導讀	kafka是一個分散式，分割槽的，多副本的，多訂閱者的訊息釋出訂閱系統（分散式MQ系統），可以用於搜尋日誌，監控日誌，訪問日誌等。kafka是一個分散式，分割槽的，多副本的，多訂閱者的訊息釋出訂閱系統（分散式MQ系統），可以用於搜尋日誌，監控日誌，訪問日誌等。今天小編來領大家一起來學習一下Kafka消費與心跳機制。

1、Kafka消費

首先，我們來看看消費。Kafka提供了非常簡單的消費API，使用者只需初始化Kafka的Broker Server地址，然後例項化KafkaConsumer類即可拿到Topic中的資料。一個簡單的Kafka消費例項程式碼如下所示：

public class JConsumerSubscribe extends Thread { 
    public static void main(String[] args) {        JConsumerSubscribe jconsumer = new JConsumerSubscribe();        jconsumer.start();    }    /** 初始化Kafka叢集資訊. */    private Properties configure() {        Properties props = new Properties();        props.put("bootstrap.servers", "dn1:9092,dn2:9092,dn3:9092");// 指定Kafka叢集地址 
        props.put("group.id", "ke");// 指定消費者組 
        props.put("enable.auto.commit", "true");// 開啟自動提交 
        props.put("auto.commit.interval.ms", "1000");// 自動提交的時間間隔 
        // 反序列化訊息主鍵        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); 
        // 反序列化消費記錄        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); 
        return props; 
    }    /** 實現一個單執行緒消費者. */    @Override    public void run() {        // 建立一個消費者例項物件        KafkaConsumer<String, String> consumer = new KafkaConsumer<>(configure());        // 訂閱消費主題集合        consumer.subscribe(Arrays.asList("test_kafka_topic")); 
        // 實時消費標識        boolean flag = true; 
        while (flag) { 
            // 獲取主題訊息資料            ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100)); 
            for (ConsumerRecord<String, String> record : records) 
                // 迴圈列印訊息記錄                System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value()); 
        }        // 出現異常關閉消費者物件        consumer.close(); 
    }}

上述程式碼我們就可以非常便捷的拿到Topic中的資料。但是，當我們呼叫poll方法拉取資料的時候，Kafka Broker Server做了那些事情。接下來，我們可以去看看原始碼的實現細節。核心程式碼如下：
org.apache.kafka.clients.consumer.KafkaConsumer

private ConsumerRecords<K, V> poll(final long timeoutMs, final boolean includeMetadataInTimeout) { 
        acquireAndEnsureOpen();        try { 
            if (timeoutMs < 0) throw new IllegalArgumentException("Timeout must not be negative"); 
            if (this.subscriptions.hasNoSubscriptionOrUserAssignment()) { 
                throw new IllegalStateException("Consumer is not subscribed to any topics or assigned any partitions"); 
            }            // poll for new data until the timeout expires 
            long elapsedTime = 0L; 
            do { 
                client.maybeTriggerWakeup();                final long metadataEnd;                if (includeMetadataInTimeout) { 
                    final long metadataStart = time.milliseconds();                    if (!updateAssignmentMetadataIfNeeded(remainingTimeAtLeastZero(timeoutMs, elapsedTime))) { 
                        return ConsumerRecords.empty(); 
                    }                    metadataEnd = time.milliseconds();                    elapsedTime += metadataEnd - metadataStart;                } else { 
                    while (!updateAssignmentMetadataIfNeeded(Long.MAX_VALUE)) { 
                        log.warn("Still waiting for metadata"); 
                    }                    metadataEnd = time.milliseconds();                }                final Map<TopicPartition, List<ConsumerRecord<K, V>>> records = pollForFetches(remainingTimeAtLeastZero(timeoutMs, elapsedTime));                if (!records.isEmpty()) { 
                    // before returning the fetched records, we can send off the next round of fetches 
                    // and avoid block waiting for their responses to enable pipelining while the user 
                    // is handling the fetched records. 
                    // 
                    // NOTE: since the consumed position has already been updated, we must not allow 
                    // wakeups or any other errors to be triggered prior to returning the fetched records. 
                    if (fetcher.sendFetches() > 0 || client.hasPendingRequests()) { 
                        client.pollNoWakeup();                    }                    return this.interceptors.onConsume(new ConsumerRecords<>(records)); 
                }                final long fetchEnd = time.milliseconds();                elapsedTime += fetchEnd - metadataEnd;            } while (elapsedTime < timeoutMs); 
            return ConsumerRecords.empty(); 
        } finally { 
            release();        }    }

上述程式碼中有個方法pollForFetches，它的實現邏輯如下：

private Map<TopicPartition, List<ConsumerRecord<K, V>>> pollForFetches(final long timeoutMs) { 
        final long startMs = time.milliseconds(); 
        long pollTimeout = Math.min(coordinator.timeToNextPoll(startMs), timeoutMs); 
        // if data is available already, return it immediately 
        final Map<TopicPartition, List<ConsumerRecord<K, V>>> records = fetcher.fetchedRecords(); 
        if (!records.isEmpty()) { 
            return records; 
        } 
        // send any new fetches (won't resend pending fetches) 
        fetcher.sendFetches(); 
        // We do not want to be stuck blocking in poll if we are missing some positions 
        // since the offset lookup may be backing off after a failure 
        // NOTE: the use of cachedSubscriptionHashAllFetchPositions means we MUST call 
        // updateAssignmentMetadataIfNeeded before this method. 
        if (!cachedSubscriptionHashAllFetchPositions && pollTimeout > retryBackoffMs) { 
            pollTimeout = retryBackoffMs; 
        } 
        client.poll(pollTimeout, startMs, () -> { 
            // since a fetch might be completed by the background thread, we need this poll condition 
            // to ensure that we do not block unnecessarily in poll() 
            return !fetcher.hasCompletedFetches(); 
        }); 
        // after the long poll, we should check whether the group needs to rebalance 
        // prior to returning data so that the group can stabilize faster 
        if (coordinator.rejoinNeededOrPending()) { 
            return Collections.emptyMap(); 
        } 
        return fetcher.fetchedRecords(); 
    }

上述程式碼中加粗的位置，我們可以看出每次消費者客戶端拉取資料時，透過poll方法，先呼叫fetcher中的fetchedRecords函式，如果獲取不到資料，就會發起一個新的sendFetches請求。而在消費資料的時候，每個批次從Kafka Broker Server中拉取資料是有最大資料量限制，預設是500條，由屬性(max.poll.records)控制，可以在客戶端中設定該屬性值來調整我們消費時每次拉取資料的量。

提示：這裡需要注意的是，max.poll.records返回的是一個poll請求的資料總和，與多少個分割槽無關。因此，每次消費從所有分割槽中拉取Topic的資料的總條數不會超過max.poll.records所設定的值。

而在Fetcher的類中，在sendFetches方法中有限制拉取資料容量的限制，由屬性(max.partition.fetch.bytes)，預設1MB。可能會有這樣一個場景，當滿足max.partition.fetch.bytes限制條件，如果需要Fetch出10000條記錄，每次預設500條，那麼我們需要執行20次才能將這一次透過網路發起的請求全部Fetch完畢。

這裡，可能有同學有疑問，我們不能將預設的max.poll.records屬性值調到10000嗎?可以調，但是還有個屬性需要一起配合才可以，這個就是每次poll的超時時間(Duration.ofMillis(100))，這裡需要根據你的實際每條資料的容量大小來確定設定超時時間，如果你將最大值調到10000，當你每條記錄的容量很大時，超時時間還是100ms，那麼可能拉取的資料少於10000條。

而這裡，還有另外一個需要注意的事情，就是會話超時的問題。session.timeout.ms預設是10s，group.min.session.timeout.ms預設是6s，group.max.session.timeout.ms預設是30min。當你在處理消費的業務邏輯的時候，如果在10s內沒有處理完，那麼消費者客戶端就會與Kafka Broker Server斷開，消費掉的資料，產生的offset就沒法提交給Kafka，因為Kafka Broker Server此時認為該消費者程式已經斷開，而即使你設定了自動提交屬性，或者設定auto.offset.reset屬性，你消費的時候還是會出現重複消費的情況，這就是因為session.timeout.ms超時的原因導致的。

2、心跳機制

上面在末尾的時候，說到會話超時的情況導致訊息重複消費，為什麼會有超時?有同學會有這樣的疑問，我的消費者執行緒明明是啟動的，也沒有退出，為啥消費不到Kafka的訊息呢?消費者組也查不到我的ConsumerGroupID呢?這就有可能是超時導致的，而Kafka是透過心跳機制來控制超時，心跳機制對於消費者客戶端來說是無感的，它是一個非同步執行緒，當我們啟動一個消費者例項時，心跳執行緒就開始工作了。

在org.apache.kafka.clients.consumer.internals.AbstractCoordinator中會啟動一個HeartbeatThread執行緒來定時傳送心跳和檢測消費者的狀態。每個消費者都有個org.apache.kafka.clients.consumer.internals.ConsumerCoordinator，而每個ConsumerCoordinator都會啟動一個HeartbeatThread執行緒來維護心跳，心跳資訊存放在org.apache.kafka.clients.consumer.internals.Heartbeat中，宣告的Schema如下所示：

private final int sessionTimeoutMs; 
    private final int heartbeatIntervalMs; 
    private final int maxPollIntervalMs; 
    private final long retryBackoffMs; 
    private volatile long lastHeartbeatSend;  
    private long lastHeartbeatReceive; 
    private long lastSessionReset; 
    private long lastPoll; 
    private boolean heartbeatFailed;

心跳執行緒中的run方法實現程式碼如下：

public void run() { 
            try { 
                log.debug("Heartbeat thread started"); 
                while (true) { 
                    synchronized (AbstractCoordinator.this) { 
                        if (closed) 
                            return; 
                        if (!enabled) { 
                            AbstractCoordinator.this.wait(); 
                            continue; 
                        }                        if (state != MemberState.STABLE) { 
                            // the group is not stable (perhaps because we left the group or because the coordinator 
                            // kicked us out), so disable heartbeats and wait for the main thread to rejoin. 
                            disable(); 
                            continue; 
                        } 
                        client.pollNoWakeup(); 
                        long now = time.milliseconds(); 
                        if (coordinatorUnknown()) { 
                            if (findCoordinatorFuture != null || lookupCoordinator().failed()) 
                                // the immediate future check ensures that we backoff properly in the case that no 
                                // brokers are available to connect to. 
                                AbstractCoordinator.this.wait(retryBackoffMs); 
                        } else if (heartbeat.sessionTimeoutExpired(now)) { 
                            // the session timeout has expired without seeing a successful heartbeat, so we should 
                            // probably make sure the coordinator is still healthy. 
                            markCoordinatorUnknown(); 
                        } else if (heartbeat.pollTimeoutExpired(now)) { 
                            // the poll timeout has expired, which means that the foreground thread has stalled 
                            // in between calls to poll(), so we explicitly leave the group. 
                            maybeLeaveGroup(); 
                        } else if (!heartbeat.shouldHeartbeat(now)) { 
                            // poll again after waiting for the retry backoff in case the heartbeat failed or the 
                            // coordinator disconnected 
                            AbstractCoordinator.this.wait(retryBackoffMs); 
                        } else { 
                            heartbeat.sentHeartbeat(now); 
                            sendHeartbeatRequest().addListener(new RequestFutureListener() { 
                                @Override 
                                public void onSuccess(Void value) { 
                                    synchronized (AbstractCoordinator.this) { 
                                        heartbeat.receiveHeartbeat(time.milliseconds()); 
                                    } 
                                } 
                                @Override 
                                public void onFailure(RuntimeException e) { 
                                    synchronized (AbstractCoordinator.this) { 
                                        if (e instanceof RebalanceInProgressException) { 
                                            // it is valid to continue heartbeating while the group is rebalancing. This 
                                            // ensures that the coordinator keeps the member in the group for as long 
                                            // as the duration of the rebalance timeout. If we stop sending heartbeats, 
                                            // however, then the session timeout may expire before we can rejoin. 
                                            heartbeat.receiveHeartbeat(time.milliseconds()); 
                                        } else { 
                                            heartbeat.failHeartbeat(); 
                                            // wake up the thread if it's sleeping to reschedule the heartbeat 
                                            AbstractCoordinator.this.notify(); 
                                        } 
                                    } 
                                } 
                            }); 
                        } 
                    } 
                } 
            } catch (AuthenticationException e) { 
                log.error("An authentication error occurred in the heartbeat thread", e); 
                this.failed.set(e); 
            } catch (GroupAuthorizationException e) { 
                log.error("A group authorization error occurred in the heartbeat thread", e); 
                this.failed.set(e); 
            } catch (InterruptedException | InterruptException e) { 
                Thread.interrupted(); 
                log.error("Unexpected interrupt received in heartbeat thread", e); 
                this.failed.set(new RuntimeException(e)); 
            } catch (Throwable e) { 
                log.error("Heartbeat thread failed due to unexpected error", e); 
                if (e instanceof RuntimeException) 
                    this.failed.set((RuntimeException) e); 
                else 
                    this.failed.set(new RuntimeException(e)); 
            } finally { 
                log.debug("Heartbeat thread has closed"); 
            } 
        }

在心跳執行緒中這裡麵包含兩個最重要的超時函式，它們是sessionTimeoutExpired和pollTimeoutExpired。

public boolean sessionTimeoutExpired(long now) { 
        return now - Math.max(lastSessionReset, lastHeartbeatReceive) > sessionTimeoutMs; 
}public boolean pollTimeoutExpired(long now) { 
        return now - lastPoll > maxPollIntervalMs; 
}

2.1、sessionTimeoutExpired

如果是sessionTimeout超時，則會被標記為當前協調器處理斷開，此時，會將消費者移除，重新分配分割槽和消費者的對應關係。在Kafka Broker Server中，Consumer Group定義了5中(如果算上Unknown，應該是6種狀態)狀態，org.apache.kafka.common.ConsumerGroupState，如下圖所示：

Kafka之消費與心跳Kafka之消費與心跳

2.2、pollTimeoutExpired

如果觸發了poll超時，此時消費者客戶端會退出ConsumerGroup，當再次poll的時候，會重新加入到ConsumerGroup，觸發RebalanceGroup。而KafkaConsumer Client是不會幫我們重複poll的，需要我們自己在實現的消費邏輯中不停的呼叫poll方法。

3.分割槽與消費執行緒

關於消費分割槽與消費執行緒的對應關係，理論上消費執行緒數應該小於等於分割槽數。之前是有這樣一種觀點，一個消費執行緒對應一個分割槽，當消費執行緒等於分割槽數是最大化執行緒的利用率。直接使用KafkaConsumer Client例項，這樣使用確實沒有什麼問題。但是，如果我們有富裕的CPU，其實還可以使用大於分割槽數的執行緒，來提升消費能力，這就需要我們對KafkaConsumer Client例項進行改造，實現消費策略預計算，利用額外的CPU開啟更多的執行緒，來實現消費任務分片。

原文來自：

Kafka之消費與心跳

相關文章