kafka使用high api如何确保不丢失消息，不重复发送，消息只读取一次？

https://www.zhihu.com/question/34842764/answer/138125661

kafka使用high api如何确保不丢失消息，不重复发送，消息只读取一次？

虽然low api可以通过offset来实现，但是感觉好麻烦

作者：雨夜偷牛的人
链接：https://www.zhihu.com/question/34842764/answer/138125661
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

首先说明，Kafka 的设计就是 at-least-once 的

那么，如何确保非极端环境下，Kafka 不丢数据，以及 Kafka 集群尽可能稳定呢？

1. Producer 端设置 ack 为 all（或者说尽可能越多越好，但实际生产里集群实例过多，这样设置会影响性能，因此根据具体情况来定），即 确保所有 replication 都拿到数据的时候，send 方法才得以返回，以此来判断数据是否发送成功，那么理论上来说，此时发送成功的数据都不会丢失；
2. unclean.leader.election.enable 设置为 false（默认参数为 true），意思是，当存有你最新一条记录的 replication 宕机的时候，Kafka 自己会选举出一个主节点，如果默认允许还未同步你最新数据的 replication 所在的节点被选举为主节点的话，你的数据将会丢失，因此这里应该按需将参数调控为 false；
   
3. auto.offset.reset 参数设置为 earliest 避免出现 offset 丢失的时候，跳过需要消费的数据的情况，准确来说这里并非丢失，即使因为参数配置的问题出现跳过的情况，也可以通过前置 offset 找回历史消息；
   
4. 数据持久化的时间需要设置业务足够接受的程度，我自己业务上使用就是能保证我的数据持久化时间为8个小时，超过8个小时的数据将被清空。

即使这样配置了，Kafka 在极端环境下也并非确保绝对不丢数据！！！

既然是极端环境的探讨，也就意味着能碰到的几率是非常低的，几率有多少我没统计过，其中第二种情况在业务中时常遇到。

1. 根据 Kafka 官方文档说明，Producer 发送消息持久化到 Kafka 得到 ack 的回馈这段过程中，基于性能的考虑，Kafka 并没有及时把数据落盘的，而是将数据放到内存（FS cache）中，并周期性的落盘（从磁盘监控也可以看的出来），如果数据未及时落盘，如遇到服务器断电宕机，则数据丢失；
2. 实际业务中，对数据可靠性较高的场景我建议手动提交 offset，自动提交 offset 会出现一个比较尴尬的情况，在业务应用被 kill 之前， A 消息的offset 可能被提交了，然而 A 消息在应用系统中尚未执行完毕，且状态都保存在了内存中，无法保留，此时重启应用将不会继续消费 A 消息，而是神不知鬼不觉的跳过。当然这种情况也并非算得上丢失数据，重置 offset 一样可以找的回来，但是手动提交 offset 可以避免这种诡异的情况发生。

Kafka HA 如何保障？
官方的意思是尽可能多节点集群部署，节点数尽可能大于等于3，并且 replication 数量也是大于等于3，那么当 replication 数量为 N 时，ack 设置为 all，这种情况下，就能确保 N-1台机子宕机的时候，数据仍能保持不丢。

另外补充，既然是at-least-once，肯定会出现重复消费的情况，这个不难解决，Consumer 保持无状态和幂等性就可以了。

Kafka本身是不能保证“消息只读一次”，需要借助其他办法保证，比如2PC等，但是如果使用分布式事务的话，会影响吞吐量的。另外Kafka本身就是为了高吞吐量而设计的，如果非要保证“消息只读取一次”，可以使用JMS。
另外，说句题外话——每一个框架被设计的时候，都有考虑特定的使用场景的，比如Kafka就比较适合高吞吐量并且允许少量数据丢失的场景，所以一定要根据应用业务和使用场景来做技术选型。