消息丟失的場景
如果Kafka Producer使用“發後即忘”的方式發送消息，即調用producer.send(msg)方法來發送消息，方法會立即返回，但此時並不能說明消息已經發送成功。消息發送方式詳見初次邂逅Kafka生產者。
如果在消息過程中發生了網絡抖動，那麼消息就會丟失；或發送的消息本身不符合要求，如大小超過Broker端的承受能力等（消息太大的情況在生產中實際遇到過，最後通過在發送前將消息分包，再依次發送，解決了該問題）。
解決該問題的方法就是：Producer要使用帶回調通知的方法發送消息，即producer.send(msg, callback)。回調方法callback可以告訴我們消息是否真的提交成功了，一旦出現消息發送失敗的情況，可以使用代碼進行容錯及補救。
例如：網絡抖動導致的消息丟失，可以使Producer重試；消息不合格，則將消息格式進行調整，再發送。Producer使用帶回調的消息發送API，可以及時發現消息是否發送失敗並作相應處理。
消費者丟失數據
Consumer端丟失數據主要體現在：拉取了消息，並提交了消費位移，但是在消息處理結束之前突然發生了宕機等故障。消費者重生後，會從之前已提交的位移的下一個位置重新開始消費，之前未處理完成的消息不會再次處理，即相當於消費者丟失了消息。
解決Consumer端丟失消息的方法也很簡單：將位移提交的時機改為消息處理完成後，確認消費完成了一批消息再提交相應的位移。這樣做，即使處理消息的過程中發生了異常，由於沒有提交位移，下次消費時還會從上次的位移處重新拉取消息，不會發生消息丟失的情況。
具體的實現方法為，Consumer在消費消息時，關閉自動提交位移，由應用程序手動提交位移。
Broker端丟失數據
Broker端丟失數據主要有以下幾種情況：
原來的Broker宕機了，卻選舉了一個落後Leader太多的Broker成為新的Leader，那麼落後的這些消息就都丟失了，可以禁止這些“unclean”的Broker競選成為Leader；
Kafka使用頁緩存機制，將消息寫入頁緩存而非直接持久化至磁盤，將刷盤工作交由操作系統來調度，以此來保證高效率和高吞吐量。如果某一部分消息還在內存頁中，未持久化至磁盤，此時Broker宕機，重啟後則這部分消息丟失，使用多副本機制可以避免Broker端丟失消息；
避免消息丟失的最佳實踐
不使用producer.send(msg)，而使用帶回調的producer.send(msg, callback)方法；
設置acks = all。acks參數是Producer的一個參數，代表了對消息“已提交”的定義。如果設置成all，則表示所有的Broker副本都要接收到消息，才算消息“已提交”，是最高等級的“已提交”標準；
設置retries為一個較大的值，retries表示Producer發送消息失敗後的重試次數，如果發生了網絡抖動等瞬時故障，可以通過重試機制重新發送消息，避免消息丟失；
設置unclean.leader.election.enable = false。這是一個Broker端參數，表示哪些Broker有資格競選為分區的Leader。如果一個落後Leader太多的Follower所在Broker成為了新的Leader，則必然會導致消息的丟失，故將該參數設置為false，即不允許這種情況的發生；
設置replication.factor >= 3。Broker端參數，表示每個分區的副本數大於等於3，使用冗餘的機制來防止消息丟失；
設置min.insync.replicas > 1。Broker端參數，控制的是消息至少被寫入多少個副本蔡栓是“已提交”，將該參數設置成大於1可以提升消息持久性；
確保replication.factor > min.insync.replicas。若兩者相等，則如果有一個副本掛了，整個分區就無法正常工作了。推薦設置為：replication.factor = min.insync.replicas + 1；
確保消息消費完再提交位移，將Consumer端參數enable.auto.commit設置為fasle，關閉位移自動提交，使用手動提交位移的形式。
精確一次消費
目前Kafka默認提供的消息可靠機制是“至少一次”，即消息不會丟失。上一節中我們知道，Producer如果發送消息失敗，則可以通過重試解決，若Broker端的應答未成功發送給Producer（如網絡抖動），Producer此時也會進行重試，再次發送原來的消息。這就是Kafka默認提供消息至少一次性的原因，不過這可能會導致消息重複發送。
如果需要保證消息消費的“最多一次”，那麼禁止Producer的重試即可。但是寫入失敗的消息如果不重試則會永遠丟失。是否有其他方法來保證消息的發送既不丟失，也不重複消費？或者說即使Producer重複發送了某些消息，Broker端也能夠自動去重。
Kafka實際上通過兩種機制來確保消息消費的精確一次：
冪等性（Idempotence）
事務（Transaction）
冪等性
所謂的冪等，簡單說就是對接口的多次調用所產生的結果和調用一次是一致的。在Kafka中，Producer默認不是冪等性的，Kafka於0.11.0.0版本引入該特性。設置參數enable.idempotence為true即可指定Producer的冪等性。開啟冪等生產者後，Kafka會自動進行消息的去重發送。為了實現生產者的冪等性，Kafka引入了producer id（後簡稱PID）和序列號（sequence number）兩個概念。
生產者實例在被創建的時候，會分配一個PID，這個PID對用戶完全透明。對於每個PID，消息發送到的每一個分區都有對應的序列號，這些序列號從0開始單調遞增。生產者每發送一條消息就會將對應的序列號值加1。
Broker端在內存中為每一對維護一個序列號SN_old。針對生產者發送來的每一條消息，對其序列號SN_new進行判斷，並作相應處理。
只有SN_new比SN_old大1時，即SN_new = SN_old + 1時，broker才會接受這條消息；
SN_new < SN_old + 1，說明消息被重複寫入，broker直接丟棄該條消息；
SN_new > SN_old + 1，說明中間有數據尚未寫入，出現了消息亂序，可能存在消息丟失的現象，對應的生產者會拋出OutOfOrderSequenceException。
注意：序列號針對，這意味著冪等生產者只能保證單個主題的單一分區內消息不重複；其次，它只能實現單會話上的冪等性，不能實現跨會話的冪等性，這裡的會話即可以理解為：Producer進程的一次運行。當重啟了Producer進程之後，則冪等性保證就失效了。
事務
冪等性並不能跨多個分區運作，而Kafka事務則可以彌補這個缺陷。Kafka從0.11版本開始提供了對事務的支持，主要在read committed隔離級別。它能保證多條消息原子性地寫入到目標分區，同時也能寶恆Consumer只能看到事務成功提交的消息。
Producer端配置
事務型Producer能保證消息原子性地寫入多個分區。批量的消息要麼全部寫入成功，要麼全部失敗。並且，事務型Producer在重啟後，Kafka依然保證它們發送消息的精確一次處理。開啟事務型Producer的配置如下：
和冪等性Producer一樣，開啟enable.idempotence = true。
設置Producer端參數transcational.id。最好為其設置一個有意義的名字。
設置了事務型的Producer可以調用一些事務API，如下：initTransaction、beginTransaction、commitTransaction和abortTransaction，分別對應事務的初始化、事務開啟、事務提交和事務終止。
producer.initTransactions();
try {
producer.beginTransaction();
producer.send(record1);
producer.send(record2);
producer.commitTransaction();
}
catch (KafkaExecption e) {
producer.abortTransaction();
}
上述代碼中，事務型Producer可以保證record1和record2要麼全部提交成功，要麼全部寫入失敗。實際上，即使寫入失敗，Kafka也會將它們寫入到底層的日誌中，也就是說Consumer還是會看到這些消息，具體Consumer端讀取事務型Producer發送的消息需要另行配置。
Consumer端配置
讀取事務型Producer發送的消息時，Consumer端的isolation.level參數表徵著事務的隔離級別，即決定了Consumer以怎樣的級別去讀取消息。該參數有以下兩個取值：
read_uncommitted：默認值，表面Consumer能夠讀到Kafka寫入的任何消息，不論事務型Producer是否正常提交了事務。顯然，如果啟用了事務型的Producer，則Consumer端參數就不要使用該值，否則事務是無效的。
read_committed：表面Consumer只會讀取事務型Producer成功提交的事務中寫入的消息，同時，非事務型Producer寫入的所有消息對Consumer也是可見的。
總結
Kafka所提供的消息精確一次消費的手段有兩個：冪等性Producer和事務型Producer。
冪等性Producer只能保證單會話、單分區上的消息冪等性；
事務型Producer可以保證跨分區、跨會話間的冪等性；
事務型Producer功能更為強大，但是同時，其效率也會比較低下。
本文來源於：
奈學開發者社區