线上kafka消息堆积，consumer掉线，怎么办？

线上kafka消息堆积，所有consumer全部掉线，到底怎么回事？
最近处理了一次线上故障，具体故障表现就是kafka某个topic消息堆积，这个topic的相关consumer全部掉线。

整体排查过程和事后的复盘都很有意思，并且结合本次故障，对kafka使用的最佳实践有了更深刻的理解。

好了，一起来回顾下这次线上故障吧，最佳实践总结放在最后，千万不要错过。

1、现象

线上kafka消息突然开始堆积，消费者应用反馈没有收到消息（没有处理消息的日志），kafka的consumer group上看没有消费者注册，消费者应用和kafka集群最近一周内没有代码、配置相关变更。

2、排查过程

服务端、客户端都没有特别的异常日志，kafka其他topic的生产和消费都是正常，所以基本可以判断是客户端消费存在问题。

所以我们重点放在客户端排查上。

1）arthas在线修改日志等级，输出debug

由于客户端并没有明显异常日志，因此只能通过arthas修改应用日志等级，来寻找线索。

果然有比较重要的发现：


2022-10-25 17:36:17,774 DEBUG [org.apache.kafka.clients.consumer.internals.AbstractCoordinator] - [Consumer clientId=consumer-1, groupId=xxxx] Disabling heartbeat thread
 
2022-10-25 17:36:17,773 DEBUG [org.apache.kafka.clients.consumer.internals.AbstractCoordinator] - [Consumer clientId=consumer-1, groupId=xxxx] Sending LeaveGroup request to coordinator xxxxxx (id: 2147483644 rack: null)

看起来是kafka-client自己主动发送消息给kafka集群，进行自我驱逐了。因此consumer都掉线了。

2）arthas查看相关线程状态变量
用arthas vmtool命令进一步看下kafka-client相关线程的状态。

可以看到 HeartbeatThread线程状态是WAITING，Cordinator状态是UNJOINED。

此时，结合源码看，大概推断是由于消费时间过长，导致客户端自我驱逐了。

于是立刻尝试修改max.poll.records，减少一批拉取的消息数量，同时增大max.poll.interval.ms参数，避免由于拉取间隔时间过长导致自我驱逐。

参数修改上线后，发现consumer确实不掉线了，但是消费一段时间后，还是就停止消费了。

3、最终原因

相关同学去查看了消费逻辑，发现了业务代码中的死循环，确认了最终原因。

消息内容中的一个字段有新的值，触发了消费者消费逻辑的死循环，导致后续消息无法消费。同时，消费阻塞导致消费者自我驱逐，partition重新reblance，所有消费者逐个自我驱逐。

这里核心涉及到kafka的消费者和kafka之间的保活机制，可以简单了解一下。

kafka-client会有一个独立线程HeartbeatThread跟kafka集群进行定时心跳，这个线程跟lisenter无关，完全独立。

根据debug日志显示的“Sending LeaveGroup request”信息，我们可以很容易定位到自我驱逐的逻辑。

HeartbeatThread线程在发送心跳前，会比较一下当前时间跟上次poll时间，一旦大于max.poll.interval.ms 参数，就会发起自我驱逐了。

4、进一步思考

虽然最后原因找到了，但是回顾下整个排查过程，其实并不顺利，主要有两点：

kafka-client对某个消息消费超时能否有明确异常？而不是只看到自我驱逐和rebalance
有没有办法通过什么手段发现消费死循环？

4.1 kafka-client对某个消息消费超时能否有明确异常？

4.1.1 kafka似乎没有类似机制

我们对消费逻辑进行断点，可以很容易看到整个调用链路。

对消费者来说，主要采用一个线程池来处理每个kafkaListener，一个listener就是一个独立线程。

这个线程会同步处理 poll消息，然后动态代理回调用户自定义的消息消费逻辑，也就是我们在@KafkaListener中写的业务。

所以，从这里可以知道两件事情。

第一点，如果业务消费逻辑很慢或者卡住了，会影响poll。

第二点，这里没有看到直接设置消费超时的参数，其实也不太好做。

因为这里做了超时中断，那么poll也会被中断，是在同一个线程中。所以要么poll和消费逻辑在两个工作线程，要么中断掉当前线程后，重新起一个线程poll。

所以从业务使用角度来说，可能的实现，还是自己设置业务超时。比较通用的实现，可以是在消费逻辑中，用线程池处理消费逻辑，同时用Future get阻塞超时中断。

google了一下，发现kafka 0.8 曾经有consumer.timeout.ms这个参数，但是现在的版本没有这个参数了，不知道是不是类似的作用。

4.1.2 RocketMQ有点相关机制

然后去看了下RocketMQ是否有相关实现，果然有发现。

在RocketMQ中，可以对consumer设置consumeTimeout，这个超时就跟我们的设想有一点像了。

consumer会启动一个异步线程池对正在消费的消息做定时做 cleanExpiredMsg() 处理。

注意，如果消息类型是顺序消费（orderly），这个机制就不生效。

如果是并发消费，那么就会进行超时判断，如果超时了，就会将这条消息的信息通过sendMessageBack() 方法发回给broker进行重试。

如果消息重试超过一定次数，就会进入RocketMQ的死信队列。

spring-kafka其实也有做类似的封装，可以自定义一个死信topic，做异常处理

4.2 有办法快速发现死循环吗？

一般来说，死循环的线程会导致CPU飙高、OOM等现象，在本次故障中，并没有相关异常表现，所以并没有联系到死循环的问题。

那通过这次故障后，对kafka相关机制有了更深刻了解，poll间隔超时很有可能就是消费阻塞甚至死循环导致。

所以，如果下次出现类似问题，消费者停止消费，但是kafkaListener线程还在，可以直接通过arthas的 thread id 命令查看对应线程的调用栈，看看是否有异常方法死循环调用。

5、最佳实践

通过此次故障，我们也可以总结几点kafka使用的最佳实践：

使用消息队列进行消费时，一定需要多考虑异常情况，包括幂等、耗时处理（甚至死循环）的情况。
尽量提高客户端的消费速度，消费逻辑另起线程进行处理，并最好做超时控制。
减少Group订阅Topic的数量，一个Group订阅的Topic最好不要超过5个，建议一个Group只订阅一个Topic。

参考以下说明调整参数值：max.poll.records：降低该参数值，建议远远小于<单个线程每秒消费的条数> * <消费线程的个数> * <max.poll.interval.ms>的积。max.poll.interval.ms: 该值要大于<max.poll.records> / (<单个线程每秒消费的条数> * <消费线程的个数>)的值。