1.Kafka Exactly Once 语义实现原理：幂等性与事务消息
2.Kafka之enable.auto.commit使用解析
3.kafka面试，幂幂看这一篇就够了
4.纯干货：10分钟了解Kafka，等性RocketMQ，源码Seata的幂幂事务实现
Kafka Exactly Once 语义实现原理：幂等性与事务消息
Kafka Exactly Once 语义实现原理详解：幂等性与事务消息
在分布式系统中，确保数据处理准确性和一致性至关重要。等性Apache Kafka 的源码信用卡 源码事务消息功能为确保消息以原子方式处理提供了可能。本文将深入探讨Exactly-Once语义的幂幂实现，涉及幂等性概念、等性事务流程、源码以及如何在Kafka中操作。幂幂 在Kafka流处理场景中，等性如图所示，源码事务处理涉及从上游数据源（如MySQL binlog）读取数据，幂幂经过Spark Streaming处理后写入下游Topic。等性为了保证Exactly-Once，源码必须确保消息仅被消费和发送一次。Kafka通过生产和消费的幂等性，以及事务机制来实现这一目标。 生产者幂等性是关键，通过设置enable.idempotence参数并控制连接、重试和确认机制。消息序列号确保同一生产者在分区内的发送是唯一的。幂等约束要求同一分区、同一Producer下，消息的序列号递增。 事务流程涉及初始化事务、windows打印源码添加分区到事务、发送消息以及提交或回滚。Producer首先获取TransactionCoordinator，然后初始化、开始和提交事务，确保消息的持久化和状态同步。消费时，Kafka通过LSO机制和txnindex文件避免脏读，保证隔离性。 Kafka事务提供了原子性、一致性（最终一致性）、隔离性和持久性，但有集群内操作的限制和性能开销。开发者需权衡事务带来的好处与潜在限制，以适应实际应用需求。Kafka之enable.auto.commit使用解析
Kafka的enable.auto.commit功能是自动提交消费者偏移量的设置，默认状态下为启用（ENABLE_AUTO_COMMIT_CONFIG设为true）。默认的auto.commit.interval.ms为毫秒，这意味着每当消费消息后，系统会自动更新offset位置，确保消息不会重复消费，即使程序重启，也能从上次消费的位置继续。
然而，如果将enable.auto.commit设置为false，图片评论源码即手动提交模式，Kafka不会自动更新offset，此时auto.commit.interval.ms的设置将不再影响。手动模式下，如果程序重启，没有手动确认过的offset会被视为未消费，可能会导致数据重复消费，与幂等性原则不符。
为了实现幂等性，当切换到手动提交模式，我们需要在代码中添加相应的逻辑，确保每次服务重启时，消费者会从上一次手动确认的offset位置开始消费，从而避免数据重复。这样，无论程序如何重启，都能保证消息消费的一致性。
kafka面试，看这一篇就够了
MQ（消息队列）在跨进程通信中的应用为异步RPC，其上游系统对调用结果的态度通常是重要但不紧急。使用MQ的好处包括：业务解耦、流量削峰以及灵活扩展。本文深入探讨了消息中间件Kafka的特性和工作原理。
Kafka是一种分布式的消息引擎，它将消息的口红闯关源码主题（Topic）进行归类，每条消息都有其特定的Topic。Kafka通过将Topic物理上划分为一个或多个分区（Partition），每个分区在物理上对应一个文件夹，命名方式为“topicName_partitionIndex”。这种设计使得Kafka的吞吐率能够水平扩展。每个分区相当于一个顺序、不可变的消息队列，支持持续添加消息。消息在分区中被分配了唯一的偏移量（Offset）。
生产者（Producer）向Kafka发送消息，决定消息存储到哪个分区。这可以通过分区算法，如基于分区列表的轮询或根据权重选择分区，或通过自定义算法实现。合理设置分区规则有助于实现负载均衡。
消费者（Consumer）订阅并消费消息，使用ConsumerGroup来标识自己。一个ConsumerGroup可以并发地消费多个分区的消息，但同一分区只能由一个ConsumerGroup内的消费者消费。
Kafka的Producer设计原理包含发送消息流程、幂等性处理和吞吐性优化。Producer将消息序列化后计算分区，然后将消息发送到对应的Broker。实现幂等性通过引入Producer ID和Sequence Number，确保消息的摄影门户源码正确处理。Producer与Broker之间的通信采用长连接，使用Sender线程管理消息发送过程，提高吞吐率和降低延迟。
Consumer设计原理基于poll消息机制，使用ConsumerGroup管理消息位移，确保消费者重启后从上次消费位置继续。消息位移信息在Kafka新版本中被集成到消息中，存储在特定Topic中，提高高并发读写性能。
Kafka的Group状态管理包括重平衡机制。当消费者消费不均衡时，Kafka自动执行重平衡，以重新分配分区。新版本增加了group.initial.rebalance.delay.ms参数，减少重平衡次数，优化性能。
Broker作为Kafka集群的节点，负责处理生产者发送的消息和消费者的请求。每台Broker保存相同的状态数据，包括负载均衡策略，确保分区数量和硬盘占用大小均匀分布。Kafka通过结合同步复制和异步复制实现高可用性，确保数据不丢失并提高吞吐率。
Kafka的高性能通过业务方对Producer的优化实现，包括内存管理和网络优化等策略，进一步提升系统性能。
本文内容转载自微信公众号WeCoding，原文链接可在线查看。请在转载时在文章开头和结尾加粗上述内容以确保版权信息的完整和正确引用。
纯干货：分钟了解Kafka，RocketMQ，Seata的事务实现
其实，Kafka、RocketMQ和Seata的事务实现都是基于2PC协议的。理解其中的一个，其他的也就差不多了。
2PC协议，就是将事务提交过程分为两个阶段：请求表决阶段和提交执行阶段。
TC代表事务协调器，即TransactionCoordinator。
先来说说Kafka的事务消息，它指的是多消息投递的原子性。以consume-process-produce（消费-执行-投递）为例，上述TC中每次保存都是指持久化到日志中。这些保存的内容是事务的上下文和状态，与缓存中的数据一致，只起到一个日志先行的作用，方便宕机恢复。保存的内容没有redo、undo操作，这是与2PC协议的第一个不同，因为不需要。最终不论提交还是回滚，只是对状态做一个修改而已。
第二个与2PC协议的不同在于第一阶段结束，TC直接返回给producer事务结果，而没有等到第二阶段结束收到ACK，原因还是不需要。这个时候TC已经拥有了整个事务流程的信息，且相关的数据也已经被其他broker存储下来，所以能够保证最终的执行结果。例如第二阶段做修改状态时有些broker挂掉了，没关系，做重试即可，也说明了Kafka的事物消息保证的是最终一致性。
再来解释一下epoch的作用。假设现在你的app网络抖了一下，你以为是挂掉了，所以又跑了一次。我们把之前的app叫app1，新的app叫app2。app2带着TID请求初始化，TC看见已经有这个TID信息了，直接把关联的PID返回，而app1早就恢复了。那现在的情况就是两个app带着相同的TID过来了，如何处理？TC在每次请求PID时除了返回PID，还将epoch + 1返回，这样TC在收到请求时，先判断epoch是否是最新的，不是则直接拒绝，从而解决脑裂问题。
接下来谈谈RocketMQ的事务消息，它解决的是消息投递和本地事务的原子性问题，过程非常简单。本地事务的执行在第一阶段就完成了，原因在于当producer得知消息投递的结果，便可通过自己本地事务的执行结果断定broker在第一阶段的决策。
最后说说Seata。其实和Kafka的事务消息流程完全一样，只是把事务管理TM和资源管理RM解耦出来了。
个人觉得Seata比较有意思的两种模式是：AT和TCC。
AT：第一阶段便已提交，记录修改前后的镜像，修改之后上行锁，看到上面RocketMQ不让本地事务先做的原因了吧，就是为了回滚还需要记录镜像，这里做镜像的目的和redo、undo的目的一样，为了恢复，上锁是为了保证隔离性。
TCC：意思是Try-Commit-Cancel，没有预执行，所以他在第一阶段就提交了，准确地讲做的是预留，预留了需要修改的字段，锁的是预留的字段；没有预留的字段可以被修改，在保证预留的情况下，预留的字段也可以被修改，锁了但没完全锁，更像是乐观锁，所以并发性能更好。
--
今天午休有空，补充一下上面提到的内容。
第一个，相比较Kafka，Seata把TM和RM解耦出来的原因。在Kafka里，做资源管理的都是producer，就是说做消息投递的是producer，做提交消费位移的也是producer，所以就可以让producer身兼数职，既做资源编排，又控制整个事务。而在Seata里，第一阶段执行的本地事务由我们的业务决定，是不确定的，例如我可以先存一个数据到MySQL，再把数据缓存到Redis，我还可以把数据打包到OSS，于是Seata把TM单独拎出来做事务管理，而资源编排可以自由实现。
第二个，其实就是单纯地聊一下思考问题的过程。例如，我们知道Kafka的事务消息中已经实现了幂等投递，如何实现的呢？非常简单，就靠一个seq编号。
打好基础很关键，需要的是理解，融会贯通。改天有空了再总结总结其他内容，比如像MySQL、Redis、MongoDB主从复制这些玩意，联系起来一起挖，就非常有效率。
