前言

我的上家公司是做餐飲系統(tǒng)的，每天中午和晚上用餐高峰期，系統(tǒng)的并發(fā)量不容小覷。為了保險起見，公司規(guī)定各部門都要在吃飯的時間輪流值班，防止出現(xiàn)線上問題時能夠及時處理。

我當(dāng)時在后廚顯示系統(tǒng)團(tuán)隊，該系統(tǒng)屬于訂單的下游業(yè)務(wù)。

用戶點(diǎn)完菜下單后，訂單系統(tǒng)會通過發(fā) Kafka 消息給我們系統(tǒng)；

系統(tǒng)讀取消息后，做業(yè)務(wù)邏輯處理，持久化訂單和菜品數(shù)據(jù)，然后展示到劃菜客戶端；

這樣廚師就知道哪個訂單要做哪些菜，有些菜做好了，就可以通過該系統(tǒng)出菜；

系統(tǒng)自動通知服務(wù)員上菜；

如果服務(wù)員上完菜，修改菜品上菜狀態(tài)，用戶就知道哪些菜已經(jīng)上了，哪些還沒有上。

這個系統(tǒng)可以大大提高后廚到用戶的效率。

事實(shí)證明，這一切的關(guān)鍵是消息中間件：Kafka。如果它有問題，將會直接影響到后廚顯示系統(tǒng)的功能。

接下來，我跟大家一起聊聊使用 Kafka 兩年時間踩過哪些坑？

1. 順序問題

1.1 為什么要保證消息的順序？

剛開始我們系統(tǒng)的商戶很少，為了快速實(shí)現(xiàn)功能，我們沒想太多。既然是走消息中間件 Kafka 通信，訂單系統(tǒng)發(fā)消息時將訂單詳細(xì)數(shù)據(jù)放在消息體，我們后廚顯示系統(tǒng)只要訂閱 topic，就能獲取相關(guān)消息數(shù)據(jù)，然后處理自己的業(yè)務(wù)即可。

不過這套方案有個關(guān)鍵因素：要保證消息的順序。

為什么呢？

訂單有很多狀態(tài)，比如下單、支付、完成、撤銷等。不可能下單的消息都沒讀取到，就先讀取支付或撤銷的消息吧。如果真的這樣，數(shù)據(jù)不是會產(chǎn)生錯亂？

好吧，看來保證消息順序是有必要的。

1.2 如何保證消息順序？

我們都知道 Kafka 的 topic 是無序的，但是一個 topic 包含多個 partition，每個 partition 內(nèi)部是有序的。

如此一來，思路就變得清晰了：只要保證生產(chǎn)者寫消息時，按照一定的規(guī)則寫到同一個 partition。不同的消費(fèi)者讀不同的 partition 的消息，就能保證生產(chǎn)和消費(fèi)者消息的順序。

我們剛開始就是這么做的，同一個商戶編號的消息寫到同一個 partition。topic 中創(chuàng)建了 4 個 partition，然后部署了 4 個消費(fèi)者節(jié)點(diǎn)，構(gòu)成消費(fèi)者組。一個 partition 對應(yīng)一個消費(fèi)者節(jié)點(diǎn)。

從理論上說，這套方案是能夠保證消息順序的。

一切規(guī)劃得看似“天衣無縫”，我們就這樣”順利“上線了。

1.3 出現(xiàn)意外

該功能上線了一段時間，剛開始還是比較正常的。

但是，好景不長，很快就收到用戶投訴，說在劃菜客戶端有些訂單和菜品一直看不到，無法劃菜。

我定位到了原因，公司在那段時間網(wǎng)絡(luò)經(jīng)常不穩(wěn)定，業(yè)務(wù)接口時不時報超時，業(yè)務(wù)請求時不時會連不上數(shù)據(jù)庫。

這種情況對順序消息的打擊，可以說是毀滅性的。

為什么這么說？

假設(shè)訂單系統(tǒng)發(fā)了“下單”、“支付”、“完成” 三條消息。

而”下單“消息由于網(wǎng)絡(luò)原因我們系統(tǒng)處理失敗了，而后面的兩條消息的數(shù)據(jù)是無法入庫的。因為只有”下單“消息的數(shù)據(jù)才是完整的數(shù)據(jù)，其他類型的消息只會更新狀態(tài)。

加上我們當(dāng)時沒有做失敗重試機(jī)制，使得這個問題被放大了。問題變成：一旦“下單”消息的數(shù)據(jù)入庫失敗，用戶就永遠(yuǎn)看不到這個訂單和菜品了。

那么這個緊急的問題要如何解決呢？

1.4 解決過程

最開始我們的想法是：在消費(fèi)者處理消息時，如果處理失敗了，立馬重試 3-5 次。

但如果有些請求要第 6 次才能成功怎么辦？

不可能一直重試呀，這種同步重試機(jī)制，會阻塞其他商戶訂單消息的讀取。

顯然，用上面的這種同步重試機(jī)制在出現(xiàn)異常的情況，會嚴(yán)重影響消息消費(fèi)者的消費(fèi)速度，降低它的吞吐量。

如此看來，我們不得不用異步重試機(jī)制了。

如果用異步重試機(jī)制，處理失敗的消息就得保存到重試表下來。

但有個新問題立馬出現(xiàn)：只存一條消息如何保證順序？

存一條消息的確無法保證順序，假如“下單”消息失敗了，還沒來得及異步重試。此時，“支付”消息被消費(fèi)了，它肯定是不能被正常消費(fèi)的。

此時，“支付”消息該一直等著，每隔一段時間判斷一次，它前面的消息都有沒有被消費(fèi)？

如果真的這么做，會出現(xiàn)兩個問題：

“支付”消息前面只有“下單”消息，這種情況比較簡單。但如果某種類型的消息，前面有 N 多種消息，需要判斷多少次呀？這種判斷跟訂單系統(tǒng)的耦合性太強(qiáng)了，相當(dāng)于要把他們系統(tǒng)的邏輯搬一部分到我們系統(tǒng)；

影響消費(fèi)者的消費(fèi)速度。

這時有種更簡單的方案浮出水面：消費(fèi)者在處理消息時，先判斷該訂單號在重試表有沒有數(shù)據(jù)，如果有則直接把當(dāng)前消息保存到重試表；如果沒有，則進(jìn)行業(yè)務(wù)處理，如果出現(xiàn)異常，把該消息保存到重試表。

后來我們用 elastic-job 建立了失敗重試機(jī)制，如果重試了 7 次后還是失敗，則將該消息的狀態(tài)標(biāo)記為失敗，發(fā)郵件通知開發(fā)人員。

終于由于網(wǎng)絡(luò)不穩(wěn)定，導(dǎo)致用戶在劃菜客戶端有些訂單和菜品一直看不到的問題被解決了。現(xiàn)在商戶頂多偶爾延遲看到菜品，比一直看不菜品好太多。

2. 消息積壓

隨著銷售團(tuán)隊的市場推廣，我們系統(tǒng)的商戶越來越多。隨之而來的是消息的數(shù)量越來越大，導(dǎo)致消費(fèi)者處理不過來，經(jīng)常出現(xiàn)消息積壓的情況。

對商戶的影響非常直觀，劃菜客戶端上的訂單和菜品可能半個小時后才能看到。一兩分鐘還能忍，半個消息的延遲，對有些暴脾氣的商戶哪里忍得了，馬上投訴過來了。我們那段時間經(jīng)常接到商戶投訴說訂單和菜品有延遲。

雖說加服務(wù)器節(jié)點(diǎn)就能解決問題，但是按照公司為了省錢的慣例，要先做系統(tǒng)優(yōu)化，所以我們開始了消息積壓問題解決之旅。

2.1 消息體過大

雖說 Kafka 號稱支持百萬級的 TPS，但從 producer 發(fā)送消息到 broker 需要一次網(wǎng)絡(luò) IO，broker 寫數(shù)據(jù)到磁盤需要一次磁盤 IO（寫操作），consumer 從 broker 獲取消息先經(jīng)過一次磁盤 IO（讀操作），再經(jīng)過一次網(wǎng)絡(luò) IO。

一次簡單的消息從生產(chǎn)到消費(fèi)過程，需要經(jīng)過兩次網(wǎng)絡(luò) IO 和兩次磁盤 IO。如果消息體過大，勢必會增加 IO 的耗時，進(jìn)而影響 Kafka 生產(chǎn)和消費(fèi)的速度。消費(fèi)者速度太慢的結(jié)果，就會出現(xiàn)消息積壓情況。

除了上面的問題之外，消息體過大還會浪費(fèi)服務(wù)器的磁盤空間。稍不注意，可能會出現(xiàn)磁盤空間不足的情況。

此時，我們已經(jīng)到了需要優(yōu)化消息體過大問題的時候。

如何優(yōu)化呢？

我們重新梳理了一下業(yè)務(wù)，沒有必要知道訂單的中間狀態(tài)，只需知道一個最終狀態(tài)就可以了。

如此甚好，我們就可以這樣設(shè)計了：

訂單系統(tǒng)發(fā)送的消息體只用包含 id 和狀態(tài)等關(guān)鍵信息；

后廚顯示系統(tǒng)消費(fèi)消息后，通過 id 調(diào)用訂單系統(tǒng)的訂單詳情查詢接口獲取數(shù)據(jù)；

后廚顯示系統(tǒng)判斷數(shù)據(jù)庫中是否有該訂單的數(shù)據(jù)，如果沒有則入庫，有則更新。

果然這樣調(diào)整之后，消息積壓問題很長一段時間都沒再出現(xiàn)。

2.2 路由規(guī)則不合理

還真別高興的太早，有天中午又有商戶投訴說訂單和菜品有延遲。我們一查 Kafka 的 topic 竟然又出現(xiàn)了消息積壓。

但這次有點(diǎn)詭異，不是所有 partition 上的消息都有積壓，而是只有一個。

剛開始，我以為是消費(fèi)那個 partition 消息的節(jié)點(diǎn)出了什么問題導(dǎo)致的。但是經(jīng)過排查，沒有發(fā)現(xiàn)任何異常。

這就奇怪了，到底哪里有問題呢？

后來，我查日志和數(shù)據(jù)庫發(fā)現(xiàn)：有幾個商戶的訂單量特別大，剛好這幾個商戶被分到同一個 partition，使得該 partition 的消息量比其他 partition 要多很多。

這時我們才意識到，發(fā)消息時按商戶編號路由 partition 的規(guī)則不合理?？赡軙?dǎo)致有些 partition 消息太多消費(fèi)者處理不過來，而有些 partition 卻因為消息太少，消費(fèi)者出現(xiàn)空閑的情況。

為了避免出現(xiàn)這種分配不均勻的情況，我們需要對發(fā)消息的路由規(guī)則做一下調(diào)整。

我們思考了一下，用訂單號做路由相對更均勻，不會出現(xiàn)單個訂單發(fā)消息次數(shù)特別多的情況。除非是遇到某個人一直加菜的情況，但是加菜是需要花錢的，所以其實(shí)同一個訂單的消息數(shù)量并不多。

調(diào)整后按訂單號路由到不同的 partition，同一個訂單號的消息，每次到發(fā)到同一個 partition。

調(diào)整后，消息積壓的問題又有很長一段時間都沒有再出現(xiàn)。我們的商戶數(shù)量在這段時間，增長的非常快，越來越多了。

2.3 批量操作引起的連鎖反應(yīng)

在高并發(fā)的場景中，消息積壓問題可以說如影隨形，真的沒辦法從根本上解決。表面上看已經(jīng)解決了，但后面不知道什么時候就會冒出一次。

比如這次。

有天下午，產(chǎn)品過來說：“有幾個商戶投訴過來了，他們說菜品有延遲，快查一下原因”。

這次問題出現(xiàn)得有點(diǎn)奇怪。

為什么這么說？

首先這個時間點(diǎn)就有點(diǎn)奇怪，平常出問題，不都是中午或者晚上用餐高峰期嗎？怎么這次問題出現(xiàn)在下午？

根據(jù)以往積累的經(jīng)驗，我直接看了 Kafka 的 topic 的數(shù)據(jù)，果然上面消息有積壓。但這次每個 partition 都積壓了十幾萬的消息沒有消費(fèi)，比以往加壓的消息數(shù)量增加了幾百倍。這次消息積壓得極不尋常。

我趕緊查服務(wù)監(jiān)控看看消費(fèi)者掛了沒，還好沒掛。又查服務(wù)日志沒有發(fā)現(xiàn)異常。這時我有點(diǎn)迷茫，碰運(yùn)氣問了問訂單組下午發(fā)生了什么事情沒？他們說下午有個促銷活動，跑了一個 Job 批量更新過有些商戶的訂單信息。

這時，我一下子如夢初醒：是他們在 Job 中批量發(fā)消息導(dǎo)致的問題。怎么沒有通知我們呢？實(shí)在太坑了。

雖說知道問題的原因了，倒是眼前積壓的這十幾萬的消息該如何處理呢？

此時，如果直接調(diào)大 partition 數(shù)量是不行的，歷史消息已經(jīng)存儲到4個固定的 partition，只有新增的消息才會到新的 partition。我們重點(diǎn)需要處理的是已有的 partition。

直接加服務(wù)節(jié)點(diǎn)也不行，因為 Kafka 允許同組的多個 partition 被一個 consumer 消費(fèi)，但不允許一個 partition 被同組的多個 consumer 消費(fèi)，可能會造成資源浪費(fèi)。

看來只有用多線程處理了。

為了緊急解決問題，我改成了用線程池處理消息，核心線程和最大線程數(shù)都配置成了 50。

調(diào)整之后，果然，消息積壓數(shù)量不斷減少。

但此時有個更嚴(yán)重的問題出現(xiàn)：我收到了報警郵件，有兩個訂單系統(tǒng)的節(jié)點(diǎn)宕機(jī)了。

不久，訂單組的同事過來找我說，我們系統(tǒng)調(diào)用他們訂單查詢接口的并發(fā)量突增，超過了預(yù)計的好幾倍，導(dǎo)致有 2 個服務(wù)節(jié)點(diǎn)掛了。他們把查詢功能單獨(dú)整成了一個服務(wù)，部署了 6 個節(jié)點(diǎn)，掛了 2 個節(jié)點(diǎn)。再不處理，另外 4 個節(jié)點(diǎn)也會掛。訂單服務(wù)可以說是公司最核心的服務(wù)，它掛了公司損失會很大，情況萬分緊急。

為了解決這個問題，只能先把線程數(shù)調(diào)小。

幸好，線程數(shù)是可以通過 ZooKeeper 動態(tài)調(diào)整的。我把核心線程數(shù)調(diào)成了 8 個，核心線程數(shù)改成了 10 個。

后面，運(yùn)維把訂單服務(wù)掛的 2 個節(jié)點(diǎn)重啟后恢復(fù)正常了。以防萬一，再多加了 2 個節(jié)點(diǎn)。為了確保訂單服務(wù)不會出現(xiàn)問題，就保持目前的消費(fèi)速度，后廚顯示系統(tǒng)的消息積壓問題，1 小時候后也恢復(fù)正常了。

后來，我們開了一次復(fù)盤會，得出的結(jié)論是：

訂單系統(tǒng)的批量操作一定提前通知下游系統(tǒng)團(tuán)隊；

下游系統(tǒng)團(tuán)隊多線程調(diào)用訂單查詢接口一定要做壓測；

這次給訂單查詢服務(wù)敲響了警鐘。它作為公司的核心服務(wù)，應(yīng)對高并發(fā)場景做的不夠好，需要做優(yōu)化；

對消息積壓情況加監(jiān)控。

順便說一下，對于要求嚴(yán)格保證消息順序的場景，可以將線程池改成多個隊列，每個隊列用單線程處理。

2.4 表過大

為了防止后面再次出現(xiàn)消息積壓問題，消費(fèi)者后面就一直用多線程處理消息。

但有天中午我們還是收到很多報警郵件，提醒我們 Kafka 的 topic 消息有積壓。我們正在查原因，此時產(chǎn)品跑過來說：“又有商戶投訴說菜品有延遲，趕緊看看”。

這次她看起來有些不耐煩，確實(shí)優(yōu)化了很多次還是出現(xiàn)了同樣的問題。

在外行看來：為什么同一個問題一直解決不了？

其實(shí)技術(shù)心里的苦他們是不知道的。

表面上問題的癥狀是一樣的，都是出現(xiàn)了菜品延遲。他們知道的是因為消息積壓導(dǎo)致的，但是他們不知道深層次的原因。導(dǎo)致消息積壓的原因其實(shí)有很多種，這也許是使用消息中間件的通病吧。

我沉默不語，只能硬著頭皮定位原因了。

后來我查日志發(fā)現(xiàn)消費(fèi)者消費(fèi)一條消息的耗時長達(dá) 2 秒。以前是 500 毫秒，現(xiàn)在怎么會變成 2 秒呢？

奇怪了，消費(fèi)者的代碼也沒有做大的調(diào)整，為什么會出現(xiàn)這種情況呢？

查了一下線上菜品表，單表數(shù)據(jù)量竟然到了幾千萬，其他的劃菜表也是一樣，現(xiàn)在單表保存的數(shù)據(jù)太多了。

我們組梳理了一下業(yè)務(wù)，其實(shí)菜品在客戶端只展示最近 3 天的即可。

這就好辦了，我們服務(wù)端存著多余的數(shù)據(jù)，不如把表中多余的數(shù)據(jù)歸檔。于是 DBA 幫我們把數(shù)據(jù)做了歸檔，只保留最近 7 天的數(shù)據(jù)。

如此調(diào)整后，消息積壓問題被解決了，又恢復(fù)了往日的平靜。

3. 主鍵沖突

別高興得太早了，還有其他的問題。比如報警郵件經(jīng)常報出數(shù)據(jù)庫異常：Duplicate entry ‘6’ for key ‘PRIMARY’，說主鍵沖突。

出現(xiàn)這種問題一般是由于有兩個以上相同主鍵的 SQL，同時插入數(shù)據(jù)，第一個插入成功后，第二個插入的時候會報主鍵沖突。表的主鍵是唯一的，不允許重復(fù)。

我仔細(xì)檢查了代碼，發(fā)現(xiàn)代碼邏輯會先根據(jù)主鍵從表中查詢訂單是否存在，如果存在則更新狀態(tài)，不存在才插入數(shù)據(jù)，沒得問題。

這種判斷在并發(fā)量不大時，是有用的。但是如果在高并發(fā)的場景下，兩個請求同一時刻都查到訂單不存在，一個請求先插入數(shù)據(jù)，另一個請求再插入數(shù)據(jù)時就會出現(xiàn)主鍵沖突的異常。

解決這個問題最常規(guī)的做法是：加鎖。

我剛開始也是這樣想的，加數(shù)據(jù)庫悲觀鎖肯定是不行的，太影響性能。加數(shù)據(jù)庫樂觀鎖，基于版本號判斷，一般用于更新操作，像這種插入操作基本上不會用。

剩下的只能用分布式鎖了，我們系統(tǒng)在用 Redis，可以加基于 Redis 的分布式鎖，鎖定訂單號。

但后面仔細(xì)思考了一下：

加分布式鎖也可能會影響消費(fèi)者的消息處理速度；

消費(fèi)者依賴于 Redis，如果 Redis 出現(xiàn)網(wǎng)絡(luò)超時，我們的服務(wù)就悲劇了。

所以，我也不打算用分布式鎖。

而是選擇使用 MySQL 的 INSERT INTO 。。.ON DUPLICATE KEY UPDATE 語法：

INSERTINTOtable （column_list）VALUES （value_list）ONDUPLICATEKEYUPDATEc1 = v1，c2 = v2，。。.;

它會先嘗試把數(shù)據(jù)插入表，如果主鍵沖突的話那么更新字段。

把以前的 insert 語句改造之后，就沒再出現(xiàn)過主鍵沖突問題。

4. 數(shù)據(jù)庫主從延遲

不久之后的某天，又收到商戶投訴說下單后，在劃菜客戶端上看得到訂單，但是看到的菜品不全，有時甚至訂單和菜品數(shù)據(jù)都看不到。

這個問題跟以往的都不一樣，根據(jù)以往的經(jīng)驗先看 Kafka 的 topic 中消息有沒有積壓，但這次并沒有積壓。

再查了服務(wù)日志，發(fā)現(xiàn)訂單系統(tǒng)接口返回的數(shù)據(jù)有些為空，有些只返回了訂單數(shù)據(jù)，沒返回菜品數(shù)據(jù)。

這就非常奇怪了，我直接過去找訂單組的同事。他們仔細(xì)排查服務(wù)，沒有發(fā)現(xiàn)問題。這時我們不約而同的想到，會不會是數(shù)據(jù)庫出問題了，一起去找 DBA。果然 DBA發(fā)現(xiàn)數(shù)據(jù)庫的主庫同步數(shù)據(jù)到從庫，由于網(wǎng)絡(luò)原因偶爾有延遲，有時延遲有 3 秒。

如果我們的業(yè)務(wù)流程從發(fā)消息到消費(fèi)消息耗時小于 3 秒，調(diào)用訂單詳情查詢接口時，可能會查不到數(shù)據(jù)，或者查到的不是最新的數(shù)據(jù)。

這個問題非常嚴(yán)重，會導(dǎo)致直接我們的數(shù)據(jù)錯誤。

為了解決這個問題，我們也加了重試機(jī)制。調(diào)用接口查詢數(shù)據(jù)時，如果返回數(shù)據(jù)為空，或者只返回了訂單沒有菜品，則加入重試表。

調(diào)整后，商戶投訴的問題被解決了。

5. 重復(fù)消費(fèi)

Kafka消費(fèi)消息時支持三種模式：

at most once 模式：最多一次。保證每一條消息 commit 成功之后，再進(jìn)行消費(fèi)處理。消息可能會丟失，但不會重復(fù)；

at least once 模式：至少一次。保證每一條消息處理成功之后，再進(jìn)行 commit。消息不會丟失，但可能會重復(fù)；

exactly once 模式：精確傳遞一次。將 offset 作為唯一 id 與消息同時處理，并且保證處理的原子性。消息只會處理一次，不丟失也不會重復(fù)。但這種方式很難做到。

Kafka 默認(rèn)的模式是 at least once，但這種模式可能會產(chǎn)生重復(fù)消費(fèi)的問題。所以我們的業(yè)務(wù)邏輯必須做冪等設(shè)計。

而我們的業(yè)務(wù)場景保存數(shù)據(jù)時使用了 INSERT INTO 。。.ON DUPLICATE KEY UPDATE 語法，不存在時插入，存在時更新，是天然支持冪等性的。

6. 多環(huán)境消費(fèi)問題

我們當(dāng)時線上環(huán)境分為：pre（預(yù)發(fā)布環(huán)境）和 prod（生產(chǎn)環(huán)境），兩個環(huán)境共用同一個數(shù)據(jù)庫，并且共用同一個 Kafka 集群。

需要注意的是，在配置 Kafka 的 topic 的時候，要加前綴用于區(qū)分不同環(huán)境。pre環(huán)境的以 pre_ 開頭，比如 pre_order。生產(chǎn)環(huán)境以 prod_開頭，比如 prod_order，防止消息在不同環(huán)境中串了。

但有次運(yùn)維在 pre 環(huán)境切換節(jié)點(diǎn)，配置 topic 的時候，錯誤地配成了 prod 的 topic。剛好那天我們有新功能上 pre 環(huán)境，結(jié)果悲劇了：prod 的有些消息被 pre 環(huán)境的 consumer 消費(fèi)了。而由于消息體做了調(diào)整，導(dǎo)致 pre 環(huán)境的 consumer 處理消息一直失敗。

其結(jié)果是生產(chǎn)環(huán)境丟了部分消息。不過還好，最后生產(chǎn)環(huán)境消費(fèi)者通過重 置offset，重新讀取了那一部分消息解決了問題，沒有造成太大損失。

后記

除了上述問題之外，我還遇到過：

Kafka 的 consumer 使用自動確認(rèn)機(jī)制，導(dǎo)致 CPU 使用率 100%；

Kafka 集群中的一個 broker 節(jié)點(diǎn)掛了，重啟后又一直掛。

這兩個問題說起來有些復(fù)雜，我就不一一列舉了。非常感謝那兩年使用消息中間件 Kafka 的經(jīng)歷，雖說遇到過挺多問題，踩了很多坑，走了很多彎路，但是實(shí)打?qū)嵉淖屛曳e累了很多寶貴的經(jīng)驗，快速成長了。

其實(shí) Kafka 是一個非常優(yōu)秀的消息中間件，我所遇到的絕大多數(shù)問題都并非 Kafka 自身的問題（除了 CPU 使用率 100% 是它的一個 bug 導(dǎo)致的之外）。

編輯：jq