中间件面试专题：kafka高频面试问题

开篇介绍

大家好，近期会整理一些Java高频面试题分享给小伙伴，也希望看到的小伙伴在找工作过程中能够用得到！本章节主要针对Java一些消息中间件高频面试题进行分享。

Q1：

什么是消息和批次？

消息，Kafka里的数据单元，也就是我们一般消息中间件里的消息的概念。消息由字节数组组成。消息还可以包含键，用以对消息选取分区。

为了提高效率，消息被分批写入Kafka。

批次，就是一组消息，这些消息属于同一个主题和分区。如果只传递单个消息，会导致大量的网络开销，把消息分成批次传输可以减少这开销。但是，这个需要权衡，批次里包含的消息越多，单位时间内处理的消息就越多，单个消息的传输时间就越长。如果进行压缩，可以提升数据的传输和存储能力，但需要更多的计算处理。

Q2：

什么是主题和分区？

Kafka的消息用主题进行分类，主题下可以被分为若干个分区。分区本质上是个提交日志，有新消息，这个消息就会以追加的方式写入分区，然后用先入先出的顺序读取。

但是因为主题会有多个分区，所以在整个主题的范围内，是无法保证消息的顺序的，单个分区则可以保证。

Kafka通过分区来实现数据冗余和伸缩性，因为分区可以分布在不同的服务器上，那就是说一个主题可以跨越多个服务器。

前面我们说Kafka可以看成一个流平台，很多时候，我们会把一个主题的数据看成一个流，不管有多少个分区。

Q3：

Kafka中的ISR、AR代表什么？ISR的伸缩指的什么？

• ISR ：In-Sync Replicas 副本同步队列

• AR ：Assigned Replicas 所有副本

ISR是由leader维护，follower从leader同步数据有一些延迟（包括 延迟时间replica.lag.time.max.ms 和 延迟条数replica.lag.max.message 两个维度，当前最新的版本0.10.x中只支持 replica.lag.time.max.ms 这个维度），任意一个超过阈值都会把follower剔除出ISR，存入OSR（Outof-Sync Replicas）列表，新加入的follower也会先存放在OSR中。

注：AR = ISR + OSR

Q4：

Broker 和 集群

一个独立的Kafka服务器叫Broker。broker的主要工作是，接收生产者的消息，设置偏移量，提交消息到磁盘保存；为消费者提供服务，响应请求，返回消息。在合适的硬件上，单个broker可以处理上千个分区和每秒百万级的消息量。

多个broker可以组成一个集群。每个集群中broker会选举出一个集群控制器。控制器会进行管理，包括将分区分配给broker和监控broker。

集群里，一个分区从属于一个broker，这个broker被称为首领。但是分区可以被分配给多个broker，这个时候会发生分区复制。

分区复制带来的好处是，提供了消息冗余。一旦首领broker失效，其他broker可以接管领导权。当然相关的消费者和生产者都要重新连接到新的首领上。

Q5：

kafka中的zookeeper起到什么作用？

zookeeper是一个分布式的协调组件，早期版本的kafaka用zk做 meta信息存储 ， consumer的消费状态 ， group的管理 以及 offset 的值。

考虑到zk本身的一些因素以及整个架构较大概率存在单点问题，新版本中逐渐弱化了zookeeper的作用。新的consumer使用了kafka内部的 group coordination 协议，也减少了对zookeeper的依赖。

Q6：

kafka follower如何与leader数据同步？

kafka的复制机制既不是完全的同步复制，也不是单纯的异步复制。

完全同步复制要求 All Alive Follower 都复制完，这条消息才会被认为commit，这种复制方式极大的影响了吞吐率。

一步复制方式下，Follower异步的从Leader复制数据，数据只要被Leader写入log就被认为已经commit，这种情况下，如果leader挂掉，会丢失数据；

kafka使用 ISR 的方式很好的均衡了确保数据不丢失以及吞吐率。Follower可以批量的从Leader复制数据，而且Leader充分利用磁盘顺序读以及 send file（zero copy） 机制，这样极大的提高复制性能，内部批量写磁盘，大幅减少了Follower与Leader的消息量差。

Q7：

kafka中的消息是否会丢失和重复消费？

消息发送：

kafka消息发送有两种方式：同步（sync）和异步（async）；

默认是同步方式，可通过 producer.type 属性进行配置；

kafka通过配置 request.required.acks 属性来确认消息的生产。

• 0：表示不进行消息接收是否成功的确认；

• 1：表示当Leader接收成功时确认；

• -1：表示Leader和Follower都接收成功时确认；

综上所述，有6种消息产生的情况，消息丢失的场景有：

• acks=0，不和kafka集群进行消息接收确认，则当网络异常、缓冲区满了等情况时，消息可能丢失；

• acks=1、同步模式下，只有Leader确认接收成功后但挂掉了，副本没有同步，数据可能丢失；

消息消费：

kafka消息消费有两个consumer接口， Low-level API 和 High-level API ：

• Low-level API：消费者自己维护offset等值，可以实现对kafka的完全控制；

• High-level API：封装了对parition 和 offset 的管理，使用简单；

如果使用高级接口High-level API，可能存在一个问题就是当消息消费者从集群中把消息取出来，并提交了新的消息offset值后，还没来得及消费就挂掉了，那么下次再消费时之前没消费成功的消息就"诡异"的消失了；

解决方案：

1 针对消息丢失：同步模式下，确认机制设置为-1，即让消息写入Leader 和 Follower之后再确认消息发送成功；异步模式下，为防止缓冲区满，可以在配置文件设置不限制阻塞超时时间，当缓冲区满时让生产者一直处于阻塞状态。

2 针对消息重复：将消息的唯一标识保存到外部介质中，每次消费时判断是否处理过即可。

Q8：

kafka为什么不支持读写分离？

在kafka中，生产者写入消息、消费者读取消息的操作都是与Leader副本进行交互的，从而实现的是一种主写主读的生产消费模型。

kafka并不支持主写从读，因为主写从读有2个很明显的缺点：

• 数据一致性问题：数据从主节点转到从节点必然会有一个延时的时间窗口，这个时间窗口会导致主从节点之间的数据不一致。某一时刻，在主节点和从节点中A数据的值都为X，之后将主节点中A的值修改为Y，那么在这个变更通知到从节点之前，应用读取从节点中的A数据的值并不为最新的Y值，由此便产生了数据不一致的问题。

• 延时问题：类似Redis这种组件，数据从写入主节点到同步至从节点的过程中需要经历 网络→主节点内存→网络→从节点内存 这几个阶段，整个过程会耗费一定的时间。而在kafka中，主从同步会比Redis更加耗时，它需要经历 网络→主节点内存→主节点磁盘→网络→从节点内存→从节点磁盘 这几个阶段。对延时敏感的应用而言，主写从读的功能场景并不太适用。

---

点关注、不迷路

如果觉得文章不错，欢迎关注、点赞、收藏，你们的支持是我创作的动力，感谢大家。

如果文章写的有问题，请不要吝啬，欢迎留言指出，我会及时核查修改。

如果你还想更加深入的了解我，可以私信我。每天8:00准时推送技术文章，让你的上班路不在孤独，而且每月还有送书活动，助你提升硬实力！