導讀kafka是一個分布式，分區(qū)的，多副本的，多訂閱者的消息發(fā)布訂閱系統(tǒng)(分布式MQ系統(tǒng))，可以用于搜索日志，監(jiān)控日志，訪問日志等。kafka是一個分布式，分區(qū)的，多副本的，多訂閱者的消息發(fā)布訂閱系統(tǒng)(分布式MQ系統(tǒng))，可以用于搜索日志，監(jiān)控日志，訪問日志等。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，然后實例化KafkaConsumer類即可拿到Topic中的數(shù)據(jù)。一個簡單的Kafka消費實例代碼如下所示：

public class JConsumerSubscribe extends Thread {  
    public static void main(String[] args) {        JConsumerSubscribe jconsumer = new JConsumerSubscribe();        jconsumer.start();    }    /** 初始化Kafka集群信息. */    private Properties configure() {        Properties props = new Properties();        props.put("bootstrap.servers", "dn1:9092,dn2:9092,dn3:9092");// 指定Kafka集群地址  
        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  
        // 反序列化消息主鍵        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(xiàn)一個單線程消費者. */    @Override    public void run() {        // 創(chuàng)建一個消費者實例對象        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) {  
            // 獲取主題消息數(shù)據(jù)            ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(100));  
            for (ConsumerRecord<String, String> record : records)  
                // 循環(huán)打印消息記錄                System.out.printf("offset = %d, key = %s, value = %s%n", record.offset(), record.key(), record.value());  
        }        // 出現(xiàn)異常關(guān)閉消費者對象        consumer.close();  
    }}  

 上述代碼我們就可以非常便捷地拿到Topic中的數(shù)據(jù)。但是，當我們調(diào)用poll方法拉取數(shù)據(jù)的時候，Kafka Broker Server做了那些事情。接下來，我們可以去看看源代碼的實現(xiàn)細節(jié)。核心代碼如下：

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();        }    }  

 上述代碼中有個方法pollForFetches，它的實現(xiàn)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();  
    }  

 上述代碼中加粗的位置，我們可以看出每次消費者客戶端拉取數(shù)據(jù)時，通過poll方法，先調(diào)用fetcher中的fetchedRecords函數(shù)，如果獲取不到數(shù)據(jù)，就會發(fā)起一個新的sendFetches請求。而在消費數(shù)據(jù)的時候，每個批次從Kafka Broker Server中拉取數(shù)據(jù)是有最大數(shù)據(jù)量限制，默認是500條，由屬性(max.poll.records)控制，可以在客戶端中設置該屬性值來調(diào)整我們消費時每次拉取數(shù)據(jù)的量。

提示：這里需要注意的是，max.poll.records返回的是一個poll請求的數(shù)據(jù)總和，與多少個分區(qū)無關(guān)。因此，每次消費從所有分區(qū)中拉取Topic的數(shù)據(jù)的總條數(shù)不會超過max.poll.records所設置的值。

而在Fetcher的類中，在sendFetches方法中有限制拉取數(shù)據(jù)容量的限制，由屬性(max.partition.fetch.bytes)，默認1MB?？赡軙羞@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，每次默認500條，那么我們需要執(zhí)行20次才能將這一次通過網(wǎng)絡發(fā)起的請求全部Fetch完畢。

這里，可能有同學有疑問，我們不能將默認的max.poll.records屬性值調(diào)到10000嗎?可以調(diào)，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))，這里需要根據(jù)你的實際每條數(shù)據(jù)的容量大小來確定設置超時時間，如果你將最大值調(diào)到10000，當你每條記錄的容量很大時，超時時間還是100ms，那么可能拉取的數(shù)據(jù)少于10000條。

而這里，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默認是10s，group.min.session.timeout.ms默認是6s，group.max.session.timeout.ms默認是30min。當你在處理消費的業(yè)務邏輯的時候，如果在10s內(nèi)沒有處理完，那么消費者客戶端就會與Kafka Broker Server斷開，消費掉的數(shù)據(jù)，產(chǎn)生的offset就沒法提交給Kafka，因為Kafka Broker Server此時認為該消費者程序已經(jīng)斷開，而即使你設置了自動提交屬性，或者設置auto.offset.reset屬性，你消費的時候還是會出現(xiàn)重復消費的情況，這就是因為session.timeout.ms超時的原因?qū)е碌摹?/p>

2、心跳機制

上面在末尾的時候，說到會話超時的情況導致消息重復消費，為什么會有超時?有同學會有這樣的疑問，我的消費者線程明明是啟動的，也沒有退出，為啥消費不到Kafka的消息呢?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是通過心跳機制來控制超時，心跳機制對于消費者客戶端來說是無感的，它是一個異步線程，當我們啟動一個消費者實例時，心跳線程就開始工作了。

在org.apache.kafka.clients.consumer.internals.AbstractCoordinator中會啟動一個HeartbeatThread線程來定時發(fā)送心跳和檢測消費者的狀態(tài)。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線程來維護心跳，心跳信息存放在org.apache.kafka.clients.consumer.internals.Heartbeat中，聲明的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;  

 心跳線程中的run方法實現(xiàn)代碼如下： 

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");  
            }  
        }  

 在心跳線程中這里面包含兩個最重要的超時函數(shù)，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(xié)調(diào)器處理斷開，此時，會將消費者移除，重新分配分區(qū)和消費者的對應關(guān)系。在Kafka Broker Server中，Consumer Group定義了5種(如果算上Unknown，應該是6種狀態(tài))狀態(tài)，org.apache.kafka.common.ConsumerGroupState，如下圖所示：

2.2、pollTimeoutExpired

如果觸發(fā)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(fā)RebalanceGroup。而KafkaConsumer Client是不會幫我們重復poll的，需要我們自己在實現(xiàn)的消費邏輯中不停地調(diào)用poll方法。

3.分區(qū)與消費線程

關(guān)于消費分區(qū)與消費線程的對應關(guān)系，理論上消費線程數(shù)應該小于等于分區(qū)數(shù)。之前是有這樣一種觀點，一個消費線程對應一個分區(qū)，當消費線程等于分區(qū)數(shù)是最大化線程的利用率。直接使用KafkaConsumer Client實例，這樣使用確實沒有什么問題。但是，如果我們有富裕的CPU，其實還可以使用大于分區(qū)數(shù)的線程，來提升消費能力，這就需要我們對KafkaConsumer Client實例進行改造，實現(xiàn)消費策略預計算，利用額外的CPU開啟更多的線程，來實現(xiàn)消費任務分片。Linux就該這么學