原来kafka也有事务啊，再也不担心消息不一致了

前言

现在假定这么一个业务场景，从kafka中的topic获取消息数据，经过一定加工处理后，发送到另外一个topic中，要求整个过程消息不能丢失，也不能重复发送，即实现端到端的Exactly-Once精确一次消息投递。这该如何实现呢？

【资料图】

kafka事务介绍

针对上面的业务场景，kafka已经替我们想到了，在kafka 0.11版本以后，引入了一个重大的特性：幂等性和事务。

幂等性

这里提到幂等性的原因，主要是因为事务的启用必须要先开启幂等性，那么什么是幂等性呢？

幂等性是指生产者无论向kafka broker发送多少次重复的数据，broker端只会持久化一条，保证数据不会重复。

幂等性通过生产者配置项enable.idempotence=true开启，默认情况下为true。

幂等性实现原理

每条消息都有一个主键，这个主键由 组成。PID：ProducerID，每个生产者启动时，Kafka 都会给它分配一个 ID，ProducerID是生产者的唯一标识，需要注意的是，Kafka重启也会重新分配 PID。Partition：消息需要发往的分区号。SeqNumber：生产者，他会记录自己所发送的消息，给他们分配一个自增的 ID，这个 ID就是 SeqNumber，是该消息的唯一标识，每发送一条消息，序列号加 1。对于主键相同的数据，kafka 是不会重复持久化的，它只会接收一条。

幂等性缺点

根据幂等性的原理，我们发现它存在下面的缺点:

只能保证单分区、单会话内的数据不重复kafka 挂掉，重新给生产者分配了 PID，还是有可能产生重复的数据

那么如何实现跨分区、kafka broker重启也能保证不重复呢？这就要使用事务了。

事务

所谓事务，就是要求保证原子性，要么全部成功，要么全部失败。那么具体该如何开启呢？

kafka要想开启事务必须要启用幂等性，即生产者配置enable.idempotence=truekafka生产者需要配置唯一的事务idtransactional.id, 最好为其设置一个有意义的名字。kafka消费端也有一个配置项isolation.level和事务有很大关系。read_uncommitted：默认值，消费端应用可以看到（消费到）未提交的事务，当然对于已提交的事务也是可见的。read_committed：消费端应用只能消费到提交的事务内的消息。kafka事务 API

现在我们用java的api来实现一下前面这个“消费-处理-生产“的例子吧。

引入依赖

    org.apache.kafka    kafka-clients    3.4.0

创建事务的生产者

Properties prodcuerProps = new Properties();// kafka地址prodcuerProps.setProperty(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092");// key序列化prodcuerProps.setProperty(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());// value序列化prodcuerProps.setProperty(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,StringSerializer.class.getName());// 启用幂等性producerProps.put("enable.idempotence", "true");// 设置事务idproducerProps.put("transactional.id", "prod-1");KafkaProducer producer = new KafkaProducer(prodcuerProps);

enable.idempotence配置项目为true设置transactional.id创建事务的消费者

Properties consumerProps = new Properties();consumerProps.put("bootstrap.servers", "localhost:9092");consumerProps.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); consumerProps.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());consumerProps.put("group.id", "my-group-id");// 设置consumer手动提交consumerProps.put("enable.auto.commit", "false");// 设置隔离级别，读取事务已提交的消息consumerProps.put("isolation.level", "read_committed");KafkaConsumer consumer = new KafkaConsumer<>(consumerProps);//订阅主题consumer.subscribe(Collections.singletonList("topic1"));

enable.auto.commit=false,设置手动提交消费者offset设置isolation.level=read_committed，消费事务已提交的消息核心逻辑

// 初始化事务 producer.initTransactions();while(true) {// 拉取消息 ConsumerRecords records = consumer.poll(Duration.ofMillis(1000L));    if(!records.isEmpty()){        // 准备一个 hashmap 来记录："分区-消费位移" 键值对        HashMap offsetsMap = new HashMap<>();        // 开启事务         producer.beginTransaction();        try {            // 获取本批消息中所有的分区            Set partitions = records.partitions();            // 遍历每个分区            for (TopicPartition partition : partitions) {                // 获取该分区的消息                List> partitionRecords = records.records(partition);                // 遍历每条消息                for (ConsumerRecord record : partitionRecords) {                    // 执行数据的业务处理逻辑                    ProducerRecord outRecord = new ProducerRecord<>("topic2", record.key(), record.value().toUpperCase());                    // 将处理结果写入 kafka                    producer.send(outRecord);                }                // 将处理完的本分区对应的消费位移记录到 hashmap 中                long offset = partitionRecords.get(partitionRecords.size() - 1).offset();                // 事务提交的是即将到来的偏移量，这意味着我们需要加 1                offsetsMap.put(partition,new OffsetAndMetadata(offset+1));            }            // 向事务管理器提交消费位移             producer.sendOffsetsToTransaction(offsetsMap,"groupid");            // 提交事务             producer.commitTransaction();        } catch(Exeception e) {            e.printStackTrace();            // 终止事务             producer.abortTransaction();        }    }}

initTransactions(): 初始化事务beginTransaction(): 开启事务sendOffsetsToTransaction(): 在事务内提交已经消费的偏移量（主要用于消费者）commitTransaction(): 提交事务abortTransaction(): 放弃事务kafka事务实现原理

kafka事务的实现引入了事务协调器，如下图所示：

生产者使用事务必须配置事务id, kafka根据事务id计算分配事务协调器事务协调器返回pid，前面的幂等性中需要开始发送消息到topic中，不过这些消息与普通的消息不同，它们带着一个字段标识自己是事务消息当生产者事务内的消息发送完毕，会向事务协调器发送 commit或 abort请求，等待 kafka 响应事务协调器收到请求后先持久化到内置事务主题__transaction_state中，__transaction_state默认有50个分区，每个分区负责一部分事务。事务划分是根据transactional.id的hashcode值%50，计算出该事务属于哪个分区。 该分区Leader副本所在的broker节点即为这个transactional.id对应的Transaction Coordinator节点，这也是上面第一步中的计算逻辑。事务协调器后台会跟topic通信，告诉它们事务是成功还是失败的。如果是成功，topic会汇报自己已经收到消息，协调者收到主题的回应便确认了事务完成，并持久化这一结果。如果是失败的，主题会把这个事务内的消息丢弃，并汇报给协调者，协调者收到所有结果后再持久化这一信息，事务结束。持久化第6步中的事务成功或者失败的信息, 如果kafka broker配置max.transaction.timeout.ms之前既不提交也不中止事务, kafka broker将中止事务本身。 此属性的默认值为 15 分钟。总结

本文讲解了通过kafka事务可以实现端到端的精确一次的消息语义，通过事务机制，KAFKA 实现了对多个 topic的多个 partition的原子性的写入，通过一个例子了解了一下如何使用事物。同时也简单介绍了事务实现的原理，它底层必须要依赖kafka的幂等性机制，同时通过类似“二段提交”的方式保证事务的原子性。

欢迎关注个人公众号【JAVA旭阳】交流学习！

关键词：