kafka消費組消費者分區策略

轉載：https://www.cnblogs.com/lanston/p/14219473.html

消費組和消費者是kafka中比較重要的概念，理解和掌握原理有利於優化kafka性能和處理消費積壓問題。Kafka topic 由多個分區組成，分區分布在集群節點上；

Topic:topic01  PartitionCount:10       ReplicationFactor:2     Configs:
        Topic: topic01 Partition: 0    Leader: 1       Replicas: 1,4   Isr: 1,4
        Topic: topic01 Partition: 1    Leader: 2       Replicas: 2,5   Isr: 2,5
        Topic: topic01 Partition: 2    Leader: 3       Replicas: 3,1   Isr: 3,1
        Topic: topic01 Partition: 3    Leader: 4       Replicas: 4,2   Isr: 4,2
        Topic: topic01 Partition: 4    Leader: 5       Replicas: 5,3   Isr: 5,3
        Topic: topic01 Partition: 5    Leader: 1       Replicas: 1,3   Isr: 1,3
        Topic: topic01 Partition: 6    Leader: 2       Replicas: 2,4   Isr: 2,4
        Topic: topic01 Partition: 7    Leader: 3       Replicas: 3,5   Isr: 3,5
        Topic: topic01 Partition: 8    Leader: 4       Replicas: 4,1   Isr: 4,1
        Topic: topic01 Partition: 9    Leader: 5       Replicas: 5,2   Isr: 5,2

當外部程序消費topic數據時，kafka將其視為消費組(ConsumerGroup)，每個消費組包含1個或多個消費者(Consumer)，消費者數量最多可以為分區總數量，並不是可以無限量。當消費組中的任意一個消費者終止時，kafka會對消費組進行平衡(Rebalance)，再根據存活消費數和消費者分配策略重新分配消費者。在0.10.x版本中，kafka提供兩種分配策略(RangeAssignor、RoundRobinAssignor)，0.11.x 版本新增策略(StickyAssignor)，結構如下；

1 RangeAssignor 策略

RangeAssignor 以主題為單位，以數據順序排列可用分區，以字典順序排列消費者，將topic分區數除以消費者總數，以確定分配給每個消費者的分區數；如果沒有平均分配，那么前幾個消費者將擁有一個額外的分區。實現代碼；

for (String memberId : subscriptions.keySet())
            assignment.put(memberId, new ArrayList<TopicPartition>()); for (Map.Entry<String, List<String>> topicEntry : consumersPerTopic.entrySet()) { String topic = topicEntry.getKey(); List<String> consumersForTopic = topicEntry.getValue(); Integer numPartitionsForTopic = partitionsPerTopic.get(topic); if (numPartitionsForTopic == null) continue; Collections.sort(consumersForTopic); int numPartitionsPerConsumer = numPartitionsForTopic / consumersForTopic.size(); //topic分區數除以消費者總數 int consumersWithExtraPartition = numPartitionsForTopic % consumersForTopic.size(); //計算額外分區 List<TopicPartition> partitions = AbstractPartitionAssignor.partitions(topic, numPartitionsForTopic); for (int i = 0, n = consumersForTopic.size(); i < n; i++) { int start = numPartitionsPerConsumer * i + Math.min(i, consumersWithExtraPartition); int length = numPartitionsPerConsumer + (i + 1 > consumersWithExtraPartition ? 0 : 1); assignment.get(consumersForTopic.get(i)).addAll(partitions.subList(start, start + length)); } } 

比如有兩個topic(topic1 ,topic2) ，每個topic都有三個分區；

• topic1 ,分區：topic1p0,topic1p1,topic1p2
• topic2 ,分區：topic2p0,topic2p1,topic2p2

和一個消費組(consumer_group1)，有(consumer1,consumer2)兩個消費者，使用RangeAssignor策略可能會得到如下的分配：

• consumer1: [topic1p0,topic1p1,topic2p0,topic2p1]
• consumer2: [topic1p2,topic2p2]

如果此時消費組(consumer_group1)有新的消費者consumer3加入，使用RangeAssignor策略可能會得到如下的分配：

• consumer1: [topic1p0,topic2p0]
• consumer2: [topic1p2,topic2p2]
• consumer3: [topic1p1,topic2p1]

2 RoundRobinAssignor 策略

RoundRobinAssignor 是kafka默認策略，對所有分區和所有消費者循環分配，分區更均衡；實現代碼；

Map<String, List<TopicPartition>> assignment = new HashMap<>(); for (String memberId : subscriptions.keySet()) assignment.put(memberId, new ArrayList<TopicPartition>()); CircularIterator<String> assigner = new CircularIterator<>(Utils.sorted(subscriptions.keySet())); for (TopicPartition partition : allPartitionsSorted(partitionsPerTopic, subscriptions)) { final String topic = partition.topic(); while (!subscriptions.get(assigner.peek()).topics().contains(topic)) assigner.next(); assignment.get(assigner.next()).add(partition); } 

繼續以上例topic和消費組為例，RoundRobinAssignor 策略可能會得到如下的分配；

• consumer1: [topic1p0,topic1p1,topic2p2,]
• consumer2: [topic2p0,topic2p1,topic1p2]

3 StickyAssignor 策略

StickyAssignor 策略是最復雜且是0.11.x 版本出現的新策略，該策略主要作用：

• 使topic分區分配盡可能均勻的分配給消費者
• 當某個消費者終止觸發重新分配時，盡可能保留現有分配，將已經終止的消費者所分配的分區移動到另一個消費者，避免全部分區重新平衡，節省開銷。

這個策略自0.11.x 版本出現后，一直到新版本有不同bug被發現，低版本慎用。

4 java多線程消費實例

public class KafkaTopicConsumer {   
    private KafkaConsumer<String, String> consumer; private int consumerId=0; //消費實例id private final long timeOut=10000; public KafkaTopicConsumer(int consumerId){ this.consumerId=consumerId; Properties props = new Properties(); props.put("client.id", "client-" + consumerId); props.put("bootstrap.servers","192.168.1.10:9092,192.168.1.11:9092"); props.put("group.id", "test-group03"); props.put("zookeeper.session.timeout.ms", "4000"); props.put("zookeeper.sync.time.ms", "200"); props.put("enable.auto.commit", "false"); props.put("auto.offset.reset", "earliest"); props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); //設置分區策略 props.put("partition.assignment.strategy", "org.apache.kafka.clients.consumer.RangeAssignor"); consumer = new KafkaConsumer<String, String>(props); consumer.subscribe(Arrays.asList("topic1","topic2")); } public void consume() { while (true){ ConsumerRecords<String, String> records=consumer.poll(timeOut); System.out.println("records count:"+records.count()); for (ConsumerRecord<String, String> record : records) { System.out.println(String.format("client-id = %d , topic = %s, partition = %d , offset = %d, key = %s, value = %s", this.consumerId,record.topic(), record.partition(), record.offset(), record.key(), record.value())); } consumer.commitSync(); } } public static void main(String[] args) { int threadSize=Integer.parseInt(args[0]); for (int i = 0; i < threadSize; i++) { int id = i; new Thread() { @Override public void run() { new KafkaTopicConsumer(id).consume(); } }.start(); } }// } 

啟動三個多線程實例消費，分區分配到每個消費者的情況；

GROUP                          TOPIC                          PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG             OWNER
test-group03                   topic2                0          0               3333            3333            client-0_/192.168.1.13
test-group03                   topic1                0          500             3333            2833            client-0_/192.168.1.13
test-group03                   topic2                2          0               3333            3333            client-2_/192.168.1.13
test-group03                   topic1                2          500             3333            2833            client-2_/192.168.1.13
test-group03                   topic2                1          500             3334            2834            client-1_/192.168.1.13
test-group03                   topic1                1          0               3334            3334            client-1_/192.168.1.13

對於大的topic，將topic單獨消費以避免數據積壓和topic各自影響數據處理速度，比如文章開始時提到的10分區的topic(topic01)，根據硬件資源和分區策略設置合理的消費者，數據量大時最優的消費者數量為分區總數。

GROUP                          TOPIC                          PARTITION  CURRENT-OFFSET  LOG-END-OFFSET  LAG             OWNER
test-group02                   topic01                       6          373460          1026328         652868          client-6_/192.168.1.13
test-group02                   topic01                       2          375660          1048756         673096          client-2_/192.168.1.13
test-group02                   topic01                       5          374625          1013157         638532          client-5_/192.168.1.13
test-group02                   topic01                       3          347001          1066967         719966          client-3_/192.168.1.13
test-group02                   topic01                       0          375570          1013261         637691          client-0_/192.168.1.13
test-group02                   topic01                       9          376545          1094088         717543          client-9_/192.168.1.13
test-group02                   topic01                       8          347082          1066948         719866          client-8_/192.168.1.13
test-group02                   topic01                       7          375100          1048827         673727          client-7_/192.168.1.13
test-group02                   topic01                       1          372447          1026467         654020          client-1_/192.168.1.13
test-group02                   topic01                       4          377052          1093926         716874          client-4_/192.168.1.13

5 總結

Kafka提供三種分配策略(RangeAssignor、RoundRobinAssignor、StickyAssignor)，其中StickyAssignor策略是0.11.x 版本新增的，每種策略不盡相同，RangeAssignor策略以主題為單位，以數據順序排列可用分區，以字典順序排列消費者計算分配；RoundRobinAssignor 對所有分區和所有消費者循環均勻分配；但這兩種分配策略當有消費者終止或加入時均會觸發消費組平衡；StickyAssignor 策略當某個消費者終止時，盡可能保留現有分配，將已經終止的消費者所分配的分區移動到另一個消費者，避免全部分區重新平衡，節省開銷；對於topic分區數較多、數量較大使用StickyAssignor策略有較大優勢。

 

 

結合測試經驗的觀后感：

RangeAssignor 是針對單個 Topic 的分區進行排序分配的,分配完之后在增加消費者不會觸發再分配，導致后面增加的消費者無效。這個跟文中描述的再均衡有點不太一致
RoundRobinAssignor 的分配策略是將消費組內訂閱的所有 Topic 的分區及所有消費者進行排序后盡量均衡的分配，分配到的分區數的差值不會超過1。消費中間發現效率太低，增加消費者的時候會觸發在分配，可以達到再均衡的效果
StickyAssignor 考慮上一次的分配結果，1. 分區的分配盡量的均衡2. 每一次重分配的結果盡量與上一次分配結果保持一致