Apache Kafka-AckMode最佳实践

简介: Apache Kafka-AckMode最佳实践

20191116123525638.png

概述

Apache Kafka-消息丢失分析 及 ACK机制探究

202102191718409.png


我们这里配了个manual, 为啥子嘛


AckMode源码解读

我们来看下 Spring Kafka封装的ACK

ContainerProperties#AckMode

  /**
   * The offset commit behavior enumeration.
   */
  public enum AckMode {
    /**
     * Commit after each record is processed by the listener.
     */
    RECORD,
    /**
     * Commit whatever has already been processed before the next poll.
     */
    BATCH,
    /**
     * Commit pending updates after
     * {@link ContainerProperties#setAckTime(long) ackTime} has elapsed.
     */
    TIME,
    /**
     * Commit pending updates after
     * {@link ContainerProperties#setAckCount(int) ackCount} has been
     * exceeded.
     */
    COUNT,
    /**
     * Commit pending updates after
     * {@link ContainerProperties#setAckCount(int) ackCount} has been
     * exceeded or after {@link ContainerProperties#setAckTime(long)
     * ackTime} has elapsed.
     */
    COUNT_TIME,
    /**
     * User takes responsibility for acks using an
     * {@link AcknowledgingMessageListener}.
     */
    MANUAL,
    /**
     * User takes responsibility for acks using an
     * {@link AcknowledgingMessageListener}. The consumer
     * immediately processes the commit.
     */
    MANUAL_IMMEDIATE,
  }


自动提交设置

  • RECORD

每条消息被消费完成后,自动提交

  • BATCH

每一次消息被消费完成后,在下次拉取消息之前,自动提交 (默认模式)


  • TIME :

达到一定时间间隔后,自动提交, 并不是一到就立马提交,如果此时正在消费某一条消息,需要等这条消息被消费完成,才能提交消费进度

  • COUNT

消费成功的消息数到达一定数量后,自动提交 ,它并不是一到就立马提交,如果此时正在消费某一条消息,需要等这条消息被消费完成,才能提交消费进度

  • COUNT_TIME

TIME 和 COUNT 的结合体,满足任一都会自动提交。


手工提交设置

  • MANUAL

调用时,先标记提交消费进度。等到当前消息被消费完成,然后在提交消费进度。

  • MANUAL_IMMEDIATE

调用时,立即提交消费进度。


最佳实践

那应该怎么配置呢


配置 spring.kafka.consumer.enable-auto-commit为true, spring.kafka.consumer.auto-commit-interval 设置自动提交的频率 , 举个例子 自动提交,批量拉去了一波,还没消费完,你就提交了,这给时候如果消费者挂了,消息丢失。。。


配置 spring.kafka.consumer.enable-auto-commit为false , spring.kafka.listener.ack-mode 设置具体模式,结合具体情况。 有可能重复消费,注意幂等性的判断


另外,spring.kafka.listener.ack-time 和 spring.kafka.listener.ack-count 可以设置自动提交的时间间隔和消息条数


总而言之,没有标准答案,需要进行trade off ,权衡一下


嗨 ,你这不是诶说么。。。。

相关文章
|
2月前
|
消息中间件 安全 Kafka
Apache Kafka安全加固指南:保护你的消息传递系统
【10月更文挑战第24天】在现代企业环境中,数据的安全性和隐私保护至关重要。Apache Kafka作为一款广泛使用的分布式流处理平台,其安全性直接影响着业务的稳定性和用户数据的安全。作为一名资深的Kafka使用者,我深知加强Kafka安全性的重要性。本文将从个人角度出发,分享我在实践中积累的经验,帮助读者了解如何有效地保护Kafka消息传递系统的安全性。
137 7
|
2月前
|
消息中间件 数据挖掘 Kafka
Apache Kafka流处理实战:构建实时数据分析应用
【10月更文挑战第24天】在当今这个数据爆炸的时代,能够快速准确地处理实时数据变得尤为重要。无论是金融交易监控、网络行为分析还是物联网设备的数据收集,实时数据处理技术都是不可或缺的一部分。Apache Kafka作为一款高性能的消息队列系统,不仅支持传统的消息传递模式,还提供了强大的流处理能力,能够帮助开发者构建高效、可扩展的实时数据分析应用。
103 5
|
2月前
|
消息中间件 存储 监控
构建高可用性Apache Kafka集群:从理论到实践
【10月更文挑战第24天】随着大数据时代的到来,数据传输与处理的需求日益增长。Apache Kafka作为一个高性能的消息队列服务,因其出色的吞吐量、可扩展性和容错能力而受到广泛欢迎。然而,在构建大规模生产环境下的Kafka集群时,保证其高可用性是至关重要的。本文将从个人实践经验出发,详细介绍如何构建一个高可用性的Kafka集群,包括集群规划、节点配置以及故障恢复机制等方面。
107 4
|
2月前
|
消息中间件 Java Kafka
什么是Apache Kafka?如何将其与Spring Boot集成?
什么是Apache Kafka?如何将其与Spring Boot集成?
74 5
|
2月前
|
消息中间件 Java Kafka
Spring Boot 与 Apache Kafka 集成详解:构建高效消息驱动应用
Spring Boot 与 Apache Kafka 集成详解:构建高效消息驱动应用
58 1
|
2月前
|
消息中间件 Ubuntu Java
Ubuntu系统上安装Apache Kafka
Ubuntu系统上安装Apache Kafka
|
2月前
|
消息中间件 监控 Kafka
Apache Kafka 成为处理实时数据流的关键组件。Kafka Manager 提供了一个简洁的 Web 界面
随着大数据技术的发展,Apache Kafka 成为处理实时数据流的关键组件。Kafka Manager 提供了一个简洁的 Web 界面,方便管理和监控 Kafka 集群。本文详细介绍了 Kafka Manager 的部署步骤和基本使用方法,包括配置文件的修改、启动命令、API 示例代码等,帮助你快速上手并有效管理 Kafka 集群。
56 0
|
3月前
|
消息中间件 存储 运维
为什么说Kafka还不是完美的实时数据通道
【10月更文挑战第19天】Kafka 虽然作为数据通道被广泛应用,但在实时性、数据一致性、性能及管理方面存在局限。数据延迟受消息堆积和分区再平衡影响;数据一致性难以达到恰好一次;性能瓶颈在于网络和磁盘I/O;管理复杂性涉及集群配置与版本升级。
121 1
|
3月前
|
消息中间件 Java Kafka
Flink-04 Flink Java 3分钟上手 FlinkKafkaConsumer消费Kafka数据 进行计算SingleOutputStreamOperatorDataStreamSource
Flink-04 Flink Java 3分钟上手 FlinkKafkaConsumer消费Kafka数据 进行计算SingleOutputStreamOperatorDataStreamSource
65 1
|
5月前
|
消息中间件 Java Kafka
Kafka不重复消费的终极秘籍!解锁幂等性、偏移量、去重神器,让你的数据流稳如老狗,告别数据混乱时代!
【8月更文挑战第24天】Apache Kafka作为一款领先的分布式流处理平台,凭借其卓越的高吞吐量与低延迟特性,在大数据处理领域中占据重要地位。然而,在利用Kafka进行数据处理时,如何有效避免重复消费成为众多开发者关注的焦点。本文深入探讨了Kafka中可能出现重复消费的原因,并提出了四种实用的解决方案:利用消息偏移量手动控制消费进度;启用幂等性生产者确保消息不被重复发送;在消费者端实施去重机制;以及借助Kafka的事务支持实现精确的一次性处理。通过这些方法,开发者可根据不同的应用场景灵活选择最适合的策略,从而保障数据处理的准确性和一致性。
367 9

推荐镜像

更多