Spring Boot 应用Kafka讲解和案例示范

🕗 发布于 2024-09-28 00:53 spring boot kafka 后端 java 面试

Kafka 是一款高吞吐量、低延迟的分布式消息系统。本文将详细介绍如何在 Spring Boot 项目中使用 Kafka 进行消息接收与消费，并结合幂等和重试机制，确保消息消费的可靠性和系统的扩展性。我们将以电商交易系统为案例进行深入解析。

1. 系统架构概览

在电商系统中，Kafka 常用于订单状态变更、库存变化等事件的异步处理。

+----------------+     Kafka      +----------------+
| 订单服务       |  ---> Produce ---> | 消费服务       |
| (Order Service)|     Topic      | (Consumer Service)|
+----------------+                +----------------+
        |                                  |
     MySQL                               MySQL

主要流程：

订单服务：接收用户订单请求后，异步将订单信息发送到 Kafka。
消费服务：从 Kafka 中消费订单信息，更新库存、生成发货信息等操作。
数据库：使用 MySQL 存储订单和库存数据，并通过 MyBatis 实现持久化操作。

2. Kafka 的基础介绍

Kafka 是一种基于发布-订阅模式的消息系统，支持高吞吐、分区与复制等机制，具备容错和可扩展的特点。它的主要组成部分有：

Producer（生产者）：向 Kafka 的 Topic 发送消息。
Consumer（消费者）：从 Kafka 的 Topic 读取消息。
Broker（代理）：Kafka 的服务器集群。
Topic（主题）：消息的分类单位。
Partition（分区）：用于分布式处理消息。

3. 项目环境搭建

3.1 Maven 依赖

在 Spring Boot 项目中，我们通过 spring-kafka 提供对 Kafka 的集成。还需要引入 MyBatis 和 MySQL 相关依赖。

<dependencies>
    <!-- Spring Boot Kafka -->
    <dependency>
        <groupId>org.springframework.kafka</groupId>
        <artifactId>spring-kafka</artifactId>
    </dependency>

    <!-- MySQL Driver -->
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
    </dependency>

    <!-- MyBatis -->
    <dependency>
        <groupId>org.mybatis.spring.boot</groupId>
        <artifactId>mybatis-spring-boot-starter</artifactId>
        <version>2.2.0</version>
    </dependency>

    <!-- Spring Boot Starter Web -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>

    <!-- Lombok (可选，用于简化代码) -->
    <dependency>
        <groupId>org.projectlombok</groupId>
        <artifactId>lombok</artifactId>
        <optional>true</optional>
    </dependency>
</dependencies>

3.2 数据库表结构设计

为实现电商系统的消息接收与消费，以下是两个主要数据库表：订单表和消费记录表。

订单表（orders）：存储订单的基础信息。
消费记录表（message_consume_record）：记录消费过的消息，用于幂等校验。

CREATE TABLE orders (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    order_no VARCHAR(64) NOT NULL,
    user_id BIGINT NOT NULL,
    total_price DECIMAL(10, 2) NOT NULL,
    status INT NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE message_consume_record (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    message_key VARCHAR(64) NOT NULL UNIQUE,
    consumed_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

4. Kafka 消息生产与接收实现

4.1 生产者配置

在 Spring Boot 中，我们可以通过 KafkaTemplate 发送消息。首先，在 application.yml 中配置 Kafka 的基础信息：

spring:
  kafka:
    bootstrap-servers: localhost:9092
    producer:
      retries: 3
      key-serializer: org.apache.kafka.common.serialization.StringSerializer
      value-serializer: org.apache.kafka.common.serialization.StringSerializer

bootstrap-servers: 这是 Kafka 服务的地址，Kafka 集群通常由多个 Broker 组成，每个 Broker 提供消息的存储与转发功能。这里指定了本地的 Kafka 服务器（localhost:9092），如果有多个 Broker，可以用逗号分隔（例如：localhost:9092,localhost:9093）。

retries: 当消息发送失败时，生产者将重试发送的次数。这里配置了 3 次重试。这在网络不稳定或 Kafka 节点暂时不可用时非常有用，可以有效提高消息发送成功率。

key-serializer: 生产者发送的消息可以有一个键值对。key-serializer 用于将消息的键序列化为字节数组。这里使用了 StringSerializer，表示消息的键是字符串形式，序列化为字节后发送。

value-serializer: 类似于键，value-serializer 用于将消息的值序列化为字节数组。配置 StringSerializer 表示消息内容是字符串。

4.2 消息生产示例

@Service
public class OrderProducer {

    @Autowired
    private KafkaTemplate<String, String> kafkaTemplate;

    public void sendOrderMessage(String orderId) {
        kafkaTemplate.send("order-topic", orderId);
    }
}

在 OrderService 中，用户提交订单后，可以将订单 ID 发送至 Kafka：

@Service
public class OrderService {

    @Autowired
    private OrderProducer orderProducer;

    public void createOrder(OrderDTO order) {
        // 保存订单逻辑...
        orderProducer.sendOrderMessage(order.getOrderId());
    }
}

5. 消息消费实现

5.1 消费者配置

在消费者中，我们需要定义 @KafkaListener 注解监听 Kafka 主题，并从中接收消息。

spring:
  kafka:
    consumer:
      group-id: order-group
      auto-offset-reset: earliest
      key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
      value-deserializer: org.apache.kafka.common.serialization.StringDeserializer

group-id: 消费者组 ID。Kafka 允许多个消费者组监听同一个 Topic，每个消费者组可以独立消费消息。此处配置 order-group，意味着该消费者属于订单消费逻辑的消费者组。

auto-offset-reset: 指定消费者在没有初始偏移量（offset）或当前偏移量无效的情况下，从哪里开始读取消息。earliest 表示从最早的可用消息开始消费，这对于新启动的消费者非常有用，能够确保读取历史数据。

key-deserializer: 将接收到的消息键从字节数组反序列化为 Java 对象。这里配置 StringDeserializer，表示键是字符串。

value-deserializer: 类似于键的反序列化，value-deserializer 用于将消息内容反序列化为 Java 对象。配置 StringDeserializer，表示消息内容是字符串。

5.2 消息消费示例

@Service
public class OrderConsumer {

    @Autowired
    private OrderService orderService;

    @KafkaListener(topics = "order-topic", groupId = "order-group")
    public void consumeOrder(String orderId) {
        orderService.processOrder(orderId);
    }
}

在 OrderService 中，处理接收到的订单消息：

@Service
public class OrderService {

    @Autowired
    private OrderMapper orderMapper;

    @Transactional
    public void processOrder(String orderId) {
        // 根据订单 ID 更新订单状态、库存等操作
        Order order = orderMapper.findById(orderId);
        // 更新订单逻辑...
    }
}

6. 幂等性保证

Kafka 的消息消费可能会因为网络问题或其他故障导致重复消费，因此在消费消息时需要考虑幂等性。我们可以通过在数据库中存储每个消息的唯一标识来实现幂等。

6.1 幂等校验实现

在消费消息时，首先检查该消息是否已经被消费过：

@Service
public class OrderConsumer {

    @Autowired
    private MessageConsumeRecordMapper consumeRecordMapper;

    @KafkaListener(topics = "order-topic", groupId = "order-group")
    public void consumeOrder(String orderId) {
        if (consumeRecordMapper.existsByMessageKey(orderId)) {
            // 如果已经处理过该消息，直接返回
            return;
        }

        // 处理订单
        orderService.processOrder(orderId);

        // 记录已处理消息
        consumeRecordMapper.insertConsumeRecord(orderId);
    }
}

MessageConsumeRecordMapper 接口用于操作消费记录表：

@Mapper
public interface MessageConsumeRecordMapper {

    boolean existsByMessageKey(String messageKey);

    void insertConsumeRecord(String messageKey);
}

通过这种方式，我们确保了每条消息只被消费一次，避免重复处理订单数据。

7. 重试机制实现

为了保证消息的可靠消费，可能会需要对消费失败的消息进行重试。Kafka 提供了自动重试机制，但在多次重试失败后，仍然可能需要手动处理。因此，我们可以通过将消费失败的消息保存至数据库，并定期进行重试的方式，实现可靠的消息处理。

7.1 消费失败记录表设计

CREATE TABLE failed_message (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    message_key VARCHAR(64) NOT NULL,
    payload TEXT NOT NULL,
    failed_reason TEXT,
    retry_count INT DEFAULT 0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);

7.2 重试机制实现

在消费消息失败时，将消息记录到失败表中，并定期进行重试。

@Service
public class OrderConsumer {

    @Autowired
    private FailedMessageMapper failedMessageMapper;

    @KafkaListener(topics = "order-topic", groupId = "order-group")
    public void consumeOrder(String orderId) {
        try {
            orderService.processOrder(orderId);
        } catch (Exception e) {
            failedMessageMapper.insertFailedMessage(orderId, e.getMessage());
        }
     }
}

通过定时任务或手动触发，定期查询失败的消息并重新消费：

@Service
public class FailedMessageRetryService {

    @Autowired
    private FailedMessageMapper failedMessageMapper;

    @Scheduled(fixedDelay = 60000)  // 每分钟重试一次
    public void retryFailedMessages() {
        List<FailedMessage> failedMessages = failedMessageMapper.findAll();
        for (FailedMessage message : failedMessages) {
            try {
                orderService.processOrder(message.getPayload());
                failedMessageMapper.deleteById(message.getId());
            } catch (Exception e) {
                failedMessageMapper.incrementRetryCount(message.getId());
            }
        }
    }
}

8. 扩展性设计

为了使系统具备良好的扩展性，我们需要考虑以下几个方面：

8.1 支持多种消息格式

除了支持 Kafka 消息，我们可以通过设计合理的接口结构，扩展系统支持其他消息队列或 HTTP 请求的接入。例如，通过创建统一的 MessageConsumer 接口，任何类型的消息都可以实现消费逻辑。

public interface MessageConsumer {
    void consume(String payload);
}

@Service
public class KafkaOrderConsumer implements MessageConsumer {
    @Override
    public void consume(String payload) {
        // Kafka 消息消费逻辑
    }
}

通过这种设计，可以轻松添加新的消息类型或处理逻辑，而不需要修改现有代码。

8.2 动态配置

为了增强系统的灵活性，系统可以支持通过数据库或配置文件动态调整消息消费逻辑。例如，可以在配置文件中定义不同业务的消费逻辑：

message-consumers:
  order:
    type: kafka
    topic: order-topic
  user:
    type: http
    url: http://example.com/user/message

通过读取这些配置，系统可以动态选择不同的消费逻辑，从而增强扩展性。

9. 性能优化

9.1 异步消费

为了提高消费速度，可以将消息的处理逻辑放入线程池中异步执行，从而避免阻塞 Kafka 消费的主线程。

@Async
public void processOrderAsync(String orderId) {
    orderService.processOrder(orderId);
}

9.2 批量消费

Kafka 支持批量消费消息，这样可以减少 Kafka 客户端与 Broker 之间的交互次数，提升性能。在 Spring Boot 中，可以通过配置 max.poll.records 参数控制每次批量消费的消息数量。

spring:
  kafka:
    consumer:
      max-poll-records: 500

9.3 分区与并行消费

通过为 Kafka 的 Topic 配置多个分区，并为消费者组中的消费者分配不同的分区，可以实现并行消费，从而提升系统的消费能力。

spring:
  kafka:
    consumer:
      concurrency: 3

10. Kafka 防止 MQ 队列堆积太多导致内存溢出问题

在实际的生产环境中，当消费速度低于消息的生产速度时，Kafka 消费者端的消息队列可能会出现堆积。如果消息堆积时间过长，会导致 Kafka 中的分区文件过大，甚至在消费者端可能造成内存溢出。因此，我们需要在架构设计中考虑如何有效防止消息堆积的问题。

以下是一些常见的应对策略：

10.1 提高消费速度

当 Kafka 的消费速度低于生产速度时，最直接的应对措施就是提升消费的速度：

并行消费：通过配置 Kafka 消费者的 concurrency 参数来增加消费者实例的数量。Kafka 使用分区来进行负载均衡，分区的数量决定了并发消费的能力。因此，增加分区数可以提升消费者的并发处理能力。

spring:
  kafka:
    consumer:
      concurrency: 3  # 配置多个消费者进行并行处理

批量消费：通过 max.poll.records 参数配置每次拉取的消息数量。增加批量消费可以减少 Kafka 消费者与 Broker 之间的交互，从而提升性能。

spring:
  kafka:
    consumer:
      max-poll-records: 500  # 每次批量拉取 500 条消息

10.2 优化消息处理逻辑

在消费端，消息的处理速度是决定 Kafka 消费效率的关键。因此，需要对消费逻辑进行优化：

异步处理：在消息处理完成后再返回响应，可能导致整个消费过程变慢。可以通过使用异步任务处理消息内容，从而避免阻塞 Kafka 消费的主线程。可以结合 Spring 的 @Async 注解实现异步处理。

@Async
public void processOrderAsync(String orderId) {
    // 异步处理订单消息
    orderService.processOrder(orderId);
}

缩短消息处理时间：简化业务逻辑，避免冗长的处理流程。使用缓存等方式减少对数据库的频繁访问，降低 I/O 操作带来的性能开销。

10.3 调整 Kafka 生产者端的速率

生产者端的消息发送速率直接影响消息的堆积情况。当消费端无法跟上生产端的速度时，适当限制生产者的消息发送速率是一个有效的策略：

限流机制：在生产者端通过限流策略，控制每秒钟向 Kafka 发送的消息数量，确保消费者有足够的时间处理消息。例如，可以使用 RateLimiter 实现限流。

RateLimiter rateLimiter = RateLimiter.create(1000); // 每秒最多发送 1000 条消息

public void sendMessage(String topic, String message) {
    rateLimiter.acquire();  // 获取许可
    kafkaTemplate.send(topic, message);
}

分布式限流：如果消息的生产端部署在多个节点上，可以使用 Redis 等工具实现分布式限流。

10.4 设置合适的消费位移提交策略

Kafka 消费者有两种提交消费位移的方式：自动提交和手动提交。默认情况下，Kafka 会每隔一段时间自动提交消费位移。如果消费端发生异常，未能处理的消息在下次重新拉取时会再次被消费。为了避免消息重复消费，我们可以将消费位移的提交改为手动提交，确保消息处理完后再提交位移。

spring:
  kafka:
    consumer:
      enable-auto-commit: false  # 关闭自动提交位移

手动提交消费位移：

try {
    // 消费处理消息
    processMessage(record);
    // 手动提交位移
    acknowledgment.acknowledge();
} catch (Exception e) {
    // 处理异常
}

10.5 配置 Kafka 消息保留策略

如果消息堆积严重，可以通过 Kafka 的 retention.ms 参数设置消息的存储时间，确保超过存储时间的消息自动删除，防止 Kafka 分区文件无限制增长。

log.retention.ms=604800000  # 配置 Kafka 日志文件的保留时间，单位为毫秒，这里设置为 7 天

此外，可以通过配置 log.retention.bytes 来限制 Kafka 每个分区的日志文件大小，确保超出大小限制后自动删除最早的消息。

log.retention.bytes=1073741824  # 配置 Kafka 分区日志文件的最大大小，单位为字节，这里设置为 1 GB

10.6 使用 Kafka 消息压缩

对于大数据量的消息，可以启用 Kafka 消息压缩功能，减少消息的占用空间，从而提升生产和消费的效率。Kafka 支持多种压缩算法，包括 GZIP、LZ4 和 SNAPPY。

spring:
  kafka:
    producer:
      compression-type: gzip  # 启用 GZIP 压缩

压缩不仅可以减少网络传输的数据量，还可以降低 Kafka Broker 和消费端的存储压力，从而减少消息堆积的可能性。

原文地址：https://blog.csdn.net/weixin_39996520/article/details/142603149

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：使用rust+javascript+html5写一个问题记录的页面
下一篇：对抗攻击方法详解：梯度攻击、转移攻击与模型集成攻击

LeetCode 172. 阶乘后的零
给定一个整数 n ，返回 n!结果中尾随零的数量。= 120 ，有一个尾随 0。= 6 ，不含尾随 0。
阅读更多2024-09-28
Redis的过期删除策略
Redis 定期删除策略并不会遍历删除每个过期键，而是采用随机抽取的方式删除过期键，同时为了保证过期扫描不影响 Redis 主业务，Redis 的定期删除策略中还提供了最大执行时间，以保证 Redis
阅读更多2024-09-28
React & 理解 re-render 的作用、概念，并提供详细的例子解释
React & 理解 re-render 的作用、概念，并提供详细的例子解释
阅读更多2024-09-28
C++杂项
将之前实现的顺序表、栈、队列都更改成模板类顺序表运行结果：栈运行结果：队列。
阅读更多2024-09-28
数组三种操作方法的对比
参数修改第一个ChangeIt方法（z = null;）不修改原数组，只改变了局部变量z的引用。方法修改了数组的元素，影响原数组内容。第二个ChangeIt方法通过创建新引用A，也成功修改了原数组的内
阅读更多2024-09-28
前海石公园的停车点探寻
前海石公园是真的很美，很多看海人，很多钓鱼佬，很多抓螃蟹的人，很多挖沙子的人，很多拍照的人，尤其是没有大太阳的时间段或每天傍晚或每个放假的时候人气超高，故前海石公园停车真的很紧张。就在前海石公园停车场
阅读更多2024-09-28
109.游戏安全项目：信息显示二-利用游戏通知辅助计算基址
游戏逆向游戏安全游戏攻防 c++ 反游戏外挂保姆级攻略 Windows
阅读更多2024-09-28
Vue3.X + SpringBoot小程序 | AI大模型项目 | 饮食陪伴官
Food Buddy，饮食陪伴官项目。这是一款专注于饮食管理的uniapp程序。在传统饮食管理APP的基础上，融入了AI伙伴，这个全新的尝试不仅能增加饮食管理的趣味性，更重要的能增加用户解决自身问题
阅读更多2024-09-28
Python Web 与大数据分析平台的集成与应用
在现代数据分析领域，Python凭借其丰富的生态系统，已成为与大数据平台集成的重要工具。大数据平台如Hadoop和Spark为数据存储与处理提供了强大的基础设施，而Python则提供了简洁的编程体验与
阅读更多2024-09-28
Simple Calculator(简单计算器：算法初阶，代码基础，“纯”手撕)
如果你的目标是编写一个易于理解和维护的代码，第一个calculate函数可能更适合。如果你追求代码的简洁性和效率，第二个calculate函数可能更符合你的需求。两个实现都是有效的，并且都可以作为学习
阅读更多2024-09-28