【工作中问题解决实践 十一】Kafka消费者消费堆积且频繁rebalance

最近有点不走运，老是遇到基础服务的问题，还是记着点儿解决方法，以后再遇到快速解决吧，今天遇到这个问题倒不算紧急，但也能通过这个问题熟悉一下Kafka的配置。

问题背景

正在开会的时候突然收到一连串的报警，赶忙看看是为啥

没过一会儿基础服务报警也来了

告警名称：Kafka-topic consume exception
识别号：xxxxx
状态：firing 
开始时间：2023-08-0919:28:05
当前时间：2023-08-0919:28:05Summary：KafkaCluster: common-xxxx-xx Topic:{ xxxxxxx-prod }Group:xxxxxxx-prod Status:STALLDescription： 诊断报告

报警标识

Kafka 自身的异常状态的枚举：

1. Leader Not Available (LEADER_NOT_AVAILABLE): 当尝试读取或写入一个分区时，分区的 Leader 副本不可用。
2. Replica Not Available (REPLICA_NOT_AVAILABLE): 当尝试读取或写入一个分区时，分区的副本不可用。
3. Request Timeout (REQUEST_TIMED_OUT): 请求在指定的时间内没有得到响应，可能是因为网络延迟、负载过重等原因。
4. Offset Out of Range (OFFSET_OUT_OF_RANGE): 尝试读取一个不存在的偏移量。
5. Invalid Offset (INVALID_OFFSET): 提供了无效的偏移量。
6. Unknown Topic or Partition (UNKNOWN_TOPIC_OR_PARTITION): 尝试访问不存在的主题或分区。
7. Record Too Large (RECORD_TOO_LARGE): 尝试写入的记录大小超过了 broker 配置的最大记录大小。
8. Not Enough Replicas (NOT_ENOUGH_REPLICAS): 写入操作无法满足分区的最小副本数配置。
9. Message Size Too Large (MESSAGE_TOO_LARGE): 尝试写入的消息大小超过了 broker 配置的最大消息大小。
10. Topic Authorization Failed (TOPIC_AUTHORIZATION_FAILED): 消费者或生产者没有足够的权限来访问指定的主题。
11. Group Authorization Failed (GROUP_AUTHORIZATION_FAILED): 消费者群组没有足够的权限来访问指定的群组。
12. Offset Metadata Too Large (OFFSET_METADATA_TOO_LARGE): 提供的偏移量元数据超过了 broker 配置的最大大小。
13. Connection Error (CONNECTION_ERROR): 与 broker 的连接遇到问题，可能是网络故障或 broker 宕机等原因。
14. Unknown Error (UNKNOWN_ERROR): 未知的错误，可能是由于 Kafka 内部问题引起的。

这些异常状态可以在 Kafka 的客户端和服务端之间的交互中出现，通常会在日志或异常堆栈跟踪中得到体现

基于Kafka-topic_consume_exception策略，一般对于分区状态的依据kafka的报警状态枚举：

1. NotFound 状态：这个consumer group 不存在
2. OK 状态：正常消费
3. Warning 状态：有一个或多个分区正在延迟，当前在消费，但是消费延迟越来越大
4. Error 状态：有一个或多个分区已经处于STOP，STALL，Rewind等几种状态之一
5. Stop 状态：消费者已经有一段时间没有提交offset了，并且消费延迟非0
6. Stall 状态：消费者正在提交offset，但是offset没有增加，并且消费延迟非0
7. Rewind 状态：消费者提交了一个比之前还早的offset

ok，Stall状态结合监控异常，我们发现应该是一批次提交的数量太多处理不完了，可以通过增加批次处理间隔或减少批次数量避免延迟消费

问题原因

配置举例：

max.poll.records = 20

，而

max.poll.interval.ms = 1000

，也就是说consumer一次最多拉取 20 条消息，两次拉取的最长时间间隔为 1 秒。也就是说消费者拉取的20条消息必须在1秒内处理完成，紧接着拉取下一批消息。否则，超过1秒后，kafka broker会认为该消费者处理太缓慢而将他踢出消费组，从而导致消费组rebalance。根据kafka机制，消费组rebalance过程中是不会消费消息的。所以看到三台机器轮流拉取消息，又轮流被踢出消费组，消费组循环进行rebalance，消费就堆积了

标准指标

生产者的一些参数指标

消费者的一些参数指标

问题解决

明确问题原因后，很好解决，把一批的最大拉取数量调小即可：

spring.kafka.consumer.max-poll-records

，比默认值500多小一点，调整完配置上线后就解决了，消费延迟很快降低到0了

总结一下

照例总结一下，虽然基础服务的一些中间件一般都由基础架构部门维护，但还是要对这些中间件的配置和使用要有所了解，这样出了问题才能快速定位问题、解决问题，避免影响线上稳定性