Transactions in Kafka

最新推荐文章于 2024-05-13 22:16:07 发布

zhifeng687

最新推荐文章于 2024-05-13 22:16:07 发布

阅读量1.8k

点赞数

分类专栏：分布式

分布式专栏收录该内容

37 篇文章 5 订阅

订阅专栏

本文翻译Confluent官网，原文地址：

https://www.confluent.io/blog/transactions-apache-kafka/

在之前的博客文章（见尾部链接）中，我们介绍了ApacheKafka的exactly once语义，介绍了各种消息传输语义，producer的幂等特性，事务和Kafka Stream的exactly once处理语义。现在我们将从上篇文章结尾的地方开始，深入探讨Apache Kafka的事务。本文档的目标是使读者熟悉Apache Kafka中有效使用事务API所需要的主要概念。

我们将讨论事务API设计的主要用例，Kafka的事务语义，JavaClient事务API细节，实现方面一些有趣的地方，最后，我们会讨论API使用方面的一些重要因素。

这篇文章并不打算成为事务处理细节方面的教程，我们也不会深入探讨设计方面的细节；相反，我们给希望更加深入的读者JavaDoc或者设计文档的链接。

我们希望读者在阅读这篇文章之前，能够熟悉Kafka的基本概念，比如Topics，partitions, 日志偏移量和borker的觉得，以及包含kafka客户端的应用程序例子，熟悉Kafka的Java客户端也会所有帮助。

1. 为什么要支持事务

我们在Kafka中设计事务的目的主要是为了满足“读取-处理-写入”这种模式的应用程序。这种模式下数据的读写是异步的，比如Kafka的Topics。这种应用程序更广泛的被称之为流处理应用程序。

第一代流处理应用程序可以容忍不准确的数据处理，比如，查看网页点击数量的应用程序，能够允许计数器存在一些错误（多算或者漏算）。

然而，随着这些应用的普及，对于流处理计算语义有更多要求的需求也在增多。比如，一些金融机构部使用流处理应用来处理用户账户的借贷方，这种情况下，处理中的错误是不能容忍的，我们需要每一条消息都被处理一次，没有任何例外。

更正式的说，如果流处理应用程序消费消息A并产生消息B，使得B=F(A)，则exactlyonce则意味着仅当B成功时才认为A被消耗，反之亦然。

当在Kafka的producer和consumer的配置属性中使用at-least-once传入语义的时候，一个流处理应用程序能够处理下面的场景:

1. 由于内部重试，producer.send()方法使得消息B可能被重复写入。这将由Procedure的幂等特性解决，不是这篇文章其余部分的重点。

2. 我们可能会对消息A进行重新处理，这会导致重复的消息B被写入，违背了exactly once的处理语义，如果流处理应用程序在B写入成功但是在A被成功标记之前崩溃，则可能会被重新处理，因此，当它恢复时，他将在此消费A并再次写入B，导致重复。

3. 最后，在分布式环境中，应用程序会崩溃或者更糟，一旦和系统其它部分连接丢失，通常情况下，新的实例会自动启动以取代丢失实例。通过这个过程，可能会有多个实例处理相同的输入topic并写入相同的输出topic，从而导致重复的输出并违背exactly once的处理语义，这个我们称之为“僵尸实例”的问题。

我们在Kafka中设计了事务API来解决第二个和第三个问题，事务能够保证这些“读取-处理-写入”操作成为一个与那字操作并且在一个周期中保证精确处理，满足exactly once处理语义。

2. 事务语义

2.1. 多分区原子写入

事务能够保证Kafka topic下每个分区的原子写入。事务中所有的消息都将被成功写入或者丢弃。例如，处理过程中发生了异常并导致事务终止，这种情况下，事务中的消息都不会被Consumer读取。现在我们来看下Kafka是如何实现原子的“读取-处理-写入”过程的。

首先，我们来考虑一下原子“读取-处理-写入”周期是什么意思。简而言之，这意味着如果某个应用程序在某个topic tp0的偏移量X处读取到了消息A，并且在对消息A进行了一些处理（如B = F（A））之后将消息B写入topic tp1，则只有当消息A和B被认为被成功地消费并一起发布，或者完全不发布时，整个读取过程写入操作是原子的。

现在，只有当消息A的偏移量X被标记为消耗时，消息A才被认为是从topic tp0消耗的，消费到的数据偏移量（record offset）将被标记为提交偏移量（Committing offset）。在Kafka中，我们通过写入一个名为offsets topic的内部Kafka topic来记录offset commit。消息仅在其offset被提交给offsets topic时才被认为成功消费。

由于offset commit只是对Kafkatopic的另一次写入，并且由于消息仅在提交偏移量时被视为成功消费，所以跨多个主题和分区的原子写入也启用原子“读取-处理-写入”循环：提交偏移量X到offset topic和消息B到tp1的写入将是单个事务的一部分，所以整个步骤都是原子的。

2.2. 粉碎“僵尸实例”

我们通过为每个事务Producer分配一个称为transactional.id的唯一标识符来解决僵尸实例的问题。在进程重新启动时能够识别相同的Producer实例。

API要求事务性Producer的第一个操作应该是在Kafka集群中显示注册transactional.id。当注册的时候，Kafka broker用给定的transactional.id检查打开的事务并且完成处理。 Kafka也增加了一个与transactional.id相关的epoch。Epoch存储每个transactional.id内部元数据。

一旦这个epoch被触发，任何具有相同的transactional.id和更旧的epoch的Producer被视为僵尸，并被围起来, Kafka会拒绝来自这些Procedure的后续事务性写入。

2.3. 读事务消息

现在，让我们把注意力转向数据读取中的事务一致性。

Kafka Consumer只有在事务实际提交时才会将事务消息传递给应用程序。也就是说，Consumer不会提交作为整个事务一部分的消息，也不会提交属于中止事务的消息。

值得注意的是，上述保证不足以保证整个消息读取的原子性，当使用Kafka consumer来消费来自topic的消息时，应用程序将不知道这些消息是否被写为事务的一部分，因此他们不知道事务何时开始或结束；此外，给定的Consumer不能保证订阅属于事务一部分的所有Partition，并且无法发现这一点，最终难以保证作为事务中的所有消息被单个Consumer处理。

简而言之：Kafka保证Consumer最终只能提供非事务性消息或提交事务性消息。它将保留来自未完成事务的消息，并过滤掉已中止事务的消息。

3. 事务处理Java API

事务功能主要是一个服务器端和协议级功能，任何支持它的客户端库都可以使用它。一个Java编写的使用Kafka事务处理API的“读取-处理-写入”应用程序示例：

[java]view plaincopy
KafkaProducer producer = createKafkaProducer(  
  “bootstrap.servers”, “localhost:9092”,  
  “transactional.id”, “my-transactional-id”);  
   
producer.initTransactions();  
   
KafkaConsumer consumer = createKafkaConsumer(  
  “bootstrap.servers”, “localhost:9092”,  
  “group.id”, “my-group-id”,  
  "isolation.level", "read_committed");  
   
consumer.subscribe(singleton(“inputTopic”));  
   
while (true) {  
  ConsumerRecords records = consumer.poll(Long.MAX_VALUE);  
  producer.beginTransaction();  
  for (ConsumerRecord record : records)  
    producer.send(producerRecord(“outputTopic”, record));  
  producer.sendOffsetsToTransaction(currentOffsets(consumer), group);   
  producer.commitTransaction();  
}  

第7-10行指定KafkaConsumer只应读取非事务性消息，或从其输入主题中提交事务性消息。流处理应用程序通常在多个读取处理写入阶段处理其数据，每个阶段使用前一阶段的输出作为其输入。通过指定read_committed模式，我们可以在所有阶段完成一次处理。
第1-5行通过指定transactional.id配置并将其注册到initTransactionsAPI来设置Procedure。在producer.initTransactions（）返回之后，由具有相同的transactional.id的Producer的另一个实例启动的任何事务将被关闭和隔离。

第14-21行显示了“读取-处理-写入”循环的核心：读取一部分记录，启动事务，处理读取的记录，将处理的结果写入输出topic，将消耗的偏移量发送到offset topic，最后提交事务。有了上面提到的保证，我们就知道offset和输出记录将作为一个原子单位。

4. 事务工作原理

在本节中，我们将简要介绍上面介绍的事务API引入的新组件和新数据流。更详细的信息，你可以阅读原始设计文档，或观看介绍Kafka MeetUp的Sliders。

下面示例的目标是在调试使用了事务的应用程序时，如何对事务进行优化以获得更好的性能。

5. 事务协调器和事务日志

在Kafka 0.11.0中与事务API一起引入的组件是上图右侧的事务Coordinator和事务日志。

事务Coordinator是每个KafkaBroker内部运行的一个模块。事务日志是一个内部的Kafka Topic。每个Coordinator拥有事务日志所在分区的子集，即, 这些borker中的分区都是Leader。

每个transactional.id都通过一个简单的哈希函数映射到事务日志的特定分区。这意味着只有一个Broker拥有给定的transactional.id。

通过这种方式，我们利用Kafka可靠的复制协议和Leader选举流程来确保事务协调器始终可用，并且所有事务状态都能够持久存储。

值得注意的是，事务日志只保存事务的最新状态而不是事务中的实际消息。消息只存储在实际的Topic的分区中。事务可以处于诸如“Ongoing”，“prepare commit”和“Completed”之类的各种状态中。正是这种状态和关联的元数据存储在事务日志中。

6. 数据流

数据流在抽象层面上有四种不同的类型。

A. producer和事务coordinator的交互

执行事务时，Producer向事务协调员发出如下请求：

1. initTransactions API向coordinator注册一个transactional.id。此时，coordinator使用该transactional.id关闭所有待处理的事务，并且会避免遇到僵尸实例。每个Producer会话只发生一次。

2. 当Producer在事务中第一次将数据发送到分区时，首先向coordinator注册分区。

3. 当应用程序调用commitTransaction或abortTransaction时，会向coordinator发送一个请求以开始两阶段提交协议。

B. Coordinator和事务日志交互

随着事务的进行，Producer发送上面的请求来更新Coordinator上事务的状态。事务Coordinator会在内存中保存每个事务的状态，并且把这个状态写到事务日志中（这是以三种方式复制的，因此是持久保存的）。

事务Coordinator是读写事务日志的唯一组件。如果一个给定的Borker故障了，一个新的Coordinator会被选为新的事务日志的Leader，这个事务日志分割了这个失效的代理，它从传入的分区中读取消息并在内存中重建状态。

C. Producer将数据写入目标Topic所在分区

在Coordinator的事务中注册新的分区后，Producer将数据正常地发送到真实数据所在分区。这与producer.send流程完全相同，但有一些额外的验证，以确保Producer不被隔离。

D. Topic分区和Coordinator的交互

在Producer发起提交（或中止）commitTransaction或abortTransaction之后，协调器开始两阶段提交协议。

在第一阶段，Coordinator将其内部状态更新为“prepare_commit”并在事务日志中更新此状态。一旦完成了这个事务，无论发生什么事，都能保证事务完成。

Coordinator然后开始阶段2，在那里它将事务提交标记写入作为事务一部分的Topic分区。

这些事务标记不会暴露给应用程序，但是在read_committed模式下被Consumer使用来过滤掉被中止事务的消息，并且不返回属于开放事务的消息（即那些在日志中但没有事务标记与他们相关联）。

一旦标记被写入，事务协调器将事务标记为“完成”，并且Producer可以开始下一个事务。

7. 事务实践

现在我们已经理解了事务的语义以及它们是如何工作的，我们将注意力转向利用事务编写实际应用方面。

7.1. 如何选择事务Id

transactional.id在屏蔽僵尸中扮演着重要的角色。但是在一个保持一个在Producer会话中保持一致的标识符并且正确地屏蔽掉僵尸实例是有点棘手的。

正确隔离僵尸实例的关键在于确保读取进程写入周期中的输入Topic和分区对于给定的transactional.id总是相同的。如果不是这样，那么有可能丢失一部分消息。

例如，在分布式流处理应用程序中，假设Topic分区tp0最初由transactional.idT0处理。如果在某个时间点之后，它可以通过transactional.id T1映射到另一个Producer，那么T0和T1之间就不会有栅栏了。所以tp0的消息可能被重新处理，违反了一次处理保证。

实际上，可能需要将输入分区和transactional.id之间的映射存储在外部存储中，或者对其进行静态编码。Kafka Streams选择后一种方法来解决这个问题。

7.2. 事务性能以及如何优化？

Ø Producer打开事务之后的性能

让我们把注意力转向事务如何执行。

首先，事务只造成中等的写入放大。额外的写入在于：

对于每个事务，我们都有额外的RPC向Coordinator注册分区。这些是批处理的，所以我们比事务中的partition有更少的RPC。

在完成事务时，必须将一个事务标记写入参与事务的每个分区。同样，事务Coordinator在单个RPC中批量绑定到同一个Borker的所有标记，所以我们在那里保存RPC开销。但是在事务中对每个分区进行额外的写操作是无法避免的。

最后，我们将状态更改写入事务日志。这包括写入添加到事务的每批分区，“prepare_commit”状态和“complete_commit”状态。

我们可以看到，开销与作为事务一部分写入的消息数量无关。所以拥有更高吞吐量的关键是每个事务包含更多的消息。

实际上，对于Producer以最大吞吐量生产1KB记录，每100ms提交消息导致吞吐量仅降低3％。较小的消息或较短的事务提交间隔会导致更严重的降级。

增加事务时间的主要折衷是增加了端到端延迟。回想一下，Consum阅读事务消息不会传递属于公开传输的消息。因此，提交之间的时间间隔越长，消耗的应用程序就越需要等待，从而增加了端到端的延迟。

Ø Consumer打开之后的性能

Consumer在开启事务的场景比Producer简单得多，它需要做的是：

1. 过滤掉属于中止事务的消息。

2. 不返回属于公开事务一部分的事务消息。

因此，当以read_committed模式读取事务消息时，事务Consumer的吞吐量没有降低。这样做的主要原因是我们在读取事务消息时保持零拷贝读取。

此外，Consumer不需要任何缓冲等待事务完成。相反，Broker不允许提前抵消包括公开事务。

因此，Consumer是非常轻巧和高效的。感兴趣的读者可以在本文档（链接2）中了解Consumer设计的细节。

8. 进一步阅读

我们刚刚讲述了Apache Kafka中事务的表面。幸运的是，几乎所有的设计细节都保存在在线文档中。相关文件是：

最初的Kafka KIP（链接3）：它提供了关于数据流的设计细节，并且详细介绍了公共接口，特别是与事务相关的配置选项。

原始设计文档（链接4）：不是为了内核，这是源代码之外的权威地方 - 了解每个事务性RPC如何处理，如何维护事务日志，如何清除事务性数据等等。

KafkaProducerjavadocs（链接5）：这是学习如何使用新API的好地方。页面开始处的示例以及send方法的文档是很好的起点。

9. 结论

在这篇文章中，我们了解了ApacheKafka中关于事务API的关键设计目标，我们理解了事务API的语义，并对API的实际工作有了更高层次的理解。

如果我们考虑“读取-处理-写入”周期，这篇文章主要介绍了读写路径，处理本身就是一个黑盒子。事实是，在处理阶段中可以做很多事情，使得一次处理不可能保证单独使用事务API。例如，如果处理对其他存储系统有副作用，则这里覆盖的API不足以保证exactly once。

Kafka Streams框架使用事务API向上移动整个价值链，并为各种各样的流处理应用提供exactly once，甚至能够在处理期间更新某些附加状态并进行存储。

后续的博客文章将介绍KafkaStreams如何提供一次处理语义，以及如何编写利用它的应用程序。

最后，对于那些渴望了解上述API实现细节的人，我们将会有另一篇博客文章，其中涵盖了这里描述的一些更有趣的解决方案。

10. 链接

1． https://www.confluent.io/blog/exactly-once-semantics-are-possible-heres-how-apache-kafka-does-it/

2． https://docs.google.com/document/d/1Rlqizmk7QCDe8qAnVW5e5X8rGvn6m2DCR3JR2yqwVjc/edit?usp=sharing

3． https://cwiki.apache.org/confluence/display/KAFKA/KIP-98+-+Exactly+Once+Delivery+and+Transactional+Messaging

4． https://docs.google.com/document/d/11Jqy_GjUGtdXJK94XGsEIK7CP1SnQGdp2eF0wSw9ra8/edit?usp=sharing

5． https://kafka.apache.org/0110/javadoc/index.html?org/apache/kafka/clients/producer/KafkaProducer.html

Exactly Once Delivery and Transactional Messaging

本文译自：KIP-98 - Exactly Once Delivery and Transactional Messaging

这篇文档提出了一个增强kafka的消息提交语义的方案。

kafka当前提供了至少一次的语义。当需要可靠性时，我们可以给保证每一条写入的消息至少被持久化一次，而没有数据损失。
重复写入可能会发生当producer重试时。例如，broker可能宕机了，在producer提交一条消息和broker发送一条确认给producer之间，
从而造成producer重试，并在流中出现重复的消息。

增强了的idempotent producer的语义会对用户带来很大帮助。每一条消息刚好只被持久化一次，没有出现重复消息，
没有造成数据丢失，即使在producer重试或者broker宕机时。这些更强的语义不仅使写应用更加容易，他们也拓展
应用的空间。

然而，idempotent producer没有提供在多个TopicPartition中写时的exactly once保证。因此，需要更强的事务上的保证。
例如，写入多个TopicPartition的操作的原子性。这个原子性意味着把跨多个TopicPartition的一个消息集的提交作为一个单位：
要么这些消息全部提交，要么全部失败。

流处理应用，其实是“消费-转换-生产”任务的流水线，需要事务上的保证以防止重复，流上的重复处理是不可接受的。因此，
添加事务上的保证给kafka --一个流平台 -- 让它更有用，不仅仅只是充当一个流处理。

在这篇文档中，我们展现了一种让kafka拥有事务保证的方案。我们只关注用户面临的改变：producer api改变了，并且新的
producer 配置会引入，和这个保证的总纲。我们也标明了基本的数据流，它总结了新的RPC

关于transaction 和streams那些事儿

在之前的章节中，我们提及了主要的事务激励是使kafka streaming支持exactly once操作。

使用kafka stream 重复调用data transformation 通常发生在多个stream processors中，每一个stream processors
都被kafka topic连接。这种设置被称为流拓扑，基本上是一个DAG，其中流处理器是节点，连接的Kafka主题是顶点。这种模式是所有流式架构的典型特征。您可以在这里阅读更多关于Kafka流体系结构的信息。

因此，Kafka流的事务本质上将包含输入消息，本地状态存储的更新以及输出消息。在事务中包含输入偏移会激励将'sendOffset'API添加到Producer接口，如下所述。更多细节将在一个单独的KIP中提供。

此外，流拓扑可以变得非常深--10个阶段并不少见。如果输出消息仅在事务提交中实现，那么N阶深度的拓扑将采用N×T来处理其输入，其中T是单个事务的平均时间。所以Kafka Streams需要推测性执行，输出消息甚至可以在提交之前被下游处理器读取。否则，交易将不适用于严重的流媒体应用程序。这激发了稍后描述的“未定义的阅读”消费者模式。

这些是我们选择针对流用例进行优化的两个特定实例。当读者阅读本文档时，我们鼓励她牢记这个用例，因为它激发了提案的大部分内容。

public class KafkaTransactionsExample {
  
  public static void main(String args[]) {
    KafkaConsumer<String, String> consumer = new KafkaConsumer<>(consumerConfig);
 
 
    // Note that the ‘transactional.id’ configuration _must_ be specified in the
    // producer config in order to use transactions.
    KafkaProducer<String, String> producer = new KafkaProducer<>(producerConfig);
 
    // We need to initialize transactions once per producer instance. To use transactions,
    // it is assumed that the application id is specified in the config with the key
    // transactional.id.
    //
    // This method will recover or abort transactions initiated by previous instances of a
    // producer with the same app id. Any other transactional messages will report an error
    // if initialization was not performed.
    //
    // The response indicates success or failure. Some failures are irrecoverable and will
    // require a new producer  instance. See the documentation for TransactionMetadata for a
    // list of error codes.
    producer.initTransactions();
     
    while(true) {
      ConsumerRecords<String, String> records = consumer.poll(CONSUMER_POLL_TIMEOUT);
      if (!records.isEmpty()) {
        // Start a new transaction. This will begin the process of batching the consumed
        // records as well
        // as an records produced as a result of processing the input records.
        //
        // We need to check the response to make sure that this producer is able to initiate
        // a new transaction.
        producer.beginTransaction();
         
        // Process the input records and send them to the output topic(s).
        List<ProducerRecord<String, String>> outputRecords = processRecords(records);
        for (ProducerRecord<String, String> outputRecord : outputRecords) {
          producer.send(outputRecord);
        }
         
        // To ensure that the consumed and produced messages are batched, we need to commit
        // the offsets through
        // the producer and not the consumer.
        //
        // If this returns an error, we should abort the transaction.
         
        sendOffsetsResult = producer.sendOffsetsToTransaction(getUncommittedOffsets());
         
      
        // Now that we have consumed, processed, and produced a batch of messages, let's
        // commit the results.
        // If this does not report success, then the transaction will be rolled back.
        producer.endTransaction();
      }
    }
  }
}

Idempotent Producer Guarantees
为了实现幂等生产者语义，我们引入了producer id这个概念，简称为PID，和kafka message的sequence number。
每一个新的producer在初始化时都会被分配一个唯一的PID。这个PID分配是完全对用户透明的，并且从来不会暴露给客户端。

对于一个给定的PID, sequence number(序列号)会从0开始单调递增，每个主题分区产生一个序列号。当producer发送消息给broker时，producer中序列号会增加。broker也会在内存中保留（覆盖使最新）producer提交到TopicPartition的消息的序列号。如果broker的序列号小于或者等于该PID/TopicPartition对的最后提交的消息的序列号，那么broker会拒绝该请求。序号较低的消息会导致重复错误，生产者可以忽略。序号较大的消息将会导致无序错误。这表明某些消息已经丢失，并且是致命的。

这确保了即使生产者必须在失败时重试请求，每条消息也只会保存在日志中一次。此外，由于每个生产者的新实例都被分配了一个新的唯一的PID，我们只能保证在一个生产者会话中的幂等生产。

这些幂等生产者语义对于无状态应用程序（如度量跟踪和审计）可能有用。

zhifeng687

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
Transactions in Kafka

本文翻译Confluent官网，原文地址：https://www.confluent.io/blog/transactions-apache-kafka/ 在之前的博客文章（见尾部链接）中，我们介绍了ApacheKafka的exactly once语义，介绍了各种消息传输语义，producer的幂等特性，事务和Kafka Stream的exactly once处理语义。现在我们将从上篇文章结尾的地...
复制链接

扫一扫

专栏目录