[kafka]二.优化|ack|幂等|数据丢失与重复|参数优化|单条日志传输大小|过期清理|按时间消费|消费角度拉取还是推送|kafka中数据有序吗|消息积压,消费能力不足

二.优化

1.不丢失数据ack=-1(是生产端的设置)

当Producer向Leader发送消息时，可以通过ack的值来设置可靠性级别。

1）1（默认）

意味着ISR中的Leader已成功收到消息并且Producer得到Leader收到消息的确认。如果ISR中的副本数还没有来得及拉取数据就宕机了，则会丢失数据。

2）0

意味着Producer无需等待来自Broker的确认而继续发送下一批消息，此时数据传输效率最高，但是数据可靠性最低。

3）-1(all)

Producer需要等待ISR中所有的Replicas都成功收到消息并得到它们收到消息的确认，在副本数为1的情况下，只有一个Leader，等同于ack=1，这种情况下Leader挂了，会丢数据。在副本数>1的情况下，不会丢失数据，但数据有可能会重复。

a)副本数>1的情况下，数据发送到Leader，ISR的Follower全部完成数据同步后，Leader挂掉，选举出新的Leader，数据不会丢失。

b)副本数>1的情况下，数据发送到Leader后，Follower1同步完成，Follower尚未同步，此时Leader挂掉，Producer端会返回异常，Producer端会重新发送数据，数据可能会重复。

3)设置方法

props.put("acks", "all");

2.幂等(exactly once)(对生产端和消费端的设置)

1）什么是幂等

幂等性是指：无论执行多少次同样的计算。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。

2）Producer的幂等

[1]说明

幂等保证Producer在一个Partition内消息精准一次。

1）最多一次(at most once):消息可能会丢失，但绝对不会重复。

2）至少一次(at least once):消息不会丢失，但有可能会重复。

3）精准一次(exactly once):消息不会丢失，也不会重复。

[2]设置方法:props.put("enable.idempotence",true)

[3]kafka producer如何实现幂等

它在底层设计框架引入了ProducerID和SequenceNumber。

ProducerID:在每个新的Producer初始化时，会分配唯一的ProducerID。

SequenceNumber：对每个ProducerID，Producer发送数据的每个Topic的Partition都对应一个从0开始单调递增SequenceNumber值，通过该值进行唯一处理。

3)消费者的幂等

有唯一的id，如在mysql就是主键，在埋点中可以设置一个唯一id。

3.数据丢失与重复

0）说明

消费消息是两个环节：

【1】生产者发送消息到Broker，此时要确保消息发送到了Broker

【2】消费者消费消息，可以使用两种方式：自动提交offset和手动提交offset

 

自动提交可能会造成消费未处理进程中断，导致丢失数据。所以要数据不丢的话就使用手动提交。

消费的消息是批处理的方式，在的代码中是1S处理一次，这种处理方式是实时的。

还可以离线定时处理，比如一小时处理一次，这种方式偏移量是由系统自己创建的topic里维护的偏移量，老版本是在zookeeper中维护的偏移量。

1）重复

【1】生产端

a)fume将数据发送到kafka，flume已经发送，但是但是offset没提交，flume就挂掉了。

b)kafka消费消息,ack=-1时，Leader挂掉，和上面图的情况相同。比如：通常会遇到消费者的数据处理很耗时，导致超过了kafka的session timeout时间(默认30s)，那么该Partition重新选择新的Leader，此时会有一定几率offset没提交，会导致重平衡后数据重复。（大多数情况）。

解决方案：

幂等+ack=-1+事务(不成功可以回滚)、下游处理，如hive dwd

【2】消费端

设置为手动提交，消费者在消费了消息后，消费者挂了，还未提交offset。

解决方案：在dwd层清洗、有唯一的id，如在mysql就是主键，在埋点中可以设置一个唯一id。这样的话就算是聚合值也不怕。

2）丢失

原因：在消费Kafka数据时，设置offset为自动定时提交，数据还在内存中未处理，此时刚好把线程kill掉，那么offset已经提交，但是数据未处理，导致这部分内存中的数据丢失。

解决方案：改为手动提交。

4.kafka参数优化

1）Broker参数配置(server.properties)

1.日志的保留策略设置
log.retention.hours=72 #保留3天,也可以缩短

2.replica副本
default.replication.factor=1 #设置副本1个

3.网络通信延时
replica.socket.timeout.ms=30000 #当集群之间的网络不稳定时，调大参数
replica.log.time.max.ms=600000 #follower落后leader 10min,会踢出ISR集合.
#如果网络不好,或者kafka压力较大,会出现节点从ISR到OSR再到ISR,然后会频繁复制副本,
#导致集群压力更大,此时可以调大该参数.

2）Producer(producer.properties)

compression.type=none
#可选: gzip snappy lz4
#默认发送不进行压缩,推荐配置一种合适的压缩算法,可以大幅度的减缓网络压力和
#Broker的存储压力.

3）kafka内存调整(kafka-server-start.sh)

export KAFKA_HEAP_OPTS="-Xms4g -Xmx4g"

kafka对于消息体大小默认为每条消息最大为1M,但生产中，常常出现一条消息大于1M，如果不对kafka进行配置，则会出现生产者无法将消息推送到kafka或者消费者无法去消费kafka里面的数据，这时我们就要对kafka进行以下配置:server.properties

replica.fetch.max.bytes: 1048576
#broker可复制消息的最大字节数，默认为1M
messgae.max.bytes: 1000012
#kafka会接收单个消息size的最大限制,默认为1M左右
#注意：message.max.bytes必须小于等于replica.fetch.max.bytes
#否则就会导致replica之间数据同步失败

5.kafka过期数据清理

保证数据没有被引用(没人消费它)

日志清理保存的策略只有delete和compact两种

log.cleanyp.policy=delete
#启用删除策略
log.cleanup.policy=compact
#启用压缩策略

1）delete（直接删除过期数据）

2）compact 

将数据压缩，只保留每个key最后一个版本的数据。

在实时计算下，一些数据可能经过了一天的聚合，要重复算需要花费很多时间，此时使用压缩策略，可以直接从kafka中读取。

6按时间消费数据

Map<TopicPartition, OffsetAndTimestamp> startOffsetMap = 
KafkaUtil.fetchOffsetsWithTimestamp(topic, sTime, kafkaProp);

7.kafka消费者角度考虑是拉取数据还是推送数据

拉取数据

8.kafka中的数据是有序的吗

单分区：分区内有序

多分区：各分区内有序，分区间无序

9.kafka消息数据积压、kafka消费能力不足怎么处理？

1）如果是kafka消费能力不足，则可以考虑增加Topic的分区数，并且同时提升消费者组的消费者数量，消费者数=分区数（两者缺一不可）。

2）如果是下游的数据处理不及时，提高每批次拉取的数量，批次拉取数据过少（拉取数据/处理时间<生产速度），使处理的数据小于生产的数据，也会造成数据积压。