Kafka入门实战教程（5）：吞吐量与可靠性的实践

1 提高Producer吞吐量的实践

在实际环境中，用户似乎总是愿意用较小的延时增加的代价，去换取 TPS 的显著提升。毕竟，从 2ms 到 10ms 的延时增加通常是可以忍受的。

事实上，Kafka Producer 就是采取了这样的设计思想。每当 producer 发布一个立即就发送到 producer聚集一堆发布后批量发送，如下图所示：

我们可以在客户端做一些配置，来实现producer的高吞吐量，涉及到的一些重要配置如下：

批次大小，它和等待时间只要有一个满足就会发送，默认16K，可以修改为32K~512K。
等待时间，它和批次大小只要有一个满足就会发送，建议设置为5~100ms（根据你的场景来修改）。
压缩算法，使用压缩算法网络传递效率高，但也会相应耗费CPU，建议设置为LZ4或zstd。
缓冲区大小，默认1G，基本无需修改，最大可改为2GB。

下面的示例展示了基于Confluent.Kafka客户端组件如何对上面的配置项进行设置（均需要在Publish操作之前设置好），请注意查看带有注释的区域：

public async Task PublishAsync<T>(string topicName, T message) where T : class
{
    var config = new ProducerConfig 
    { 
        BootstrapServers = KAFKA_SERVERS,
        QueueBufferingMaxKbytes = 2097151, // 修改缓冲区最大为2GB，默认为1GB
        CompressionType = CompressionType.Lz4, // 配置使用压缩算法LZ4，其他：gzip/snappy/zstd
        BatchSize = 32768, // 修改批次大小为32K
        LingerMs = 20 // 修改等待时间为20ms
    };
    
    using (var producer = new ProducerBuilder<string, string>(config).Build())
    {
        producer.Produce(topicName, new Message<string, string>
        {
            Key = Guid.NewGuid().ToString(),
            Value = JsonConvert.SerializeObject(message)
        }); ;
    }
}

2 高可靠性消息的实践

在MQ中，一般存在两种情况的消息丢失：

producer端消息丢失
consuer端消息丢失

对于producer端消息丢失，一般会采用带回调函数的produce方法，且设置acks=all和设计一个较大的retry次数来避免消息丢失。

对于consumer端消息丢失，一般会采用关闭自动提交位移来避免消息丢失。

此外，要避免消息丢失，broker端也需要进行一些优化配置。

下面，我们就一起来看看。

Producer端

基于Confluent.Kafka的示例配置设置示例：重点关注注释部分

public async Task PublishAsync<T>(string topicName, T message) where T : class
{
    var config = new ProducerConfig 
    { 
        BootstrapServers = KAFKA_SERVERS,
        Acks = Acks.All, // 表明只有所有副本Broker都收到消息才算提交成功
        MessageSendMaxRetries = 50, // 消息发送失败最大重试50次
        ......
    };
    

    using (var producer = new ProducerBuilder<string, string>(config).Build())
    {
        var numProduced = 0;
        var key = Guid.NewGuid().ToString();
        var value = JsonConvert.SerializeObject(message);
        // 使用带回调函数的Produce方法
        producer.Produce(topicName, new Message<string, string> { Key = key, Value = value },
            (deliveryReport) =>
            {
                if (deliveryReport.Error.Code != ErrorCode.NoError)
                {
                    // 发送失败
                    Console.WriteLine($"[Error] Failed to deliver message: {deliveryReport.Error.Reason}");
                }
                else
                {
                    // 发送成功
                    Console.WriteLine($"[Info] Produced event to topic {topicName}: key = {key} value = {value}");
                    numProduced += 1;
                }
            });

        // 等待所有回调函数执行完成，参数是超时时间，也就是最大的等待时间
        var queueSize = producer.Flush(TimeSpan.FromSeconds(5));
        if (queueSize > 0)
          Console.WriteLine($"[Warn] Producer event queue has {queueSize} pending events on exit.");

        Console.WriteLine($"[Info] {numProduced} messages were produced to topic {topicName}");
    }

    await Task.CompletedTask;
}

Consumer端

基于Confluent.Kafka的示例配置设置示例：重点关注注释部分

public async Task SubscribeAsync<T>(IEnumerable<string> topics, Action<T> messageFunc, CancellationToken cancellationToken = default) where T : class
{
    var config = new ConsumerConfig
    {
        BootstrapServers = KAFKA_SERVERS,
        .....
        EnableAutoCommit = false, // 禁止AutoCommit
        Acks = Acks.All, // 需要所有副本响应才算消费完成
        ......
    };
    
    using (var consumer = new ConsumerBuilder<Ignore, string>(config).Build())
    {
        consumer.Subscribe(topics);
        try
        {
            while (true)
            {
                try
                {
                    var cr = consumer.Consume(cancellationToken);
                    var message = JsonConvert.DeserializeObject<T>(cr.Message.Value);
                    if (message != null)
                        messageFunc(message);
                    consumer.Commit(cr); // 手动提交位移，会产生阻塞，影响吞吐量
                    Console.WriteLine($"[Info] Consumed record successfully! Received message: {message}");
                }
                catch (ConsumeException e)
                {
                    Console.WriteLine($"[Error] Error occured in consuming: {e.Error.Reason}");
                }
            }
        }
        catch (OperationCanceledException)
        {
            // Ctrl+C Pressed
            Console.WriteLine("[Info] Ctr+C pressed, now closing consumer.");
            consumer.Close();
        }
    }
         
    await Task.CompletedTask;
}

Broker端

对于Broker端，可以修改以下三个配置以适应高可靠性的要求：

unclean.leader.election.enable = false
replication.factor >= 3
min.insync.replicas > 1
确保 replication.factor > min.insync.replicas

（1）设置 unclean.leader.election.enable = false

这是 Broker 端的参数，它控制的是哪些 Broker 有资格竞选分区的 Leader。如果一个 Broker 落后原先的 Leader 太多，那么它一旦成为新的 Leader，必然会造成消息的丢失。故一般都要将该参数设置成 false，即不允许这种情况的发生。

从Kafka 0.11版本开始，这个选项的默认值就变成了false。

（2）设置 replication.factor >= 3

这也是 Broker 端的参数（Topic参数）。其实这里想表述的是，最好将消息多保存几份，毕竟目前防止消息丢失的主要机制就是冗余。

（3）设置 min.insync.replicas > 1

这依然是 Broker 端参数（Topic参数），控制的是消息至少要被写入到多少个副本才算是“已提交”。设置成大于 1 可以提升消息持久性。在实际环境中千万不要使用默认值 1。

（4）确保 replication.factor > min.insync.replicas

如果两者相等，那么只要有一个副本挂机，整个分区就无法正常工作了。我们不仅要改善消息的持久性，防止数据丢失，还要在不降低可用性的基础上完成。推荐设置成 replication.factor = min.insync.replicas + 1。

示例：设置replication.factor=3, min.insync.replicas=2

kafka-topics.sh --create --zookeeper zk-server-master:2181/kafka --replication-factor 3 --partitions 3 --topic testtopic--config min.insync.replicas=2

上述配置其实就是实现一个类似MongoDB副本集的WriteConcern=Major的效果。