前言

先簡單介紹下我們的使用場景，線上5臺Broker節(jié)點的kafka承接了所有binlog訂閱的數據，用于Flink組件接收數據做數據中臺的原始數據。昨兒開發(fā)反饋，線上的binlog大量報錯，都是kafka的異常，而且都是同一條topic拋的錯，特征也很明顯，發(fā)送的消息體非常大，主觀判斷肯定是寫入大消息導致的超時了，異常詳情如下：

thread:  kafka-producer-network-thread | producer-1
throwable:  org.apache.kafka.common.errors.TimeoutException: Expiring 1 record(s) for BIN-LOG-DATA-center-dmz2-TABLE-kk-data-center-ods_contract_finance_info-0 due to 56352 ms has passed since last append

定位異常點

應用拋一個不常見的異常，一般操作是先去百度or谷歌搜索一番的，就上面這個timeout超時的異常，搜索引擎的結果都是producer連不上Borker導致的問題，根本不是我們這個場景的，所以其次我們就需要從源碼中尋找答案了。博主使用的開發(fā)工具是IDEA，借助IDEA很容易定位到異常拋出點。首先定位TimeoutException異常類，然后按住ctrl鍵，點擊這個類，會出現如下圖所有拋TimeoutException異常的點，然后根據異常message內容，尋找相匹配的點擊進去就是拋異常的地方了，如圖，紅色箭頭所指即代碼位置：

分析拋異常的邏輯

程序中的異常，一定是符合某些條件才會拋出的，想要解決異常，只要讓運行時的環(huán)境不滿足拋異常的條件即可，下面就是拋異常的代碼：

boolean maybeExpire(int requestTimeoutMs, long retryBackoffMs, long now, long lingerMs, boolean isFull) {
        if (!this.inRetry() && isFull && requestTimeoutMs < (now - this.lastAppendTime))
            expiryErrorMessage = (now - this.lastAppendTime) + " ms has passed since last append";
        else if (!this.inRetry() && requestTimeoutMs < (createdTimeMs(now) - lingerMs))
            expiryErrorMessage = (createdTimeMs(now) - lingerMs) + " ms has passed since batch creation plus linger time";
        else if (this.inRetry() && requestTimeoutMs < (waitedTimeMs(now) - retryBackoffMs))
            expiryErrorMessage = (waitedTimeMs(now) - retryBackoffMs) + " ms has passed since last attempt plus backoff time";

        boolean expired = expiryErrorMessage != null;
        if (expired)
            abortRecordAppends();
        return expired;
    }

可以看到，我們的異常是在第一個邏輯判斷時候就滿足了所以拋異常了。在此處有可能會拋出三個不同的timeout異常，用中文語義翻譯條件分別是：

• 沒設置重試，并且發(fā)送批次（batch.size）滿了，并且配置請求超時時間（request.timeout.ms）小于【當前時間減去最后追加批次的時間】
• 沒設置重試，并且配置請求超時時間（request.timeout.ms）小于【創(chuàng)建批次時間減去配置的等待發(fā)送的時間（linger.ms）】
• 設置重試，并且配置請求超時時間（request.timeout.ms）小于【當前時間-最后重試時間-重試需要等待的時間（retry.backoff.ms）】

上面括號中的參數就是kafka producer中配置的相關的參數，這些參數都沒有重新設置過，batch.size默認是10kb大小，而引發(fā)報錯的消息都是36kb的大小，默認的request.timeout.ms超時設置是30s，所以在這個判斷可能過期了的方法中，引發(fā)我們異常的主要原因是batch.size和request.timeout.ms的參數設置問題了。

真實原因-解決方案

從上面代碼看表面原因是參數設置不夠了，實際上呢，博主使用kafka-test啟動了五個Borker集群做復現驗證測試，測試寫入相同的36kb的message，在所有配置也保持默認的情況下，也根本毫無壓力。后面查找相關的錯誤日志，發(fā)現所有的TimeoutException集中在幾乎同一時刻，經查明，是因為業(yè)務批量導入了數據到mysql中，造成binlog消息突然增加，高并發(fā)的往kafka寫大消息導致Borker處理不過來，造成的TimeoutException超時，所以真正解決問題也可以從兩個方面入手：

• 服務端：增加Borker，并設置多個TopicPartition，平攤寫入壓力，這個是根本的解決問題
• 客戶端：加大request.timeout.ms、batch.size參數，或者開啟消息重試，這種方案治標不治本，但是也能大概率的減少因為此類場景導致的TimeoutException

結語

異常不可怕，所有異常都是人為拋的，都是有既定的觸發(fā)條件的，只要定位到觸發(fā)異常的條件對癥下藥即可解決問題。不過博主五年來的經驗發(fā)現，日志打印真的是門藝術，在這個方面，Spring框架和Dubbo以及Apollo配置中心框架就是日志打印的典范，不管發(fā)生什么異常，日志里都會輸出詳細的上下文環(huán)境，異常的原因，建議的解決方法，如果涉及到相關的配置，也會打印該怎么配置最好。反觀kafka client的這條TimeoutException就顯的信息量有點過少了，如果能把相關的配置信息和排查的方向寫明會更好。最后安利一波kafka test，輕松搭建多Borker的kafka集群，一個注解就ok了。詳情參考我的這篇博文《深入研究spring boot集成kafka之spring-kafka底層原理》

以上就是kafka并發(fā)寫大消息異常TimeoutException排查記錄的詳細內容，更多關于kafka并發(fā)異常TimeoutException排查的資料請關注腳本之家其它相關文章！