所謂的消費語義,指的就是如下三種情況
其實類似還有乙個投遞語義
說句實在話,其實還是老問題,只是換了一種問法!
ok,開始我們的正文
我們先做如下約定
我們先從投遞語義開始講起,因為要先把這個概念講明白了,才能講消費語義。恰巧,kafka
實現了這三種語義,我們以kafka
來說明。
如何保證訊息最多投遞一次?
簡單,就是我已經投出去了,收沒收到不管了,會存在訊息丟失。
我們在初始化producer
時可以通過配置request.required.acks
不同的值,來實現不同的傳送模式。
這裡將request.required.acks
設為0,意思就是producer
不等待leader確認,只管發出即可;最可能丟失訊息。如果丟了訊息,就是投遞0次。如果沒丟,就是投遞1次。符合最多投遞一次的含義。
如何保證訊息至少投遞一次?
這裡將request.required.acks
設為-1。producer
往kafka
的leader(主)
節點傳送訊息後,會等follower(從)
節點同步完資料以後,再給producer
返回ack確認訊息。
但是這裡是有機率出現重複消費的問題的。
例如,kafka
儲存訊息後,傳送ack前宕機,producer
認為訊息未傳送成功並重試,造成資料重複!
那麼,在這種情況下,就會出現大於1次的投遞情況,符合至少投遞一次的含義。
如何保證訊息恰好投遞一次?
kafka
在0.11.0.0版本之後支援恰好投遞一次的語義。
我們將enable.idempotence
設定為ture,此時就會預設把request.required.acks
設為-1,可以達到恰好投遞一次的語義。
如何做到的?
為了實現producer
的冪等語義,kafka引入了producer id(即pid)和sequence number。
kafka
為每個producer
分配乙個pid,作為該producer
的唯一標識。
producer
會為每乙個維護乙個單調遞增的seq。
類似的,message queue
也會為每個記錄下最新的seq。
當req_seq == message_seq+1時,message queue
才會接受該訊息。因為:
這裡我們還是做乙個定義如下所示
注意了,我是以processmsg
函式,即處理訊息的過程,定義為消費訊息。
如何保證訊息最多消費一次?
producer
:滿足最多投遞一次的語義即可,即只管發訊息,不需要等待訊息佇列返回確認訊息。
message queue
:接到訊息後往記憶體中一放就行,不用持久化儲存。
consumer
:拉取到訊息以後,直接給訊息佇列返回確認訊息即可。至於後續消費訊息成功與否,無所謂的。即按照以下順序執行
consumer.poll();
consumer.commit();
processmsg(message);
如何保證訊息至少消費一次?
producer
:滿足至少投遞一次語義即可,即傳送訊息後,需要等待訊息佇列返回確認訊息。如果超時沒收到確認訊息,則重發。
message queue
:接到訊息後,進行持久化儲存,而後返回生產者確認訊息。
consumer
:拉取到訊息後,進行消費,消費成功後,再返回確認訊息。即按照如下順序執行
consumer.poll();
processmsg(message);
consumer.commit();
由於這裡producer
滿足的是至少投遞一次語義,因此訊息佇列中是有重複訊息的。所以我們的consumer
會出現重複消費的情形!
如何保證訊息恰好消費一次?
在保證至少消費一次的基礎上,processmsg
滿足冪等性操作即可。
如何保證冪等性操作?
老問題了,比如有狀態的訊息啊。比如唯一表啊。大家搜一搜,一大堆答案,不想重複說了。
Kafka的消費語義
at most once 最多消費一次 訊息0 1 訊息可能丟失 但是不會重複消費 log 解釋 消費者的offset已經提交,但是訊息還在處理,這個時候掛了,再重啟的時候會從上次提交的offset處消費,導致上次在處理的訊息部分丟失。at least once 至少消費1次 訊息 1 消費不可能丟...
go 型別的值語義和引用語義
go語言重大部分型別都是基於值語義,包括 1.基本型別 byte,int,bool,float32,float64,string等 2.復合型別 陣列array,結構體struct,指標pointer等 重點來了,c c 中,陣列傳遞是引用語義,但在go中,陣列和基本型別沒啥區別,都是值語義,也就是...
語義SLAM的資料關聯和語義定位(一)
語義slam和多感測器融合是自動駕駛建圖和定位部分比較熱門的兩種技術。語義slam中,語義資訊的資料關聯相較於特徵點的資料關聯有所不同。我們一般用特徵描述子的相似性來匹配和關聯不同影象中的特徵點。特徵點的描述子會受到光照 視角和感測器的影響,不太適用於大尺度長週期的任務,比如自動駕駛的高精度地圖。得...