大佬教程收集整理的这篇文章主要介绍了Kafka生产者，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

几个关键点

• 分区的原因
• 生产者传数据往哪个分区传
• 保证数据可靠性：写入单位其实是topic的某个partition，其有多个副本(分区多副本机制)。怎么保证成功写入呢？
  • 其实采用了一种ack机制。且每个分区有多副本(1 leader n follower)。
  • 那么什么时候发送ack？
  • 多少个follower同步完成后才能发送ack？
• 数据一致性：HW(高水位)和Leo(每个副本最后一个offset)
• Exactly Once语义

目录：

1. 分区策略

   1. 分区原因

   2. 生产者往哪个分区写

2. 可靠性保证(发送的环节)

   1. ack机制&何时发送ack&同步几个发送ack

   2. 两种副本同步策略比较(全同步&半同步)

   3. ISR待同步副本集合(小弟骨干集合)

   4. acks的三种配置化和各自的问题

3. 一致性保证(故障细节处理)

   1. leader故障后带来的两个问题

   2. Leo和HW的引入

   3. Exactly Once语义和幂等性的实现

1.分区策略

1. 分区原因

• （1） 方便在集群中扩展，每个 Partition 可以通过调整以适应它所在的机器，而一个 topic又可以有多个 Partition 组成，因此整个集群就可以适应任意大小的数据了；
• （2） 可以提高并发，因为可以以 Partition 为单位读写了。

2. producer的数据忘哪个分区写 我们需要将 producer 发送的数据封装成一个 @H_673_94@ProducerRecord 对象。

   

• （1）指明 partition 的情况下，直接将指明的值直接作为 partiton 值；
• （2）没有指明 partition 值但有 key 的情况下，将 key 的 hash 值与 topic 的 partition
• 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 总数取余得到 partition
• 值，也就是常说的 round-robin 算法。

2.数据可靠性保证

此处是先保证发数据这个环节的可靠性，也就是保证producer的数据可以可靠的发送到指定topic下的partition。

接收数据的单位是partition，则其每个partition收到数据后，需要像producer发送ack确认收到，producer收到ack后，就会开始下一轮的发送。

@H_673_94@问题来了：partition有多个副本，数据先写到leader，leader收到数据后还要再向各小弟follower同步数据，这样当自己挂的时候可以通过选主策略重新找到一个老大。

• 那么什么时候发送ack？要确保所有副本都同步到数据吗？ 答：确保有 follower与leader同步完成,leade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同步完成可以发ack？10个小弟的话要全部等同步完再发吗？会不会太慢了 答：现有方案: a. 半数以上的 follower同步完成,即可发送ack b. 全部的 Follower同步完成,才可以发送ack

@H_673_94@综上，ack的发送要等partition的的副本也收到后再发，那么leader与follower之间的副本数据同步就有了不同的方案。全同步和半同步。

副本的两种同步策略的比较

Kafka 选择了第二种方案，原因如下：

1. 同样为了容忍 n 台节点的故障，第一种方案需要 2n+1 个副本，而第二种方案只需要 n+1 个副本，而 Kafka 的每个分区都有大量的数据，@H_673_94@第一种方案会造成大量数据的冗余。

2. 虽然第二种方案的网络延迟会比较高，@H_673_94@但网络延迟对 Kafka 的影响较小。

ISR(in-sync replica set:待同步副本集合)

采用第二种方案全同步后的问题：

一个leader有10个小弟，但其中有一个小弟就是因为各种原因迟迟不能同步，那么leader就得一直等，
直到这个小弟同步完成才能发送ack。这个问题怎么解决？

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。

也就是说比如leader有10个小弟，他不是等所有小弟同步完消息，而是有一个叫ISR的集合，里面会加入一部分小弟，比如5个，他是等这个集合里的所有小弟同步完发ack。 后面如果leader出了事，选举新老大也是从这个集合里选。 这么一看，ISR妥妥的都是储备干部啊，那怎么才能加入这个集合呢？

原来的标准有2个，一个是小弟们保存的数据条数，看谁的offset最多，那如果出事选他们肯定相对丢的数据更少。另一个是小弟们的响应时间，响应时间超过某个阈值的就移除这个队伍。 最新的版本取消了条数的判断。因为这会导致很多follwer频繁的进出ISR，且涉及到zk的写数据。

ack应答机制

上面讲leader要等ISR中的所有小弟都同步完才返回ack，但是吧，有些数据确实是不太重要，我们感觉这种数据丢了也没关系，好像也没必要等ISR中的所有小弟都接收完成。 基于这种情况，Kafka就给我们提供了可配置化的操作，提供了三种可靠性级别，让用户自己去权衡可靠性和延迟进行配置；

acks参数配置

@H_673_94@acks：

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；

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；

-1（all）：producer 等待 broker 的 ack，partition 的 leader 和 follower 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。

@H_673_94@acks = 1 数据丢失案例

---

@H_673_94@acks = -1 数据重复案例

---

@H_673_94@参数大白话总结：

• 0就是producer直接不等ack； 1就是只要leader落盘成功就发ack； -1就是leader等所有小弟同步完再发ack。

• 1出问题的情况就是会数据丢失

• -1出问题的情况(退化为配置1，也就是ISR中只剩leader)：若ISR数量为3，一个leader2个follwer，结果两个follower太慢都被移出了ISR，导致里面只剩一个leader，那这种情况就退化成了参数为1的情况了。也就是只有leader收到了数据就立刻发送了ack。

• -1的出问题另一种情况是重复数据问题：小弟都同步完成后，leader发ack之前挂了，然后producer又重发了，导致重复。

数据一致性问题(故障处理细节)

@H_673_94@有这样几个问题：

1. 当leader挂掉以后，f1有10条，f2有9条，f3有8条，那么假设leader选的f3，因为f3最多到第8条，所以消费者拿第9个偏移量就拿不到了，这种情况怎么办？ 答：引入高水位HW，只暴露高水位以前的偏移量

2. 不同follwer的条数不一样，选f3以后，重发了9，但9同步到f1就变成了11，这不就重复了吗？ 答：选举后阉割掉或截取掉所有高水位后面的偏移量。

那么这里引入了两个概念：HW高水位和Leo最后偏移量

• @H_673_94@Leo ：指的是每个副本最大的 offset ；
• @H_673_94@HW ：指的是消费者能见到的最大的 offset ，ISR 队列中最小的 Leo 。

大白话总结

HW是暴露给消费者的最大偏移量。因为HW是木桶里的短板。

@H_673_94@如下图

---

Leo和HW对于故障的解决，保证一致性

1. 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。

2. follower 故障 follower 发生故障后会被临时踢出 ISR，待该 follower 恢复后，@H_673_94@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 的 HW，即 follower 追上 leader 之后，就可以重新加入 ISR 了。

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 语义

1. 精准一次/至少一次/至多一次 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。相对的，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 可以保证数据不丢失，但是不能保证数据不重复。
• at least Once 可以保证数据不重复，但是不能保证数据不丢失。
• 但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。

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。

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

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 !!

    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<PID, Partition, Seqnumber>做缓存，当具有相同主键的消息提交时，Broker 只
    会持久化一条。
    
    但是 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。
  

• 同一次会话：session，也就是说producer启动起来后没有挂掉的情况下，然后同一分区内，都可以保证幂等性。

@H_673_94@精确一次语义的大白话总结

ack设置-1保证至少一次，这样起码不会丢，然后重复的问题靠幂等性来解决。而这里kafka的幂等性是选择的主键是三位一体的<生产者id，分区id，消息id>，这三个键来做主键。 不过Kafka挂了后分配的Pid会改变，所以不能保证跨session。不同分区主键不同，所以也不能跨分区。

大佬总结

以上是大佬教程为你收集整理的Kafka生产者全部内容，希望文章能够帮你解决Kafka生产者所遇到的程序开发问题。

如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。