1、背景引入：很多同學看不懂kafka參數

今天給大家聊一個很有意思的話題，大家知道很多公司都會基于Kafka作為MQ來開發一些復雜的大型系統。

而在使用Kafka的客戶端編寫代碼與服務器交互的時候，是需要對客戶端設置很多的參數的。

所以我就見過很多年輕的同學，可能剛剛加入團隊，對Kafka這個技術其實并不是很了解。

此時就會導致他們看團隊里的一些資深同事寫的一些代碼，會看不懂是怎么回事，不了解背后的含義，這里面尤其是一些Kafka參數的設置。

所以這篇文章，我們還是采用老規矩畫圖的形式，來聊聊Kafka生產端一些常見參數的設置，讓大家下次看到一些Kafka客戶端設置的參數時，不會再感到發怵。

2、一段Kafka生產端的示例代碼

Properties props = new Properties();
props.put("bootstrap.servers", "localhost:9092");
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("buffer.memory", 67108864);
props.put("batch.size", 131072);
props.put("linger.ms", 100);
props.put("max.request.size", 10485760);
props.put("acks", "1");
props.put("retries", 10);
props.put("retry.backoff.ms", 500);

KafkaProducer<String, String> producer = new KafkaProducer<String, String>(props);

3、內存緩沖的大小

首先我們看看“buffer.memory”這個參數是什么意思？

Kafka的客戶端發送數據到服務器，一般都是要經過緩沖的，也就是說，你通過KafkaProducer發送出去的消息都是先進入到客戶端本地的內存緩沖里，然后把很多消息收集成一個一個的Batch，再發送到Broker上去的。

所以這個“buffer.memory”的本質就是用來約束KafkaProducer能夠使用的內存緩沖的大小的，他的默認值是32MB。

那么既然了解了這個含義，大家想一下，在生產項目里，這個參數應該怎么來設置呢？

你可以先想一下，如果這個內存緩沖設置的過小的話，可能會導致一個什么問題？

首先要明確一點，那就是在內存緩沖里大量的消息會緩沖在里面，形成一個一個的Batch，每個Batch里包含多條消息。

然后KafkaProducer有一個Sender線程會把多個Batch打包成一個Request發送到Kafka服務器上去。

?那么如果要是內存設置的太小，可能導致一個問題：消息快速的寫入內存緩沖里面，但是Sender線程來不及把Request發送到Kafka服務器。

這樣是不是會造成內存緩沖很快就被寫滿？一旦被寫滿，就會阻塞用戶線程，不讓繼續往Kafka寫消息了。

所以對于“buffer.memory”這個參數應該結合自己的實際情況來進行壓測，你需要測算一下在生產環境，你的用戶線程會以每秒多少消息的頻率來寫入內存緩沖。?

比如說每秒300條消息，那么你就需要壓測一下，假設內存緩沖就32MB，每秒寫300條消息到內存緩沖，是否會經常把內存緩沖寫滿？經過這樣的壓測，你可以調試出來一個合理的內存大小。

4、多少數據打包為一個Batch合適？

接著你需要思考第二個問題，就是你的“batch.size”應該如何設置？這個東西是決定了你的每個Batch要存放多少數據就可以發送出去了。

比如說你要是給一個Batch設置成是16KB的大小，那么里面湊夠16KB的數據就可以發送了。

這個參數的默認值是16KB，一般可以嘗試把這個參數調節大一些，然后利用自己的生產環境發消息的負載來測試一下。

比如說發送消息的頻率就是每秒300條，那么如果比如“batch.size”調節到了32KB，或者64KB，是否可以提升發送消息的整體吞吐量。

因為理論上來說，提升batch的大小，可以允許更多的數據緩沖在里面，那么一次Request發送出去的數據量就更多了，這樣吞吐量可能會有所提升。

但是這個東西也不能無限的大，過于大了之后，要是數據老是緩沖在Batch里遲遲不發送出去，那么豈不是你發送消息的延遲就會很高。

比如說，一條消息進入了Batch，但是要等待5秒鐘Batch才湊滿了64KB，才能發送出去。那這條消息的延遲就是5秒鐘。

所以需要在這里按照生產環境的發消息的速率，調節不同的Batch大小自己測試一下最終出去的吞吐量以及消息的 延遲，設置一個最合理的參數。

5、要是一個Batch遲遲無法湊滿怎么辦？

要是一個Batch遲遲無法湊滿，此時就需要引入另外一個參數了，“linger.ms”

他的含義就是說一個Batch被創建之后，最多過多久，不管這個Batch有沒有寫滿，都必須發送出去了。

給大家舉個例子，比如說batch.size是16kb，但是現在某個低峰時間段，發送消息很慢。

這就導致可能Batch被創建之后，陸陸續續有消息進來，但是遲遲無法湊夠16KB，難道此時就一直等著嗎？

當然不是，假設你現在設置“linger.ms”是50ms，那么只要這個Batch從創建開始到現在已經過了50ms了，哪怕他還沒滿16KB，也要發送他出去了。

所以“linger.ms”決定了你的消息一旦寫入一個Batch，最多等待這么多時間，他一定會跟著Batch一起發送出去。

避免一個Batch遲遲湊不滿，導致消息一直積壓在內存里發送不出去的情況。這是一個很關鍵的參數。

這個參數一般要非常慎重的來設置，要配合batch.size一起來設置。

舉個例子，首先假設你的Batch是32KB，那么你得估算一下，正常情況下，一般多久會湊夠一個Batch，比如正常來說可能20ms就會湊夠一個Batch。

那么你的linger.ms就可以設置為25ms，也就是說，正常來說，大部分的Batch在20ms內都會湊滿，但是你的linger.ms可以保證，哪怕遇到低峰時期，20ms湊不滿一個Batch，還是會在25ms之后強制Batch發送出去。

如果要是你把linger.ms設置的太小了，比如說默認就是0ms，或者你設置個5ms，那可能導致你的Batch雖然設置了32KB，但是經常是還沒湊夠32KB的數據，5ms之后就直接強制Batch發送出去，這樣也不太好其實，會導致你的Batch形同虛設，一直湊不滿數據。

6、最大請求大小

“max.request.size”這個參數決定了每次發送給Kafka服務器請求的最大大小，同時也會限制你一條消息的最大大小也不能超過這個參數設置的值，這個其實可以根據你自己的消息的大小來靈活的調整。

給大家舉個例子，你們公司發送的消息都是那種大的報文消息，每條消息都是很多的數據，一條消息可能都要20KB。

此時你的batch.size是不是就需要調節大一些？比如設置個512KB？然后你的buffer.memory是不是要給的大一些？比如設置個128MB？

只有這樣，才能讓你在大消息的場景下，還能使用Batch打包多條消息的機制。但是此時“max.request.size”是不是也得同步增加？

因為可能你的一個請求是很大的，默認他是1MB，你是不是可以適當調大一些，比如調節到5MB？

7、重試機制

“retries”和“retries.backoff.ms”決定了重試機制，也就是如果一個請求失敗了可以重試幾次，每次重試的間隔是多少毫秒。

這個大家適當設置幾次重試的機會，給一定的重試間隔即可，比如給100ms的重試間隔。

8、持久化機制

“acks”參數決定了發送出去的消息要采用什么樣的持久化策略，這個涉及到了很多其他的概念。