面试|Kafka常见面试问题总结

微信扫一扫,分享到朋友圈

面试|Kafka常见面试问题总结

现如今,Kafka已不再是一个单纯的消息队列系统。Kafka是一个分布式的流处理平台,被越来越多的公司使用,Kafka可以被用于高性能的数据管道,流处理分析,数据集成等场景。本文分享总结了几个Kafka常见的面试问题,希望对你有所帮助。主要包括以下内容:

  • Kafka是如何保障数据不丢失的?
  • 如何解决Kafka数据丢失问题?
  • Kafka可以保障永久不丢失数据吗?
  • 如何保障Kafka中的消息是有序的?
  • 如何确定Kafka主题的分区数量?
  • 如何调整生产环境中Kafka主题的分区数量?
  • 如何重平衡Kafka集群?
  • 如何查看消费者组是否存在滞后消费?

Q1:Kafka是如何保障数据不丢失的?

该问题已经成为了Kafka面试的惯例,如同Java的 HashMap
,属于高频出现的面试问题。那么,我们该怎么理解这个问题呢?问题是 Kafka如何保障数据不丢失
,即 Kafka的Broker提供了什么机制保证数据不丢失的。

其实对于Kafka的Broker而言,Kafka 的 复制机制
分区的多副本
架构是Kafka 可靠性保证的核心。把消息写入多个副本可以使Kafka 在发生崩溃时仍能保证消息的持久性。

搞清楚了问题的核心,再来看一下该怎么回答这个问题:主要包括三个方面

2.同步副本列表(ISR):min.insync.replicas = 2
3.禁用unclean选举: unclean.leader.election.enable=false

下面将会逐步分析上面的三个配置:

  • 副本因子

Kafka的topic是可以分区的,并且可以为分区配置多个副本,该配置可以通过 replication.factor
参数实现。Kafka中的分区副本包括两种类型:领导者副本(Leader Replica)和追随者副本(Follower Replica),每个分区在创建时都要选举一个副本作为领导者副本,其余的副本自动变为追随者副本。在 Kafka 中,追随者副本是不对外提供服务的,也就是说,任何一个追随者副本都不能响应消费者和生产者的读写请求。所有的请求都必须由领导者副本来处理。换句话说,所有的读写请求都必须发往领导者副本所在的 Broker,由该 Broker 负责处理。追随者副本不处理客户端请求,它唯一的任务就是从领导者副本 异步拉取
消息,并写入到自己的提交日志中,从而实现与领导者副本的同步。

一般来说,副本设为3可以满足大部分的使用场景,也有可能是5个副本(比如银行)。如果副本因子为N,那么在N-1个broker 失效的情况下,仍然能够从主题读取数据或向主题写入数据。所以,更高的副本因子会带来更高的可用性、可靠性和更少的故障。另一方面,副本因子N需要至少N个broker ,而且会有N个数据副本,也就是说它们会占用N倍的磁盘空间。实际生产环境中一般会在可用性和存储硬件之间作出权衡。

除此之外,副本的分布同样也会影响可用性。默认情况下,Kafka会确保分区的每个副本分布在不同的Broker上,但是如果这些Broker在同一个机架上,一旦机架的交换机发生故障,分区就会不可用。所以建议把Broker分布在不同的机架上,可以使用 broker.rack
参数配置Broker所在机架的名称。

  • 同步副本列表

In-sync replica(ISR)称之为同步副本,ISR中的副本都是与Leader进行同步的副本,所以不在该列表的follower会被认为与Leader是不同步的。那么,ISR中存在是什么副本呢?首先可以明确的是:Leader副本总是存在于ISR中。而follower副本是否在ISR中,取决于该follower副本是否与Leader副本保持了“同步”。

Kafka的broker端有一个参数
replica.lag.time.max.ms

, 该参数表示follower副本滞后与Leader副本的最长时间间隔,默认是10秒。这就意味着,只要follower副本落后于leader副本的时间间隔不超过10秒,就可以认为该follower副本与leader副本是同步的,所以哪怕当前follower副本落后于Leader副本几条消息,只要在10秒之内赶上Leader副本,就不会被踢出出局。

可以看出ISR是一个动态的,所以即便是为分区配置了3个副本,还是会出现同步副本列表中只有一个副本的情况(其他副本由于不能够与leader及时保持同步,被移出ISR列表)。如果这个同步副本变为不可用,我们必须在 可用性
一致性
之间作出选择(CAP理论)。

根据Kafka 对可靠性保证的定义,消息只有在被写入到所有同步副本之后才被认为是已提交的。但如果这里的“所有副本”只包含一个同步副本,那么在这个副本变为不可用时,数据就会丢失。如果要确保已提交的数据被写入不止一个副本,就需要把最小同步副本数量设置为大一点的值。对于一个包含3 个副本的主题分区,如果 min.insync.replicas=2
,那么至少要存在两个同步副本才能向分区写入数据。

如果进行了上面的配置,此时必须要保证ISR中至少存在两个副本,如果ISR中的副本个数小于2,那么Broker就会停止接受生产者的请求。尝试发送数据的生产者会收到 NotEnoughReplicasException
异常,消费者仍然可以继续读取已有的数据。

  • 禁用unclean选举

选择一个同步副本列表中的分区作为leader 分区的过程称为 clean leader election
。注意,这里要与在非同步副本中选一个分区作为leader分区的过程区分开,在非同步副本中选一个分区作为leader的过程称之为 unclean leader election
。由于ISR是动态调整的,所以会存在ISR列表为空的情况,通常来说,非同步副本落后 Leader 太多,因此,如果选择这些副本作为新 Leader,就可能出现数据的丢失。毕竟,这些副本中保存的消息远远落后于老 Leader 中的消息。在 Kafka 中,选举这种副本的过程可以通过Broker 端参数 unclean.leader.election.enable
控制是否允许 Unclean 领导者选举。开启 Unclean 领导者选举可能会造成数据丢失,但好处是,它使得分区 Leader 副本一直存在,不至于停止对外提供服务,因此提升了高可用性。反之,禁止 Unclean Leader 选举的好处在于维护了数据的一致性,避免了消息丢失,但牺牲了高可用性。分布式系统的CAP理论说的就是这种情况。

不幸的是, unclean leader election
的选举过程仍可能会造成数据的不一致,因为同步副本并不是 完全
同步的。由于复制是 异步
完成的,因此无法保证follower可以获取最新消息。比如Leader分区的最后一条消息的offset是100,此时副本的offset可能不是100,这受到两个参数的影响:

  • replica.lag.time.max.ms
    :同步副本滞后与leader副本的时间
  • zookeeper.session.timeout.ms
    :与zookeeper会话超时时间

简而言之,如果我们允许不同步的副本成为leader,那么就要承担丢失数据和出现数据不一致的风险。如果不允许它们成为leader,那么就要接受较低的可用性,因为我们必须等待原先的首领恢复到可用状态。

关于unclean选举,不同的场景有不同的配置方式。对 数据质量和数据一致性
要求较高的系统会禁用这种unclean的leader选举(比如银行)。如果在 可用性
要求较高的系统里,比如实时点击流分析系统, 一般不会禁用unclean的leader选举。

Q2:如何解决Kafka数据丢失问题?

你可能会问:这个问题跟Q1有什么区别呢?其实一般在面试问题中可以理解成一个问题。之所以在这里做出区分,是因为两者的解决方式不一样。 Q1问题是从Kafka的Broker侧来看待数据丢失的问题,而Q2是从Kafka的生产者与消费者的角度来看待数据丢失的问题

先来看一下如何回答这个问题:主要包括两个方面:

  • Producer
  • 设置 retries 为一个较大的值。这里的 retries 同样是 Producer 的参数,对应前面提到的 Producer 自动重试。当出现网络的瞬时抖动时,消息发送可能会失败,此时配置了 retries > 0 的 Producer 能够自动重试消息发送,避免消息丢失。

  • 设置 acks = all。acks 是 Producer 的一个参数,代表了你对“已提交”消息的定义。如果设置成 all,则表明所有副本 Broker 都要接收到消息,该消息才算是“已提交”。这是最高等级的“已提交”定义。

  • 该参数指定了生产者在收到服务器晌应之前可以发送多少个消息。它的值越高,就会占用越多的内存,不过也会提升吞吐量。把它设为1 可以保证消息是按照发送的顺序写入服务器的,即使发生了重试。

  • Producer要使用带有回调通知的API,也就是说不要使用 producer.send(msg),而要使用 producer.send(msg, callback)。
  • 其他错误处理

    使用生产者内置的重试机制,可以在不造成消息丢失的情况下轻松地处理大部分错误,不过

    仍然需要处理其他类型的错误,例如消息大小错误、序列化错误等等。

  • Consumer
  • 禁用自动提交:enable.auto.commit=false
  • 消费者处理完消息之后再提交offset
  • 这个参数指定了在没有偏移量可提交时(比如消费者第l次启动时)或者请求的偏移量在broker上不存在时(比如数据被删了),消费者会做些什么。

    这个参数有两种配置。一种是 earliest
    :消费者会从分区的开始位置读取数据,不管偏移量是否有效,这样会导致消费者读取大量的重复数据,但可以保证最少的数据丢失。一种是 latest(默认)
    ,如果选择了这种配置, 消费者会从分区的末尾开始读取数据,这样可以减少重复处理消息,但很有可能会错过一些消息。

Q3:Kafka可以保障永久不丢失数据吗?

上面分析了一些保障数据不丢失的措施,在一定程度上可以避免数据的丢失。但是请注意: Kafka 只对“已提交”的消息(committed message)做有限度的持久化保证
。所以说,Kafka不能够完全保证数据不丢失,需要做出一些权衡。

首先,要理解什么是 已提交的消息
,当 Kafka 的若干个 Broker 成功地接收到一条消息并写入到日志文件后,它们会告诉生产者程序这条消息已成功提交。此时,这条消息在 Kafka 看来就正式变为 已提交
消息了。所以说无论是ack=all,还是ack=1,不论哪种情况,Kafka 只对已提交的消息做持久化保证这件事情是不变的。

其次,要理解 有限度的持久化保证
,也就是说 Kafka 不可能保证在任何情况下都做到不丢失消息。必须保证Kafka的Broker是可用的,换句话说,假如消息保存在 N 个 Kafka Broker 上,那么这个前提条件就是这 N 个 Broker 中至少有 1 个存活。只要这个条件成立,Kafka 就能保证你的这条消息永远不会丢失。

总结一下,Kafka 是能做到不丢失消息的, 只不过这些消息必须是已提交的消息
,而且还要满足一定的条件。

Q4:如何保障Kafka中的消息是有序的?

首先需要明确的是: Kafka的主题是分区有序的
,如果一个主题有多个分区,那么Kafka会按照key将其发送到对应的分区中,所以,对于给定的key,与其对应的record在分区内是有序的。

Kafka可以保证同一个分区里的消息是有序的,即生产者按照一定的顺序发送消息,Broker就会按照这个顺序将他们写入对应的分区中,同理,消费者也会按照这个顺序来消费他们。

在一些场景下,消息的顺序是非常重要的。比如, 先存钱再取钱
先取钱再存钱
是截然不同的两种结果。

上面的问题中提到一个参数 max.in.flight.requests.per.connections=1
,该参数的作用是在重试次数大于等于1时,保证数据写入的顺序。如果该参数不为1,那么当第一个批次写入失败时,第二个批次写入成功,Broker会重试写入第一个批次,如果此时第一个批次重试写入成功,那么这两个批次消息的顺序就反过来了。

一般来说,如果对消息的顺序有要求,那么在为了保障数据不丢失,需要先设置发送重试次数retries>0,同时需要把 max.in.flight.requests.per.connections
参数设为1,这样在生产者尝试发送第一批消息时,就不会有其他的消息发送给broker,虽然会影响吞吐量,但是可以保证消息的顺序。

除此之外,还可以使用单分区的Topic,但是会严重影响吞吐量。

Q5:如何确定合适的Kafka主题的分区数量?

选择合适的分区数量可以达到高度并行读写和负载均衡的目的,在分区上达到均衡负载是实现吞吐量的关键。需要根据每个分区的生产者和消费者的期望吞吐量进行估计。

举个栗子:假设期望读取数据的速率(吞吐量)为 1GB/Sec
,而一个消费者的读取速率为 50MB/Sec
,此时至少需要20个分区以及20个消费者(一个消费者组)。同理,如果期望生产数据的速率为 1GB/Sec
,而每个生产者的生产速率为 100MB/Sec
,此时就需要有10个分区。在这种情况下,如果设置20个分区,既可以保障 1GB/Sec
的生产速率,也可以保障消费者的吞吐量。通常需要将分区的数量调整为消费者或者生产者的数量,只有这样才可以同时实现生产者和消费者的吞吐量。

一个简单的计算公式为: 分区数 = max(生产者数量,消费者数量)

  • 生产者数量=整体生产吞吐量/每个生产者对单个分区的最大生产吞吐量
  • 消费者数量=整体消费吞吐量/每个消费者从单个分区消费的最大吞吐量

Q6:如何调整生产环境中Kafka主题的分区数量?

需要注意的是:当我们增加主题的分区数量时,会违背 同一个key进行同一个分区
的事实。我们可以创建一个新的主题,使得该主题有更多的分区数,然后暂停生产者,将旧的主题中的数据复制到新的主题中,然后将消费者和生产者切换到新的主题,操作起来会非常棘手。

Q7:如何重平衡Kafka集群?

在下面情况发生时,需要重平衡集群:

  • 主题分区在整个集群里的不均衡分布造成了集群负载的不均衡。
  • broker离线造成分区不同步。
  • 新加入的broker 需要从集群里获得负载。

使用 kafka-reassign-partitions.sh
命令进行重平衡

Q8:如何查看消费者组是否存在滞后消费?

我们可以使用 kafka-consumer-groups.sh
命令进行查看,比如:

$ bin/kafka-consumer-groups.sh --bootstrap-server cdh02:9092 --describe --group my-group
## 会显示下面的一些指标信息
TOPIC PARTITION CURRENT-OFFSET LOG-END-OFFSET   LAG          CONSUMER-ID HOST CLIENT-ID
主题   分区       当前offset      LEO           滞后消息数       消费者id     主机   客户端id

一般情况下,如果运行良好, CURRENT-OFFSET
的值会与 LOG-END-OFFSET
的值非常接近。通过这个命令可以查看哪个分区的消费出现了滞后。

总结

本文主要分享了8个常见的Kafka面试题,对于每个题目都给出了相应的答案。对照这些问题,相信会对Kafka会有更深刻的认识。

gzh:微信搜搜一搜:大数据技术与数仓

微信扫一扫,分享到朋友圈

面试|Kafka常见面试问题总结

资料显示1999年有一款未能发售的《精灵宝可梦》游戏

上一篇

“主任,你穿纸尿裤是什么感觉?”“感觉沉甸甸的。” | 刘韬滔

下一篇

你也可能喜欢

面试|Kafka常见面试问题总结

长按储存图像,分享给朋友