工作總結：kafka踩過的坑

餐飲系統每天中午和晚上用餐高峰期，系統的并發量不容小覷。公司規定各部門都要輪流值班，防止出現線上問題時能夠及時處理。

后廚顯示系統屬于訂單的下游業務。

1. 用戶點完菜下單后，訂單系統會通過發 Kafka 消息給系統；

2. 系統讀取消息后，做業務邏輯處理，持久化訂單和菜品數據，然后展示到劃菜客戶端；

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

4. 系統自動通知服務員上菜；

5. 如果服務員上完菜，修改菜品上菜狀態，用戶就知道哪些菜已經上了，哪些還沒有上。

系統可以大大提高后廚到用戶的效率。

?

這一切的關鍵是消息中間件：Kafka。如果它有問題，將會直接影響到后廚顯示系統的功能。

接下來，我跟大家一起聊聊使用 Kafka 踩過哪些坑？

1. 順序問題

1.1 為什么要保證消息的順序？

剛開始我們系統的商戶很少，為了快速實現功能，我們沒想太多。既然是走消息中間件 Kafka 通信，訂單系統發消息時將訂單詳細數據放在消息體，我們后廚顯示系統只要訂閱 topic，就能獲取相關消息數據，然后處理自己的業務即可。

不過這套方案有個關鍵因素：要保證消息的順序。

訂單有很多狀態，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。所以要保證消息的順序。

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 內部是有序的。

思路：只要保證生產者寫消息時，按照一定的規則寫到同一個 partition。不同的消費者讀不同的 partition 的消息，就能保證生產和消費者消息的順序。

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 中創建了 4 個 partition，然后部署了 4 個消費者節點，構成消費者組。一個 partition 對應一個消費者節點。

從理論上說，這套方案是能夠保證消息順序的。

就這樣上線了。

1.3 出現意外

該功能上線剛開始還是比較正常的。

但是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，那段時間網絡經常不穩定，業務接口時不時報超時，業務請求時不時會連不上數據庫。

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？

假設訂單系統發了“下單”、“支付”、“完成” 三條消息。

而”下單“消息由于網絡原因我們系統處理失敗了，而后面的兩條消息的數據是無法入庫的。因為只有”下單“消息的數據才是完整的數據，其他類型的消息只會更新狀態。

加上當時沒有做失敗重試機制，使得這個問題被放大了。

問題變成：一旦“下單”消息的數據入庫失敗，用戶就永遠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制在出現異常的情況，會嚴重影響消息消費者的消費速度，降低它的吞吐量。

如此看來，我們不得不用異步重試機制了。

如果用異步重試機制，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：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”消息被消費了，它肯定是不能被正常消費的。

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？

如果真的這么做，會出現兩個問題：

• “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的耦合性太強了，相當于要把他們系統的邏輯搬一部分到我們系統；
• 影響消費者的消費速度。

這時有種更簡單的方案浮出水面：消費者在處理消息時，先判斷該訂單號在重試表有沒有數據，

如果有則直接把當前消息保存到重試表；如果沒有，則進行業務處理，如果出現異常，把該消息保存到重試表。

后來我們用 elastic-job 建立了失敗重試機制，如果重試了 7 次后還是失敗，則將該消息的狀態標記為失敗，發郵件通知開發人員。

終于由于網絡不穩定，導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

隨著系統的商戶越來越多。隨之而來的是消息的數量越來越大，導致消費者處理不過來，經常出現消息積壓的情況。

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，哪里忍得了。我們那段時間經常接到商戶投訴說訂單和菜品有延遲。

雖說加服務器節點就能解決問題，但是按照公司為了省錢的慣例，要先做系統優化，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 發送消息到 broker 需要一次網絡 IO，broker 寫數據到磁盤需要一次磁盤 IO（寫操作），consumer 從 broker 獲取消息先經過一次磁盤 IO（讀操作），再經過一次網絡 IO。

一次簡單的消息從生產到消費過程，需要經過兩次網絡 IO 和兩次磁盤 IO。如果消息體過大，勢必會增加 IO 的耗時，進而影響 Kafka 生產和消費的速度。消費者速度太慢的結果，就會出現消息積壓情況。

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

此時，我們已經到了需要優化消息體過大問題的時候。

如何優化呢？

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

如此甚好，我們就可以這樣設計了：

• 訂單系統發送的消息體只用包含 id 和狀態等關鍵信息；
• 后廚顯示系統消費消息后，通過 id 調用訂單系統的訂單詳情查詢接口獲取數據；
• 后廚顯示系統判斷數據庫中是否有該訂單的數據，如果沒有則入庫，有則更新。

果然這樣調整之后，消息積壓問題很長一段時間都沒再出現。

2.2 路由規則不合理

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 竟然又出現了消息積壓。

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

剛開始，我以為是消費那個 partition 消息的節點出了什么問題導致的。但是經過排查，沒有發現任何異常。

這就奇怪了，到底哪里有問題呢？

后來，我查日志和數據庫發現：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，發消息時按商戶編號路由 partition 的規則不合理?？赡軙е掠行?partition 消息太多消費者處理不過來，而有些 partition 卻因為消息太少，消費者出現空閑的情況。

為了避免出現這種分配不均勻的情況，我們需要對發消息的路由規則做一下調整。

我們思考了一下，用訂單號做路由相對更均勻，不會出現單個訂單發消息次數特別多的情況。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，所以其實同一個訂單的消息數量并不多。

調整后按訂單號路由到不同的 partition，同一個訂單號的消息，每次到發到同一個 partition。

調整后，消息積壓的問題又有很長一段時間都沒有再出現。我們的商戶數量在這段時間，增長的非?？?，越來越多了。

2.3 批量操作引起的連鎖反應

在高并發的場景中，消息積壓問題可以說如影隨形，真的沒辦法從根本上解決。

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

這次問題出現得有點奇怪。

為什么這么說？

首先這個時間點就有點奇怪，這次問題出現在下午，不是中午或者晚上用餐高峰期。

根據以往積累的經驗，我直接看了 Kafka 的 topic 的數據，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，比以往加壓的消息數量增加了幾百倍。這次消息積壓得極不尋常。

我趕緊查服務監控看看消費者掛了沒，還好沒掛。又查服務日志沒有發現異常。這時我有點迷茫，碰運氣問了問訂單組下午發生了什么事情沒？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 中批量發消息導致的問題。沒有通知我們呢？實在太坑了。

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，如果直接調大 partition 數量是不行的，歷史消息已經存儲到4個固定的 partition，只有新增的消息才會到新的 partition。我們重點需要處理的是已有的 partition。

直接加服務節點也不行，因為 Kafka 允許同組的多個 partition 被一個 consumer 消費，但不允許一個 partition 被同組的多個 consumer 消費，可能會造成資源浪費。

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都配置成了 50。

調整之后，果然，消息積壓數量不斷減少。

但此時有個更嚴重的問題出現：我收到了報警郵件，有兩個訂單系統的節點宕機了。

不久，訂單組的同事過來找我說，我們系統調用他們訂單查詢接口的并發量突增，超過了預計的好幾倍，導致有 2 個服務節點掛了。他們把查詢功能單獨整成了一個服務，部署了 6 個節點，掛了 2 個節點。再不處理，另外 4 個節點也會掛。訂單服務可以說是公司最核心的服務，它掛了公司損失會很大，情況萬分緊急。

為了解決這個問題，只能先把線程數調小。

幸好，線程數是可以通過 ZooKeeper 動態調整的。我把核心線程數調成了 8 個，核心線程數改成了 10 個。

后面，運維把訂單服務掛的 2 個節點重啟后恢復正常了。以防萬一，再多加了 2 個節點。為了確保訂單服務不會出現問題，就保持目前的消費速度，后廚顯示系統的消息積壓問題，1 小時候后也恢復正常了。

后來，我們開了一次復盤會，得出的結論是：

• 訂單系統的批量操作一定提前通知下游系統團隊；
• 下游系統團隊多線程調用訂單查詢接口一定要做壓測；
• 這次給訂單查詢服務敲響了警鐘。它作為公司的核心服務，應對高并發場景做的不夠好，需要做優化；
• 對消息積壓情況加監控。

順便說一下，對于要求嚴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消息積壓問題，消費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，確實優化了很多次還是出現了同樣的問題。

在外行看來：為什么同一個問題一直解決不了？

導致消息積壓的原因其實有很多種，這也許是使用消息中間件的通病吧。

查日志發現消費者消費一條消息的耗時長達 2 秒。以前是 500 毫秒，現在怎么會變成 2 秒呢？

消費者的代碼也沒有做大的調整，為什么會出現這種情況呢？

查了一下線上菜品表，單表數據量竟然到了幾千萬，其他的劃菜表也是一樣，現在單表保存的數據太多了。

我們組梳理了一下業務，其實菜品在客戶端只展示最近 3 天的即可。

這就好辦了，我們服務端存著多余的數據，不如把表中多余的數據歸檔。于是 DBA 幫我們把數據做了歸檔，只保留最近 7 天的數據。

如此調整后，消息積壓問題被解決了，又恢復了往日的平靜。

3. 主鍵沖突

其他的問題。比如報警郵件經常報出數據庫異常：Duplicate entry '6' for key 'PRIMARY'，說主鍵沖突。

出現這種問題一般是由于有兩個以上相同主鍵的 SQL，同時插入數據，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。

我仔細檢查了代碼，發現代碼邏輯會先根據主鍵從表中查詢訂單是否存在，如果存在則更新狀態，不存在才插入數據，沒得問題。

這種判斷在并發量不大時，是有用的。

但是如果在高并發的場景下，兩個請求同一時刻都查到訂單不存在，一個請求先插入數據，另一個請求再插入數據時就會出現主鍵沖突的異常。

解決這個問題最常規的做法是：加鎖。

我剛開始也是這樣想的，加數據庫悲觀鎖肯定是不行的，太影響性能。加數據庫樂觀鎖，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，我們系統在用 Redis，可以加基于 Redis 的分布式鎖，鎖定訂單號。

但后面仔細思考了一下：

• 加分布式鎖也可能會影響消費者的消息處理速度；
• 消費者依賴于 Redis，如果 Redis 出現網絡超時，我們的服務就悲劇了。

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)

它會先嘗試把數據插入表，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，就沒再出現過主鍵沖突問題。

4. 數據庫主從延遲

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據都看不到。

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

再查了服務日志，發現訂單系統接口返回的數據有些為空，有些只返回了訂單數據，沒返回菜品數據。

這就非常奇怪了，我直接過去找訂單組的同事。他們仔細排查服務，沒有發現問題。這時我們不約而同的想到，會不會是數據庫出問題了，一起去找 DBA。果然 DBA發現數據庫的主庫同步數據到從庫，由于網絡原因偶爾有延遲，有時延遲有 3 秒。

如果我們的業務流程從發消息到消費消息耗時小于 3 秒，調用訂單詳情查詢接口時，可能會查不到數據，或者查到的不是最新的數據。

這個問題非常嚴重，會導致直接我們的數據錯誤。

為了解決這個問題，我們也加了重試機制。調用接口查詢數據時，如果返回數據為空，或者只返回了訂單沒有菜品，則加入重試表。

調整后，問題被解決了。

5. 重復消費

Kafka消費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，再進行消費處理。消息可能會丟失，但不會重復；
• at least once 模式：至少一次。保證每一條消息處理成功之后，再進行 commit。消息不會丟失，但可能會重復；
• 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。但這種方式很難做到。

Kafka 默認的模式是 at least once，但這種模式可能會產生重復消費的問題。所以我們的業務邏輯必須做冪等設計。

而我們的業務場景保存數據時使用了 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. 多環境消費問題

我們當時線上環境分為：pre（預發布環境）和 prod（生產環境），兩個環境共用同一個數據庫，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，要加前綴用于區分不同環境。pre環境的以 pre_ 開頭，比如 pre_order。生產環境以 prod_開頭，比如 prod_order，防止消息在不同環境中串了。

但有次運維在 pre 環境切換節點，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 環境，結果悲劇了：prod 的有些消息被 pre 環境的 consumer 消費了。而由于消息體做了調整，導致 pre 環境的 consumer 處理消息一直失敗。

其結果是生產環境丟了部分消息。不過還好，最后生產環境消費者通過重 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 使用自動確認機制，導致 CPU 使用率 100%；
• Kafka 集群中的一個 broker 節點掛了，重啟后又一直掛。

這兩個問題說起來有些復雜，我就不一一列舉了。非常感謝那兩年使用消息中間件 Kafka 的經歷，雖說遇到過挺多問題，踩了很多坑，走了很多彎路，但是實打實的讓我積累了很多寶貴的經驗，快速成長了。

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