Kafka批量消费

在Spring Kafka中，使用

@KafkaListener

注解处理批量信息时，首先需要开启批量监听模式，并配置相应的consumer参数来控制批量消费行为。以下是配置和处理批量消息的基本步骤：

1. 配置Kafka消费者工厂： 设置batchListener属性为true，使@KafkaListener支持批量消费。@BeanpublicConcurrentKafkaListenerContainerFactory<String,String>kafkaListenerContainerFactory(){ConcurrentKafkaListenerContainerFactory<String,String> factory =newConcurrentKafkaListenerContainerFactory<>(); factory.setConsumerFactory(consumerFactory());// 开启批量监听模式 factory.setBatchListener(true);// 其他相关配置，比如并发度、错误处理等return factory;}
2. 配置消费者参数： 设置ConsumerConfig.MAX_POLL_RECORDS_CONFIG，指定每次poll请求从Kafka服务器获取的最大记录数。并且关闭offset自动提交enable-auto-commit: false# application.properties 或 application.ymlspring: kafka: consumer: bootstrap-servers: localhost:9092 group-id: my-group max-poll-records: 100 # 其他配置项，如enable-auto-commit, auto-offset-reset等
3. 编写批量处理方法： 定义一个方法，其参数是一个包含多条消息的列表，@KafkaListener注解下的方法将会接收到批量的消息。@KafkaListener(topics ="my-topic")publicvoidprocessMessages(List<ConsumerRecord<String,String>> records,Acknowledgment acknowledgment){try{// 处理批量消息for(ConsumerRecord<String,String> record : records){// 对每条消息进行处理}// 成功处理后手动提交偏移量 acknowledgment.acknowledge();}catch(Exception e){// 错误处理，记录错误，考虑是否重试或者有其他补偿措施 log.error("Error processing message batch", e);}}
4. 处理异常和偏移量提交： 当批量处理消息时，需要注意的是，一旦消息处理完成且没有错误，应当手动提交偏移量，以确认这些消息已经被成功消费。如果有消息处理失败，则可能需要根据业务需求选择不同的策略，比如重新尝试处理整个批次、跳过错误消息或者记录错误信息稍后处理。

通过以上步骤，

@KafkaListener

就能按照批处理的方式接收并处理Kafka主题中的消息了。

批量消费Kafka中的消息，然后将这些消息放入队列中，最后利用线程池异步处理这些队列中的消息。这种方式有助于优化资源利用率，尤其是当消息处理逻辑较为耗时或者IO密集型时，可以有效提升系统的并行处理能力和吞吐量。

import org.springframework.kafka.annotation.KafkaListener;
import org.springframework.kafka.support.Acknowledgment;
import org.springframework.stereotype.Component;
import org.springframework.util.concurrent.ListenableFuture;
import org.springframework.util.concurrent.ListenableFutureCallback;
import org.springframework.scheduling.concurrent.ThreadPoolTaskExecutor;
import java.util.List;
import java.util.concurrent.BlockingQueue;
import java.util.concurrent.LinkedBlockingQueue;
@Component
public class BatchMessageProcessor {
    private final ThreadPoolTaskExecutor taskExecutor;
    private final BlockingQueue<ConsumerRecord<String, String>> messageQueue = new LinkedBlockingQueue<>();
    public BatchMessageProcessor(ThreadPoolTaskExecutor taskExecutor) {
        this.taskExecutor = taskExecutor;
    }
    @KafkaListener(topics = "my-topic", batch = true)
    public void consume(List<ConsumerRecord<String, String>> records, Acknowledgment acknowledgment) {
        for (ConsumerRecord<String, String> record : records) {
            // 将消费到的消息放入队列
            messageQueue.offer(record);
        }
        // 异步处理消息队列
        processMessageQueue(acknowledgment);
    }
    private void processMessageQueue(Acknowledgment acknowledgment) {
        List<ConsumerRecord<String, String>> messagesToProcess;
        synchronized (messageQueue) {
            // 从队列中批量取出消息
            messagesToProcess = new ArrayList<>(messageQueue.size());
            messageQueue.drainTo(messagesToProcess, 100); // 假设批量处理100条
        }
        if (!messagesToProcess.isEmpty()) {
            ListenableFuture<?> future = taskExecutor.submit(() -> {
                for (ConsumerRecord<String, String> record : messagesToProcess) {
                    // 实际处理消息的逻辑
                    processSingleMessage(record);
                }
                // 所有消息处理完毕后提交偏移量
                acknowledgment.acknowledge();
            });
            // 可以添加回调函数，用于处理线程池任务执行后的结果
            future.addCallback(new ListenableFutureCallback<Object>() {
                @Override
                public void onSuccess(Object result) {
                    // 处理成功逻辑
                }
                @Override
                public void onFailure(Throwable ex) {
                    // 处理失败逻辑，如日志记录、重试等
                }
            });
        }
    }
    private void processSingleMessage(ConsumerRecord<String, String> record) {
        // 这里实现单个消息的具体处理逻辑
    }
}