kafka之重复消费数据

在进入主题之前，我们先思考一个问题。
问题

kafka消费者使用自动提交的模式，提交间隔为2s，消费者在获取数据的时候处理0.5s，从kafka拉取过来的数据只够处理1秒。那么消费者下次拉取过来的数据是否是已经消费完的数据？或者说由于数据已经消费，但是偏移量没有被提交，是否会造成下次获取的数据是从旧的偏移量开始拉取？

答案

不会是旧数据，kafka的消费者也有自己偏移量，这个偏移量是从kafka中读取的量，和kafka提交的偏移量不一样。假设变成自动提交偏移量，而且没有写提交的逻辑，同一个消费者，除了第一次或者rebalance会根据已提交的offset来获取数据，剩下的时候都是根据自己本地的偏移量来获取的。这个模式有点类似于用桶取水，用瓢来喝水。消费者就是桶的角色，poll就是瓢的角色。

重复消费的情况

我们把重复消费的情况分为2种，一种是想避免的，一种是故意如此的。

想避免的场景

1. 消费者使用了自动提交模式，当还没有提交的时候，有新的消费者加入或者移除，发生了rebalance。再次消费的时候，消费者会根据提交的偏移量来，于是重复消费了数据。
2. 使用异步提交，并且在callback里写了失败重试，但是没有注意顺序。例如提交5的时候，发送网络故障，由于是异步，程序继续运行，再次提交10的时候，提交成功，此时正好运行到5的重试，并且成功。当发生了rebalance，又会重复消费了数据。

注：这里不讨论那个消费者提交的offset的作用。

故意的场景

1. 使用不同的组消费同一个topic。改个 group.id属性即可。
2. 自己手动提交偏移量。 这里的麻烦的地方就是需要理解开头的问题，并不是说你提交完就可以了。你得想个办法去读取那个偏移量再次消费。下面提供一个暴力的手段，关闭消费者，然后再次开启新的。

 public static void consumer(Properties properties,String info) {
        System.out.println(info);
        KafkaConsumer<String, String> kafkaConsumer = new KafkaConsumer(properties);
        kafkaConsumer.subscribe(Arrays.asList(new String[]{"hello"}));
        boolean flag = false;
        while (true) {
            ConsumerRecords<String, String> poll = kafkaConsumer.poll(100);
            if (!poll.isEmpty()) {
                for (ConsumerRecord<String, String> o : poll) {
                    System.out.println(o.value() + o.offset());
                    //假设场景为重复消费3，这里需要根据业务来提交便宜量
                    if (o.offset() == 3) {
                        //手动提交偏移量
                        Map<TopicPartition, OffsetAndMetadata> currentOffset = new HashMap<TopicPartition, OffsetAndMetadata>();
                        //提交的偏移量，这个偏移量就是下次消费的第一条数据
                        currentOffset.put(new TopicPartition(o.topic(), o.partition()), new OffsetAndMetadata(o.offset()+1, ""));
                        kafkaConsumer.commitSync(currentOffset);
                        flag = true;
                        break;
                    }
                }
            }
            if(flag){
                kafkaConsumer.close();
                break;
            }
        }
    }

这里也必须注意，kafka并不是数据库，他保存的数据有持久化的时间和大小的限制，可能你提交的偏移量的数据已经被kafka清理掉了。