会丢失数据，即 At Least Once 语义。At Least Once 可以保证数据不丢失，但是不能保证数据不重复。

At Most Once（最多发一次）：将服务器 ACK 级别设置为 0，可以保证生产者每条消息只会被发送一次，即 At Most Once 语义。At Least Once 可以保证数据不重复，但是不能保证数据不丢失；

Exactly Once（发一次且数据准确）：但是，对于一些非常重要的信息，比如说交易数据，下游数据消费者要求数据既不重复也不丢失，即 Exactly Once 语义。

怎样做到Exactly Once：

1. 在 0.11 版 本以前的 Kafka，对此是无能为力的，只能保证数据不丢失，再在下游消费者对数据做全局去重。对于多个下游应用的情况，每个都需要单独做全局去重，这就对性能造成了很大影响。
2. 0.11 版本的 Kafka，引入了一项重大特性：幂等性。所谓的幂等性就是指 Producer 不论 向 Server 发送多少次重复数据，Server 端都只会持久化一条。幂等性结合 At Least Once 语 义，就构成了 Kafka 的 Exactly Once 语义。即： At Least Once + 幂等性 = Exactly Once 要启用幂等性，只需要将 Producer 的参数中 enable.idompotence 设置为 true 即可。

新版本实现Exactly Once的原理：

Kafka 的幂等性实现其实就是将原来下游需要做的去重放在了数据上游。开启幂等性的 Producer 在初始化的时候会被分配一个 PID，发往同一 Partition 的消息会附带 Sequence Number。而 Broker 端会对做缓存，当具有相同主键的消息提交时，Broker 只会持久化一条。

新版本实现Exactly Once的缺点：

但是分配的 PID 重启就会变化，同时不同的 Partition 也具有不同主键，所以幂等性无法保证跨分区跨会话的 Exactly Once。