前言：

Kafka 作为一个 MQ 它肯定会有消息丢失的场景，那我们如何做到让 Kafka 的消息不丢失呢？本篇我们来剖析一下 Kafka 如何做到消息不丢失。

Kafka 系列文章传送门

Kafka 简介及核心概念讲解

Spring Boot 整合 Kafka 详解

Kafka @KafkaListener 注解的详解及使用

Kafka 客户端工具使用分享【offsetexplorer】

Kafka 之消息同步/异步发送

Kafka 之批量消息发送消费

Kafka 之消息广播消费

Kafka 之消息并发消费

Kafka 之顺序消息

Kafka 之事务消息

Kafka 如何保证消息不丢失？

Kafka 有生产者、Broker、Consumer，这三个环节都可能有消息丢失的情况发生，下面我们就从这三个方面来分析 Kafka 是如何保证消息不丢失的。

生产者：

生产者发送消息到 Kafka 集群的时候，可能会因为网络等其他原因导致发送失败，因此我们可以需要一个机制告诉我们消息是否发送成功，如果没有发送成功就一直发送，直到消息发送成功为止，我们常用的 send(msg) 方法其实是异步发送，发送完消息后会立即返回，我们并不知道消息是否发送成功，为了保证消息一定能够发送成功，建议使用同步发送 send(msg).get() 方法或者带有回调的 send(msg,callback) 方法。

同时我们可以对生产者增加一些配置来保证消息不丢失，配置如下：

#0:表示消息发送后立即返回 无需等待 Leader 的任何确认 1:表示消息写入了 Leader 副本 -1: 表示需要等到消息写入到所有 ISR 同步副本中
spring.kafka.producer.acks = 1
#生产消息发送的重试次数
spring.kafka.producer.retries = 3

spring.kafka.producer.acks 各个值的含义如下：

• acks =0：表示生产者不需要等待任何 Broker 确认收到消息的回复，就可以继续发送下一条消息，性能最高，但是最容易丢消息，可以用在对性能要求很高，但对数据丢失不敏感的情况可以用这种。
• acks =1：需要保证 Leader 已经成功将消息写入本地 文件，但是不需要等待所有 ISR副本（同步副本）是否成功写入，就可以继续发送下一条消息，这种情况下，如果 ISR副本（同步副本）没有成功备份数据，而此时 Leader又挂掉，则消息会丢失。
• acks =-1：需要 Leader 及其所有的 ISR副本（同步副本）都成功写入日志，才可以继续发送下一条消息，这种策略会保证只要有一个副本存活就不会丢失数据，最大程度的保证了消息不会丢失。

Broker：

Broker 合理的使用持久化机制，ISR 副本同步机制可以最大程度的保证消息不丢失。

• 持久化存储：Kafka 使用持久化来存储消息，让消息在写入 Kafka 的时候被写入磁盘，这种方式可以防止消息因为节点宕机而丢失。
• ISR 副本复制机制：Kafka 使用 ISR 副本同步机制来保证消息不丢失，ISR 副本同步机制可以让一个分区有多个副本，且副本可以分布在不同的节点上，当某个节点宕机后，其他节点可以继续提供服务，保证消息不丢失。

消费者：

做为消费者只需要保证能够正确的消费消息，并正确的提交消息 offset 即可，Kafka 会记录每个消费者的偏移量，消费者每次消费消息的时候，都会将偏移量向后移动，当消费者挂掉或者 Kafka 宕机的时候，Kafka 会将该消费者的所消费的分区偏移量保存下来，当故障恢复后，消费者可以继续从上一次的偏移量开始消费，为了保证消息不丢失，我们使用手动提交偏移量即可，避免拉取了消息后，业务逻辑没有处理完的时候消费者挂掉了，但是提交了偏移量，导致消息丢失。

Consumer 需要关闭自动提交并开启手动提交，具体配置如下：

#消息 ACK 模式 有7种
spring.kafka.listener.ack-mode = manual
#是否开启手动提交 默认自动提交
spring.kafka.consumer.enable-auto-commit = false

Kafka 消息手动 ACK 案例演示

在演示 Kafka 手动 ACK 之前我们先了解一下 Kafka 的几种 ACK 的含义，也就是 AckMode 的枚举值的含义。

public static enum AckMode {RECORD,BATCH,TIME,COUNT,COUNT_TIME,MANUAL,MANUAL_IMMEDIATE;private AckMode() {}
}

• RECORD：每一条记录被消费者消费之后提交。
• BATCH：当每一批 poll() 的消息被消费者处理之后提交，频率取决于 poll 的调用频率，是 Kafka 的默认提交方式，BATCH 模式适用于需要提高处理效率的场景，例如批量处理大量消息以减少网络传输和系统调用的开销。
• TIME：当每一批 poll()的数据被消费者处理之后，距离上次提交时间大于TIME时提交，如果当前时间有消息正在处理，则等当前消息处理完成在提交。
• COUNT：当每一批 poll()的数据被消费者监处理之后，被处理消息数量大于等于 COUNT 时提交，如果当前时间有消息正在处理，则等当前消息处理完成在提交。
• COUNT_TIME：TIME 或 COUNT 满足其中一个就提交。
• MANUAL：当每一批 poll()的数据被消费者监处理之后，手动调用 Acknowledgment.acknowledge() 先将 offset 存放到 map 本地缓存，在下一次 poll 之前从缓存拿出来批量提交。
• MANUAL_IMMEDIATE：当每一批 poll()的数据被消费者监处理之后，手动调用 Acknowledgment.acknowledge()后立即提交。

Kafka Producer

Kafka Producer 的代码同样很简单，这里我们使用了前面分享的同步、异步发送的的代码，具体如下：

package com.order.service.kafka.producer;import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.kafka.core.KafkaTemplate;
import org.springframework.kafka.support.SendResult;
import org.springframework.stereotype.Component;
import org.springframework.util.concurrent.ListenableFuture;
import org.springframework.util.concurrent.ListenableFutureCallback;import java.text.SimpleDateFormat;
import java.util.Date;/*** @ClassName： SyncKafkaProducer* @Author: Author* @Date: 2024/10/22 19:22* @Description: 同步发送消息*/
@Slf4j
@Component
public class SyncKafkaProducer {@Autowiredprivate KafkaTemplate<String, String> kafkaTemplate;//同步发送消息 public void sendSyncMessage(String message) {SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");String dateStr = sdf.format(new Date());//同步发送消息try {kafkaTemplate.send("sync-topic", message).get();} catch (Exception e) {e.printStackTrace();}log.info("完成消息发送,当前时间:{}", dateStr);}//异步发送消息public void sendAsyncMessage(String message) {try {//同步发送消息ListenableFuture<SendResult<String, String>> listenableFuture = kafkaTemplate.send("sync-topic", message);listenableFuture.addCallback(new ListenableFutureCallback<SendResult<String, String>>() {@Overridepublic void onFailure(Throwable throwable) {log.error("消费发送失败");}@Overridepublic void onSuccess(SendResult<String, String> stringStringSendResult) {log.info("消息发送成功");}});} catch (Exception e) {e.printStackTrace();}}}

Consumer 代码演示

Consumer 我们还是使用 @KafkaListener 来完成消息监听，在 Consumer 代码中，我们刻意模拟了除0异常。

package com.order.service.kafka.consumer;import lombok.extern.slf4j.Slf4j;
import org.springframework.kafka.annotation.KafkaListener;
import org.springframework.kafka.support.Acknowledgment;
import org.springframework.stereotype.Component;/*** @ClassName： ManualAckKafkaConsumer* @Author: Author* @Date: 2024/10/22 19:22* @Description: 手动 ACK 消息消费*/
@Slf4j
@Component
public class ManualAckKafkaConsumer {@KafkaListener(id = "my-kafka-manual-consumer",groupId = "my-kafka-consumer-manual-groupId-01",topics = "sync-topic",containerFactory = "myContainerFactory")public void listen(String message, Acknowledgment acknowledgment) {log.info("Manual ACK 消息消费成功,消息内容:{}", message);int a = 1 / 0;//手动提交 ACKacknowledgment.acknowledge();}}

结果验证

2024-10-28 17:41:01.568  INFO 17764 --- [-consumer-0-C-1] c.o.s.k.consumer.ManualAckKafkaConsumer  : Manual ACK 消息消费成功,消息内容:我是一条同步消息

结果符合预期，测试的是如果没有关闭除0 异常，客户端会不停的消费这条消息，因此我们在消息消费失败的时候也要注意做出合理处理，例如加入死信队列，避免消息一直在被消费而占用系统资源。

总结：本篇简单分享了 Kafka 如何保证消息不丢失，并分享了对应的手动 ACK 的代码案例，需要注意的是 Kafka 无法做到消息 100% 不丢失，至于 Kafka 为什么没办法做到消息 100% 不丢失，后面会做分享，欢迎持续关注。

如有不正确的地方欢迎各位指出纠正。