技术大佬问我 订单消息重复消费了 怎么办？
技术大佬 ：佩琪，最近看你闷闷不乐了，又被虐了？
佩琪：(⊙o⊙)…，又被大佬发现了。这不最近出去面试都被揉捏的像一个麻花了嘛
技术大佬 ：哦，这次又是遇到什么难题了？
佩琪： 简历上的技术栈里，不是写了熟悉kafka中间件嘛，然后就被面试官炮轰了里面的细节
佩琪： 其中面试官给我印象深刻的一个问题是：你们的kafka消息里会有重复消息的情况吗？如果有，是怎么解决重复消息的了？
技术大佬 ：哦，那你是怎么回答的了？
佩琪：我就是个crud boy，根本不知道啥是重复消息，所以就回答说，没有
技术大佬 ：哦，真是个诚实的孩子；然后了？
佩琪：然后面试官就让我回家等通知了，然后就没有然后了。。。。
佩琪：对了大佬，只是简单的接个订单消息，为啥还会有重复的订单消息了？
技术大佬 ：向上抬了抬眼睛，清了清嗓子，面露自信的微笑回答道:以我多年的经验，这里面大概有2个原因：一个是重复发送，一个是重复消费
佩琪 ：哦哦，那重复发送是啥了？
技术大佬 ：重试发送是从生产端保证消息不丢失，但不保证消息不会重发；业界还有个专业术语定义这个行为叫做"at least once"。在重试的时候，如果发送消息成功，在记录成功前程序崩了/或者因为网络问题，导致消息中间件存储了消息，但是调用方失败了，调用方为了保证消息不丢，会再次重发这个失败的消息。具体详情可参见上篇文章《kafka 消息“零丢失”的配方》
佩琪： 重复消费又是啥了？
技术大佬 ：重复消费，是指消费端重复消费。举个例子吧， 比如我们一般在消费消息时，都建议处理完业务后，手工提交offset；但是在提交offset的时候，因为某些原因程序崩了。再次重启消费者应用后，会继续消费上次未提交的消息，像下面这段代码
while(true){
consumer.poll(); // ①拉取消息
XXX // ② 业务处理；
consumer.commit(); //③提交消费位移
}
在第三步，提交位移的时候，程序突然崩了（jvm crash）或者网络闪断了；再次消费时，会拉取未提交的消息重复执行第二步的业务处理。
佩琪：哦哦，原来是这样。我就写了个消费者程序，咋这么多的“技术坑”在这里面。请问大佬，解决重复消费的底层逻辑是啥了？
技术大佬 ： 两个字：幂等。 即相同的请求参数，请求1次，和请求100W次，得到的结果和对业务的影响是一样的。比如：同一个订单消息消费一次，然后进行积分累加；和同一个订单的消息重复消费10次，进行积分累加，最后效果是一样的，总积分不能变，不能变。 如果同一个订单消费了10次，积分也给累加了10次，这种就不叫幂等了。
佩琪：哦哦。那实现幂等的核心思想和通用做法又是什么了？
技术大佬 ：其实也挺简单 存储+唯一key 。在进行业务处理时，查询下是否已处理过这个唯一key的消息；如果存在就不进行后续业务处理；如果不存在就继续后续业务的处理吧。
佩琪： 摸了摸头，唯一key是个啥了？
技术大佬 ：唯一key是消息里业务数据的唯一标识； 比如对于某些业务场景是订单号；某些业务场景是订单号+订单状态；
佩琪：存储又是指什么了？
技术大佬 ：一般指的就是存储引擎了；比如业界常用的mysql，redis；或者不怎么常用的mongo，hbase等。
佩琪：对了大佬，目前业界有哪些幂等解决方案？
技术大佬 ：常用的大概有两种方式：强校验和弱校验
佩琪： 强校验是什么了？能具体说说吗？
技术大佬 ：强校验其实是以数据库做为存储；唯一key的存储+业务逻辑的处理放入一个事务里；要么同时成功，要么同时失败。举个例子吧，比如接收到 用户订单支付消息后；根据订单号+状态，累加用户积分；先查询一把流水表，发现有这个订单的处理记录了，直接忽略对业务的处理；如果没有则进行业务的操作 ，然后把订单号和订单状态做为唯一key，插入流水表，最后做为一个整体的事务进行提交；
整体流程图如下：
待做
佩琪：大佬好强。能具体说说你的这种方案有什么优缺点吗？
技术大佬 ：给你一张图，你学习下？
| 优点 | 缺点 |
|---|---|
| 在并发情况下，只会严格执行一次。数据库唯一性+事务回滚能保证业务只执行一次; 不会存在幂等校验穿透的问题 | 处理速度较慢： 处理性能上和后续的redis方案比起来，慢一个数量级。毕竟有事务加持；另外插入唯一数据时极大可能读磁盘数据，进行唯一性校验 |
| 可提供查询流水功能：处理流水记录的持久化，在某些异常问题排查情况下，还能较为方便的提供查询记录 | 历史数据需要额外进行清理：如果采用mysql进行存储，历史记录数据的清理，需要自己单独考虑和处理，但这应该不是个事儿 |
| 实现简单：实现难度还是较为简单的，一个注解能包裹住事务+回滚 | |
| 适用资金类业务：非常适合涉及资金类业务的防重；毕竟涉及到钱，不把数据持久化和留痕，心理总是不踏实 | |
| 架构上简约：架构上也简单，大多数业务系统都需要依赖数据库中间件吧。 |
佩琪： 果然是大佬，请收下我的打火机。
佩琪： 弱弱的问下，那弱校验是什么了？
技术大佬 ：其实是用redis进行唯一key存储和防重。比如订单消息，订单号是一条数据的唯一标识吧。然后使用lua脚本设置该消息正在消费中；此时重复消息来，进行相同的设置，发现该订单号，已经被标识为正在处理中，那这条消息放入延时队列中，延时重试吧；如果发现已经消费成功，则直接返回，不执行业务了；业务执行完，设置该key执行成功。
大概过程是这样的
佩琪：那用redis来进行防重，会存在什么问题吗？
技术大佬 ： 可能会存在防重数据的丢失吧，最后带来防不了重。
佩琪：redis为什么会丢防重数据了？
技术大佬 ： 数据丢失一部分是因为redis自身的原因，因为它把数据放入了内存中；虽然提供了异步复制机制+高可用方案，但还是不能100%保证数据不丢失。
技术大佬 ： 另外一个原因是，数据过期清理后，可能还有极低的概率处理相同的消息，此时就防不了重了。
佩琪：那能不设置过期时间吗？
技术大佬 ： 额，除非家里有矿。
技术大佬 ： redis毕竟是用内存进行存储，存储容量比起硬盘来小很多，存储单位是G（硬盘线上存储单位是T开始），而且价格比起硬盘来又贵多个数量级；属于骄贵性存储；所以为了节约存储空间，一般都会设置一个较短的过期时间，进行数据的淘汰；而这个较短过期时间，是根据业务情况进行定义，有5分钟的，有10分钟的。
技术大佬 ： 在说了，这些防重key是不太具备业务属性和高频率访问特性的，不属于热点数据，为啥还要一直放到缓存里了？？？
佩琪：果然是大佬，请再次收下我的打火机。用redis来做防重，缺点这么的多，那为什么还要用redis来进行防重了？
技术大佬 ：你不觉得它的优点也很多吗。用它，主要是利用redis操作数据速度快，性能高；并且还能自动清理过期数据的特性，简直不要太方便；另外做防重的目标是啥了？还不是为了那些少数异常情况下产成的重复数据对其过滤；所以引入redis做防重，是为了大多数情况下，降低对业务性能的伤害；从而在性能和数据准确性中间取了个平衡。
技术大佬 ： 建议对处理的及时性有一定要求，并且非资金类业务；比如消费下单消息，然后发送通知等业务使用吧。
技术大佬 ：我知道你想要问什么了？我这里画了图，列了下优缺点，你拿去看看？
| 优点 | 缺点 |
|---|---|
| 处理速度快 | 因为数据有过期时间和redis自身特性；防重数据有丢失可能性，结果就是有不能防重的风险 |
| 无需自动清理唯一key记录 | 实现上比起数据库，稍显复杂，需要写lua脚本；但学过编程的，相信我半天时间熟悉语法+写这个lua脚本应该是没问题的 |
| 消息一定能消费成功 | 架构上稍显复杂，为了保证一定能消费成功，引入了延时队列 |
佩琪：嘿嘿大佬，我听说防重最好的是用布隆过滤器，占用空间小，速度很快，为啥不用布隆过滤器了？
技术大佬 ：不使用redis布隆过滤器，主要是 redis 布隆过滤器特性会导致，某些消息会被漏掉。因为布隆过滤器底层逻辑是，校验一个key如果不存在，绝对不会存在；但是某个key如果存在，那么他是可能存在，又可能不存在。所以这会导致防重查询不准确，最终导致漏消息，这太不能接受了。
技术大佬 ：还有个不算原因的原因，是redis 4.0之前的版本还都不支持布隆过滤器了。
佩琪：大佬 redis我用过， redis 有个setnx，既能保证并发性，又能进行唯一key存储，你为啥不用了？
技术大佬 ：不使用它，主要是redis的 setnx操作和后续的业务执行，不是一个事务单元；即可能setnx成功了，后续业务执行时进程崩溃了，然后在消息重试的时候，又发现setnx里有值了，最终会导致消费失败的消息重试时，会被过滤，造成消息丢失情况。所以才引入了redis lua+延时消息。在lua脚本里记录消费业务的执行状态，延时消息保证消息一定不会丢失。
佩琪：我想偷个懒有现成的框架吗？
技术大佬 ：有的。实现核心的幂等key的设置和校验lua脚本。
- lua代码如下：
local status = redis.call('get',KEYS[1]);
if status == nil //不存在，则redis放入唯一key和过期时间
then
redis.call('SETEX',KEYS[1],ARGV[1],1)
return "2" //设置成功
else //存在，返回处理状态
return status
end
- 消费者端的使用，伪代码如下
//调用lua脚本，获得处理状态
String key = null; //唯一id
int expiredTimeInSeconds = 10*60; //过期时间
String status = evalScript(key,expiredTimeInSeconds);
if(status.equals("2")){//设置成功，继续业务处理
//业务处理
}
if(status.equals("1")){ //已在处理中
//发送到延时队列吧
}
if(status.equals("3")){ //已处理成功
//什么都不做了
}
总结
生产端的重复发送和消费端的重复消费导致消息会重
解决消息重复消费的底层逻辑是幂等
实现幂等的核心思想是：唯一key+存储
有两种实现方式：基于数据库强校验和基于redis的弱校验。
感悟
太难了
为了保证上下游消息数据的完整性；引入了重试大法和手工提交offerSet等保证数据完整性解决手段；
可引入了这些解决手段后；又带来了数据重复的问题，数据重复的问题，是可以通过幂等来解决的。
太难了
作为应用层开发的crud boy的我，深深的叹了口气，开发的应用要在网络，主机，操作系统，中间件，开发人员写个bug等偶发性问题出现时，还需要保证上层应用数据的完整性和准确性。
此时佩琪头脑里突然闪现过一道灵光，业界有位大佬曾说过：“无论什么技术方案，都有好的一面，也有坏的一面。而且，每当引入一个新的技术方案解决一个已有的技术问题时，这个新的方案会带来更多的问题，问题就像一个生命体一样，它们会不断的繁殖和进化”。在消息防丢+防重的解决方案里，深感到这句话的哲理性。
原创不易，请 点赞，留言，关注，转载 4暴击^^
来源：juejin.cn/post/7302023698721570857
