盘点Kafka一些非比寻常的坑

前言

我的上家公司是做餐饮系统的，每天中午和晚上用餐高峰期，系统的并发量不容小觑。为了保险起见，公司规定各部门都要在吃饭的时间轮流值班，防止出现线上问题时能够及时处理。

我当时在后厨显示系统团队，该系统属于订单的下游业务。

用户点完菜下单后，订单系统会通过发 Kafka 消息给我们系统；

系统读取消息后，做业务逻辑处理，持久化订单和菜品数据，然后展示到划菜客户端；

这样厨师就知道哪个订单要做哪些菜，有些菜做好了，就可以通过该系统出菜；

系统自动通知服务员上菜；

如果服务员上完菜，修改菜品上菜状态，用户就知道哪些菜已经上了，哪些还没有上。

这个系统可以大大提高后厨到用户的效率。

事实证明，这一切的关键是消息中间件：Kafka。如果它有问题，将会直接影响到后厨显示系统的功能。

接下来，我跟大家一起聊聊使用 Kafka 两年时间踩过哪些坑？

1. 顺序问题

1.1 为什么要保证消息的顺序？

刚开始我们系统的商户很少，为了快速实现功能，我们没想太多。既然是走消息中间件 Kafka 通信，订单系统发消息时将订单详细数据放在消息体，我们后厨显示系统只要订阅 topic，就能获取相关消息数据，然后处理自己的业务即可。

不过这套方案有个关键因素：要保证消息的顺序。

为什么呢？

订单有很多状态，比如下单、支付、完成、撤销等。不可能下单的消息都没读取到，就先读取支付或撤销的消息吧。如果真的这样，数据不是会产生错乱？

好吧，看来保证消息顺序是有必要的。

1.2 如何保证消息顺序？

我们都知道 Kafka 的 topic 是无序的，但是一个 topic 包含多个 partition，每个 partition 内部是有序的。

如此一来，思路就变得清晰了：只要保证生产者写消息时，按照一定的规则写到同一个 partition。不同的消费者读不同的 partition 的消息，就能保证生产和消费者消息的顺序。

我们刚开始就是这么做的，同一个商户编号的消息写到同一个 partition。topic 中创建了 4 个 partition，然后部署了 4 个消费者节点，构成消费者组。一个 partition 对应一个消费者节点。

从理论上说，这套方案是能够保证消息顺序的。

一切规划得看似“天衣无缝”，我们就这样”顺利“上线了。

1.3 出现意外

该功能上线了一段时间，刚开始还是比较正常的。

但是，好景不长，很快就收到用户投诉，说在划菜客户端有些订单和菜品一直看不到，无法划菜。

我定位到了原因，公司在那段时间网络经常不稳定，业务接口时不时报超时，业务请求时不时会连不上数据库。

这种情况对顺序消息的打击，可以说是毁灭性的。

为什么这么说？

假设订单系统发了“下单”、“支付”、“完成” 三条消息。

而”下单“消息由于网络原因我们系统处理失败了，而后面的两条消息的数据是无法入库的。因为只有”下单“消息的数据才是完整的数据，其他类型的消息只会更新状态。

加上我们当时没有做失败重试机制，使得这个问题被放大了。问题变成：一旦“下单”消息的数据入库失败，用户就永远看不到这个订单和菜品了。

那么这个紧急的问题要如何解决呢？

1.4 解决过程

最开始我们的想法是：在消费者处理消息时，如果处理失败了，立马重试 3-5 次。

但如果有些请求要第 6 次才能成功怎么办？

不可能一直重试呀，这种同步重试机制，会阻塞其他商户订单消息的读取。

显然，用上面的这种同步重试机制在出现异常的情况，会严重影响消息消费者的消费速度，降低它的吞吐量。

如此看来，我们不得不用异步重试机制了。

如果用异步重试机制，处理失败的消息就得保存到重试表下来。

但有个新问题立马出现：只存一条消息如何保证顺序？

存一条消息的确无法保证顺序，假如“下单”消息失败了，还没来得及异步重试。此时，“支付”消息被消费了，它肯定是不能被正常消费的。

此时，“支付”消息该一直等着，每隔一段时间判断一次，它前面的消息都有没有被消费？

如果真的这么做，会出现两个问题：

“支付”消息前面只有“下单”消息，这种情况比较简单。但如果某种类型的消息，前面有 N 多种消息，需要判断多少次呀？这种判断跟订单系统的耦合性太强了，相当于要把他们系统的逻辑搬一部分到我们系统；

影响消费者的消费速度。

这时有种更简单的方案浮出水面：消费者在处理消息时，先判断该订单号在重试表有没有数据，如果有则直接把当前消息保存到重试表；如果没有，则进行业务处理，如果出现异常，把该消息保存到重试表。

后来我们用 elastic-job 建立了失败重试机制，如果重试了 7 次后还是失败，则将该消息的状态标记为失败，发邮件通知开发人员。

终于由于网络不稳定，导致用户在划菜客户端有些订单和菜品一直看不到的问题被解决了。现在商户顶多偶尔延迟看到菜品，比一直看不菜品好太多。

2. 消息积压

随着销售团队的市场推广，我们系统的商户越来越多。随之而来的是消息的数量越来越大，导致消费者处理不过来，经常出现消息积压的情况。

对商户的影响非常直观，划菜客户端上的订单和菜品可能半个小时后才能看到。一两分钟还能忍，半个消息的延迟，对有些暴脾气的商户哪里忍得了，马上投诉过来了。我们那段时间经常接到商户投诉说订单和菜品有延迟。

虽说加服务器节点就能解决问题，但是按照公司为了省钱的惯例，要先做系统优化，所以我们开始了消息积压问题解决之旅。

2.1 消息体过大

虽说 Kafka 号称支持百万级的 TPS，但从 producer 发送消息到 broker 需要一次网络 IO，broker 写数据到磁盘需要一次磁盘 IO（写操作），consumer 从 broker 获取消息先经过一次磁盘 IO（读操作），再经过一次网络 IO。

一次简单的消息从生产到消费过程，需要经过两次网络 IO 和两次磁盘 IO。如果消息体过大，势必会增加 IO 的耗时，进而影响 Kafka 生产和消费的速度。消费者速度太慢的结果，就会出现消息积压情况。

除了上面的问题之外，消息体过大还会浪费服务器的磁盘空间。稍不注意，可能会出现磁盘空间不足的情况。

此时，我们已经到了需要优化消息体过大问题的时候。

如何优化呢？

我们重新梳理了一下业务，没有必要知道订单的中间状态，只需知道一个最终状态就可以了。

如此甚好，我们就可以这样设计了：

订单系统发送的消息体只用包含 id 和状态等关键信息；

后厨显示系统消费消息后，通过 id 调用订单系统的订单详情查询接口获取数据；

后厨显示系统判断数据库中是否有该订单的数据，如果没有则入库，有则更新。

果然这样调整之后，消息积压问题很长一段时间都没再出现。

2.2 路由规则不合理

还真别高兴的太早，有天中午又有商户投诉说订单和菜品有延迟。我们一查 Kafka 的 topic 竟然又出现了消息积压。

但这次有点诡异，不是所有 partition 上的消息都有积压，而是只有一个。

刚开始，我以为是消费那个 partition 消息的节点出了什么问题导致的。但是经过排查，没有发现任何异常。

这就奇怪了，到底哪里有问题呢？

后来，我查日志和数据库发现：有几个商户的订单量特别大，刚好这几个商户被分到同一个 partition，使得该 partition 的消息量比其他 partition 要多很多。

这时我们才意识到，发消息时按商户编号路由 partition 的规则不合理。可能会导致有些 partition 消息太多消费者处理不过来，而有些 partition 却因为消息太少，消费者出现空闲的情况。

为了避免出现这种分配不均匀的情况，我们需要对发消息的路由规则做一下调整。

我们思考了一下，用订单号做路由相对更均匀，不会出现单个订单发消息次数特别多的情况。除非是遇到某个人一直加菜的情况，但是加菜是需要花钱的，所以其实同一个订单的消息数量并不多。

调整后按订单号路由到不同的 partition，同一个订单号的消息，每次到发到同一个 partition。

调整后，消息积压的问题又有很长一段时间都没有再出现。我们的商户数量在这段时间，增长的非常快，越来越多了。

2.3 批量操作引起的连锁反应

在高并发的场景中，消息积压问题可以说如影随形，真的没办法从根本上解决。表面上看已经解决了，但后面不知道什么时候就会冒出一次。

比如这次。

有天下午，产品过来说：“有几个商户投诉过来了，他们说菜品有延迟，快查一下原因”。

这次问题出现得有点奇怪。

为什么这么说？

首先这个时间点就有点奇怪，平常出问题，不都是中午或者晚上用餐高峰期吗？怎么这次问题出现在下午？

根据以往积累的经验，我直接看了 Kafka 的 topic 的数据，果然上面消息有积压。但这次每个 partition 都积压了十几万的消息没有消费，比以往加压的消息数量增加了几百倍。这次消息积压得极不寻常。

我赶紧查服务监控看看消费者挂了没，还好没挂。又查服务日志没有发现异常。这时我有点迷茫，碰运气问了问订单组下午发生了什么事情没？他们说下午有个促销活动，跑了一个 Job 批量更新过有些商户的订单信息。

这时，我一下子如梦初醒：是他们在 Job 中批量发消息导致的问题。怎么没有通知我们呢？实在太坑了。

虽说知道问题的原因了，倒是眼前积压的这十几万的消息该如何处理呢？

此时，如果直接调大 partition 数量是不行的，历史消息已经存储到4个固定的 partition，只有新增的消息才会到新的 partition。我们重点需要处理的是已有的 partition。

直接加服务节点也不行，因为 Kafka 允许同组的多个 partition 被一个 consumer 消费，但不允许一个 partition 被同组的多个 consumer 消费，可能会造成资源浪费。

看来只有用多线程处理了。

为了紧急解决问题，我改成了用线程池处理消息，核心线程和最大线程数都配置成了 50。

调整之后，果然，消息积压数量不断减少。

但此时有个更严重的问题出现：我收到了报警邮件，有两个订单系统的节点宕机了。

不久，订单组的同事过来找我说，我们系统调用他们订单查询接口的并发量突增，超过了预计的好几倍，导致有 2 个服务节点挂了。他们把查询功能单独整成了一个服务，部署了 6 个节点，挂了 2 个节点。再不处理，另外 4 个节点也会挂。订单服务可以说是公司最核心的服务，它挂了公司损失会很大，情况万分紧急。

为了解决这个问题，只能先把线程数调小。

幸好，线程数是可以通过 ZooKeeper 动态调整的。我把核心线程数调成了 8 个，核心线程数改成了 10 个。

后面，运维把订单服务挂的 2 个节点重启后恢复正常了。以防万一，再多加了 2 个节点。为了确保订单服务不会出现问题，就保持目前的消费速度，后厨显示系统的消息积压问题，1 小时候后也恢复正常了。

后来，我们开了一次复盘会，得出的结论是：

订单系统的批量操作一定提前通知下游系统团队；

下游系统团队多线程调用订单查询接口一定要做压测；

这次给订单查询服务敲响了警钟。它作为公司的核心服务，应对高并发场景做的不够好，需要做优化；

对消息积压情况加监控。

顺便说一下，对于要求严格保证消息顺序的场景，可以将线程池改成多个队列，每个队列用单线程处理。

2.4 表过大

为了防止后面再次出现消息积压问题，消费者后面就一直用多线程处理消息。

但有天中午我们还是收到很多报警邮件，提醒我们 Kafka 的 topic 消息有积压。我们正在查原因，此时产品跑过来说：“又有商户投诉说菜品有延迟，赶紧看看”。

这次她看起来有些不耐烦，确实优化了很多次还是出现了同样的问题。

在外行看来：为什么同一个问题一直解决不了？

其实技术心里的苦他们是不知道的。

表面上问题的症状是一样的，都是出现了菜品延迟。他们知道的是因为消息积压导致的，但是他们不知道深层次的原因。导致消息积压的原因其实有很多种，这也许是使用消息中间件的通病吧。

我沉默不语，只能硬着头皮定位原因了。

后来我查日志发现消费者消费一条消息的耗时长达 2 秒。以前是 500 毫秒，现在怎么会变成 2 秒呢？

奇怪了，消费者的代码也没有做大的调整，为什么会出现这种情况呢？

查了一下线上菜品表，单表数据量竟然到了几千万，其他的划菜表也是一样，现在单表保存的数据太多了。

我们组梳理了一下业务，其实菜品在客户端只展示最近 3 天的即可。

这就好办了，我们服务端存着多余的数据，不如把表中多余的数据归档。于是 DBA 帮我们把数据做了归档，只保留最近 7 天的数据。

如此调整后，消息积压问题被解决了，又恢复了往日的平静。

3. 主键冲突

别高兴得太早了，还有其他的问题。比如报警邮件经常报出数据库异常：Duplicate entry ‘6’ for key ‘PRIMARY’，说主键冲突。

出现这种问题一般是由于有两个以上相同主键的 SQL，同时插入数据，第一个插入成功后，第二个插入的时候会报主键冲突。表的主键是唯一的，不允许重复。

我仔细检查了代码，发现代码逻辑会先根据主键从表中查询订单是否存在，如果存在则更新状态，不存在才插入数据，没得问题。

这种判断在并发量不大时，是有用的。但是如果在高并发的场景下，两个请求同一时刻都查到订单不存在，一个请求先插入数据，另一个请求再插入数据时就会出现主键冲突的异常。

解决这个问题最常规的做法是：加锁。

我刚开始也是这样想的，加数据库悲观锁肯定是不行的，太影响性能。加数据库乐观锁，基于版本号判断，一般用于更新操作，像这种插入操作基本上不会用。

剩下的只能用分布式锁了，我们系统在用 Redis，可以加基于 Redis 的分布式锁，锁定订单号。

但后面仔细思考了一下：

加分布式锁也可能会影响消费者的消息处理速度；

消费者依赖于 Redis，如果 Redis 出现网络超时，我们的服务就悲剧了。

所以，我也不打算用分布式锁。

而是选择使用 MySQL 的 INSERT INTO 。。.ON DUPLICATE KEY UPDATE 语法：

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

它会先尝试把数据插入表，如果主键冲突的话那么更新字段。

把以前的 insert 语句改造之后，就没再出现过主键冲突问题。

4. 数据库主从延迟

不久之后的某天，又收到商户投诉说下单后，在划菜客户端上看得到订单，但是看到的菜品不全，有时甚至订单和菜品数据都看不到。

这个问题跟以往的都不一样，根据以往的经验先看 Kafka 的 topic 中消息有没有积压，但这次并没有积压。

再查了服务日志，发现订单系统接口返回的数据有些为空，有些只返回了订单数据，没返回菜品数据。

这就非常奇怪了，我直接过去找订单组的同事。他们仔细排查服务，没有发现问题。这时我们不约而同的想到，会不会是数据库出问题了，一起去找 DBA。果然 DBA发现数据库的主库同步数据到从库，由于网络原因偶尔有延迟，有时延迟有 3 秒。

如果我们的业务流程从发消息到消费消息耗时小于 3 秒，调用订单详情查询接口时，可能会查不到数据，或者查到的不是最新的数据。

这个问题非常严重，会导致直接我们的数据错误。

为了解决这个问题，我们也加了重试机制。调用接口查询数据时，如果返回数据为空，或者只返回了订单没有菜品，则加入重试表。

调整后，商户投诉的问题被解决了。

5. 重复消费

Kafka消费消息时支持三种模式：

at most once 模式：最多一次。保证每一条消息 commit 成功之后，再进行消费处理。消息可能会丢失，但不会重复；

at least once 模式：至少一次。保证每一条消息处理成功之后，再进行 commit。消息不会丢失，但可能会重复；

exactly once 模式：精确传递一次。将 offset 作为唯一 id 与消息同时处理，并且保证处理的原子性。消息只会处理一次，不丢失也不会重复。但这种方式很难做到。

Kafka 默认的模式是 at least once，但这种模式可能会产生重复消费的问题。所以我们的业务逻辑必须做幂等设计。

而我们的业务场景保存数据时使用了 INSERT INTO 。。.ON DUPLICATE KEY UPDATE 语法，不存在时插入，存在时更新，是天然支持幂等性的。

6. 多环境消费问题

我们当时线上环境分为：pre（预发布环境）和 prod（生产环境），两个环境共用同一个数据库，并且共用同一个 Kafka 集群。

需要注意的是，在配置 Kafka 的 topic 的时候，要加前缀用于区分不同环境。pre环境的以 pre_ 开头，比如 pre_order。生产环境以 prod_开头，比如 prod_order，防止消息在不同环境中串了。

但有次运维在 pre 环境切换节点，配置 topic 的时候，错误地配成了 prod 的 topic。刚好那天我们有新功能上 pre 环境，结果悲剧了：prod 的有些消息被 pre 环境的 consumer 消费了。而由于消息体做了调整，导致 pre 环境的 consumer 处理消息一直失败。

其结果是生产环境丢了部分消息。不过还好，最后生产环境消费者通过重 置offset，重新读取了那一部分消息解决了问题，没有造成太大损失。

后记

除了上述问题之外，我还遇到过：

Kafka 的 consumer 使用自动确认机制，导致 CPU 使用率 100%；

Kafka 集群中的一个 broker 节点挂了，重启后又一直挂。

这两个问题说起来有些复杂，我就不一一列举了。非常感谢那两年使用消息中间件 Kafka 的经历，虽说遇到过挺多问题，踩了很多坑，走了很多弯路，但是实打实的让我积累了很多宝贵的经验，快速成长了。

其实 Kafka 是一个非常优秀的消息中间件，我所遇到的绝大多数问题都并非 Kafka 自身的问题（除了 CPU 使用率 100% 是它的一个 bug 导致的之外）。

编辑：jq