Kafka实战宝典：一文带解决Kafka常见故障处理
Kafka自带常用工具
Kafka的bin目录下shell脚本是kafka自带的管理工具，提供topic的创建/删除/配置修改、消费者的监控、分区重载、集群健康监控、收发端TPS压测、跨机房同步等能力，Kafka运维者可以使用这些工具进行集群的管理。
Kafka节点的启/停
###kafka 运行
bin/kafka-server-start.sh -daemon ../config/server.properties &###kafka 停止
bin/kafka-server-stop.sh
如果上面命令并未停止掉相应的进程，建议执行kill –s TERM $pid，完成进程关闭。
Topic的创建/删除/配置修改
Kafka的bin目录下有若干shell脚本，提供很多工具，完成kafka的元数据的监控和管理。
##创建topic
./kafka-topics.sh --zookeeper xxxx --replication-factor 3 --partitions 10 --create --topic xxxx
##查看topic
./kafka-topics.sh --zookeeper xxxx --describe –topic xxxx
##-删除topic
./kafka-topics.sh --delete --zookeeper xxxx--topic xxxx
## 查看集群中的topic
./kafka-topics.sh --zookeeper xxxx –list
## 查看指定topic配置
./kafka-topics.sh --zookeeper xxxx --describe --topic xxx
## 修改超时时长
./kafka-topics.sh --zookeeper xxxx --alter --topic xxxx --config retention.ms=864000
## 增加topic分区数
./kafka-topics.sh --zookeeper xxxx --alter --partitions 5 --topic xxxx Topic的生产/消费
## kafka生产消息
./kafka-console-producer.sh --broker-list xxxx --topic xxxx
## 消费kafka 若不需要重头消费，去掉from-beginning
./kafka-console-consumer.sh --zookeeper xxxx --topic xxxx -from-beginning 查看/修改消费偏移量
## kafka_0.10前查看kafka的消费积压
./kafka-run-class.sh kafka.tools.ConsumerOffsetChecker --zookeeper xxxx --topic xx -group xx
## kafka_1.0新版本后查看kafka的消费积压
./kafka-consumer-groups.sh --bootstrap-server xxxx --describe --group xxx
## 修改zk中保存的偏移量
./zkCli.sh –server xxxx:xx
set /consumer/xxx/xx
## 修改kafka中保存的偏移量 kafka_0.10前版本不支持修改偏移量操作，0.11后版本支持
./kafka-consumer-groups.sh --bootstrap-server xxxx –group xxx –topic xxx:xx –shift-by xxxx --execute
Topic的分区重载
一般分区重载在集群新加节点（kafka集群增加节点后，旧topic不会进行数据的重载）和分区备份列表扩增的时候需要用到，分区重载需要预先设定重载的json配置文件；
##指定需要分配的broker列表
./bin/kafka-reassign-partitions.sh --zookeeper xxxx --topics-to-move-json-file xx.json --broker-list "1,2,3,4,5" --generate b
##执行重载计划
./kafka-reassign-partitions.sh --zookeeper xxxx --reassignment-json-file xxx.json –execute
##验证重载计划
./kafka-reassign-partitions.sh --zookeeper xxxx --reassignment-json-file xxx.json --verify
Kafka常见问题
处理Kafka常见问题的思路是首先检查集群健康，在实时监控集群节点运行日志的基础上找出影响集群状态的问题，broker状态不正常会导致发端问题和消费积压，确认集群节点正常后，发送端和消费端的问题可以通过调优解决.
Broker常见问题
1、分区ISR列表出现频繁Expanding, Shinking，导致broker不可用:
Kafka的集群中有节点日志出现大量的ISR列表频繁Expanding, Shinking问题造成当前节点不可用问题，该问题出现的原因为：Kafka的每个topic有若干个分区partition，每个partiton可能有多个备份，这样就单个分区而言，多个备份中有leader和follower两种角色，follower会定时从leader同步数据，每个分区都有一个ISR列表，该列表表征了分区的多个备份是否在同步中，若follower挂掉或者网络抖动，则被移除ISR列表，若恢复正常，则加入到ISR列表。
若出现ISR频繁的Expanding和 Shinking表明可能是单个分区的数据量过大导致部分分区的follower无法及时备份，或者follower无法及时同步足够的消息已满足ISR判定条件，从而被Shinking清除出ISR列表，瞬间又追上复制速度，从而Expanding加入到ISR列表。
解决方法：修改kafka的配置文件，增加单个broker的复制数据的线程数，降低ISR列表判定条件（时长+条数）。
2、节点OOM问题
Kafka的默认启动内存256M，Kafka的生产端首先将数据发送到broker的内存存储，随机通过主机的OS层的数据刷盘机制将数据持久化，因此Kafka需要一定大小的内存空间，在生产环境一般建议将启动内存调整，官方建议内存在4-8G左右大小；
若节点出现OOM，进程运行日志会出现OOM关键词（目前已加入关键字告警），随即kafka进程宕掉；
解决方法：修改${KAFKA_HOME}/bin/kafka-server-start.sh脚步。
3、java.io.IOException Connection to xx was disconnected before the response was read xxxxxxxxxxxxxxxxxx
针对此问题，网上的意见不一。导致该报错的问题有很多，Kafka集群中的各个节点，均会自主发起同步其他节点数据的线程，用以已达到数据备份目的，若集群中有broker节点不正常或负载过高，其他broker节点同步该节点数据的线程即会出现这种报错，因此该类问题通常伴随着ReplicaFetcherThread线程shutdown日志.
解决方法：
1、观察集群的其他节点是否有同样报错，多个报错日志中是否都指向固定的kafka节点（连接问题），若指向同一broker，则表明数据同步线程无法读取该节点的消息，该节点存在问题，观察该节点的iostat，是否存在读写瓶颈（硬件+OS层均需要巡检）。
2、若集群的多个节点均存在同样的报错，且报错信息指向不同的节点（该问题较少出现），则排除单个broker问题造成的问题，观察不影响数据收发，可忽略该报错。
4、broker上kafka进程正确启/停
生产中遇到过单个物理机部署多个Kafka实例的场景，在执行./kafka-server-stop.sh脚本，该脚本会匹配机器上所有运行的kafka实例，并全部关闭，如下，因此若一个机器上有多个kafka实例，需要关闭特定的Kafka实例，建议使用kill –s TERM $pids 方式停止进程。
Kafka的启动方式使用:
./kafka-server-start –daemon ../conf/server.properties &
关于启/停的验证：kafka进程的启动/关闭状态，可通过log/server.log跟踪，但在启动时一般需要大量的时间恢复文件和index，关闭时需要shutdow一些同步数据的线程，因此根据zookeeper中的节点信息判定是否正确完成启动/关闭：
1.使用./zkCli.sh –server host:port进入到zk的元数据树；
2.查看get /brokers/ids/ 得到加入zk的节点数；
5、broker运行日志大量topic不存在报错，导致节点不可用
若broker的运行日志大量刷topic不存在的WARN，并导致节点不可用；表明该集群存在topic被删除，但有发端仍使用该topic发送数据，此时需要检查broker上的2个配置项：
delete.topic.enable
auto.create.topics.enable
生产环境下需要进行规范化的topic管理，难免进行topic的增删，建议将自动创建topic开关关闭，将可删除topic的开关打开，设置：
delete.topic.enable=true
auto.create.topics.enable=false
Producer常见问题
当前公司的commonlog封装的是0.8版本的发端（scala版），发送效率低且默认的发送机制存在问题，官方建议尽早升级，后续将不再支持0.8版本的发送端发送消息；
1、kafka.common.MessageSizeTooLargeException
Kafka的broker和发送端、消费端都会定义单条数据大小的属性，一般默认大小是0.95G,若在broker端调整了该属性，但发端未同步设置单条数据大小，则会出现报错kafka.common.MessageSizeTooLargeException，造成整个batch数据的丢失，若消费端设置的消费单条数据大小<消息的大小，同样会报错。
解决方法：修改kafka的broker配置文件、发送者、消费者的单条数据大小，综合考虑单条数据大小范围；
2、fetching topic metadata for topics [Set(test)] from broker x failed
Kafka的发端发送数据的同时会给broker发送心跳，并得到一些topic的metadata元数据信息（包括分区数、分区的leader），fetching topic metadata for topics [Set(test)] from broker x failed 报错一般表征了kafka的集群节点不健康。
解决方法：修改kafka的broker配置文件、发送者、消费者的单条数据大小，综合考虑单条数据大小范围；
3、LEADERNOTAVAILABLE
WARN Error while fetching metadata with correlation id 0{test=LEADER_NOT_AVAILABLE}
解决方法：若出现该报错，表名Topic可能正在进行leader选举 使用kafka-topics脚本检查leader信息。
4、NotLeaderForPartitionException
Kafka的生产者在得到topic某个分区的leader信息后，生产者会向topic的leader发送消息，NotLeaderForPartitionException 的报错一般发生在元数据中的leader和真实的leader不一致时候，即 leader从一个broker切换到另一个broker时，要分析什么原因引起了leader的切换。
5、TimeoutException
检查网络是否能通，如果可以通，可以考虑增加request.timeout.ms的值。
快速有效的解决方法
划重点
我们常说“重启是万能的”。但是若出现kafka集群不可用，且无法快速恢复集群状态，你该怎么办。
答案是：换个姿势重启！
由于kafka一般都是至少3节点，若有节点长时间启动不了，影响生产数据的发送，集群并没有完全宕（zk存储的kafka元数据信息没有丢失）。