Kafka-Produce客户端源码流程

produce客户端完整架构图如下所示：

1. ProduceInterceptors对消息进行拦截
2. Serializer对消息的key和value进行序列化
3. Partitioner为消息选择合适的Partition
4. RecordAccumulator收集消息，实现批量发送
5. Sender从RecordAccumulator获取消息
6. 构造ClientRequest
7. 将ClientRequest交给NetworkClient，准备发送
8. NetworkClient将请求放入KafkaChannel的缓存
9. 执行网络IO，发送请求
10. 收到响应，调用ClentRequest的回调函数
11. 调用RecordBatch的回调函数，最终调用每个消息上注册的回调函数

消息发送的过程，涉及两个线程协同工作。主线程首先将业务数据封装成ProducerRecord对象，之后调用send()方法将消息放入RecordAccumulator中暂存。Sender线程负责将消息信息构成请求，并最终执行网络IO的线程，他从RecordAccumulator中取出消息批量发送出去。需要注意的是，KafkaProducer是线程安全的，多个线程间可以共享使用同一个KafkaProducer对象。

RecordAccumulator

记录收集器中有一个最重要的字段batches：

private final ConcurrentMap<TopicPartition, Deque<ProducerBatch>> batches;

保存了分区和待发送到该分区上的消息。待发送到该分区上的消息保存在双端队列ArrayDeque中，每个双端队列由数个ProducerBatch组成（RecordBatch是在ProducerBatch里面的一个专门存放消息的对象，除此之外ProducerBatch还有其它相关属性。在架构图中经常用RecordBatch代替ProducerBatch），每个ProducerBatch的大小由配置项batch.size控制，默认为16KB。

追加消息时首先获取分区所属的双端队列，然后取队列中最后一个RecordBatch，如果队列中不存在RecordBatch或者已经不能写入已存在的RecordBatch（比如默认16KB，消息大小为10KB，当写入第二条信息时，发现20KB大于16KB，会不能写入），则创建一个新的RecordBatch。

具体流程如下所示：

Sender

从记录收集器获取数据

消息发送线程有两种消息发送方式：

• 按照分区直接发送
• 按照分区的目标节点发送

假设有两台服务器，topic有6个分区，单副本，那么每台服务器就有3个分区。如下图所示，如果按照方式1，总共会有6个请求，如果按照方式2，总共会有2个请求。kafka中使用方式2，可以大大减少网络的开销。

Sender的run()方法中主要逻辑主要分为两部分：sendProducerData()和client.poll()。在sendProducerData()中实现，最重要的是这3个方法：

// 获取已经准备好的分区，linger.ms在该方法中用到
RecordAccumulator.ReadyCheckResult result = this.accumulator.ready(cluster, now);
// 生成每个主broker对应的批记录列表
Map<Integer, List<ProducerBatch>> batches = this.accumulator.drain(cluster, result.readyNodes,this.maxRequestSize, now);
// 生成以节点为级别的生产请求列表                
ClientRequest clientRequest = client.newClientRequest(nodeId, requestBuilder, now, acks != 0,requestTimeoutMs, callback);client.send(clientRequest, now);

ready()方法会判断哪些节点已经准备好了（即有数据可以写入）。linger.ms和batch.size是在这里用到的，具体来说，只要linger.ms时间到了或者至少有一个ProducerBatch大小达到batch.size，则任务该节点的数据已经准备就绪。另外在一次测试中发现，linger.ms设置了30s，batch.size设置了200KB，单条消息大小是10KB，发现发往broker0好broker2上某个分区的ProducerBatch大小依旧是10KB，而不是200KB。原因是还会考虑一个情况exhausted，即RecordAccumulator中的空间（默认32MB）用完后，不管linger.ms和batch.size条件是否达到，都会认为已准备好以发送数据。

drain()方法详解：

// 获取当前node上的生产者对应topic的所有leader分区
List<PartitionInfo> parts = cluster.partitionsForNode(node.id());
// 遍历leader分区，从accumulator的batches中拿到对应分区的数据，追加到node对应的列表中。accumulator中
// 的ProducerBatch不需要任何变化就可以添加到node对应的List中。需要注意的是该方法中只会从分区Deque中拿第
// 1个ProducerBatch，即使分区Deque中已经堆积了多个ProducerBatch

发送线程从记录收集器获取数据，然后创建客户端请求并发送给服务端，具体步骤如下：

1. 消息被记录收集器收集，并按照分区追加到队列的最后一个批记录中
2. 发送线程通过ready()从记录收集器中找出已经准备好的服务端节点（RecordBatch已经写满了或者linger.ms时间已经到了，这个topic对应的节点就认为是准备好的）
3. 节点已经准备好，如果客户端还没有和他们建立连接，通过connect()建立到服务端的连接
4. 发送线程通过drain()从记录收集器获取按照节点整理好的List
5. 发送线程得到每个节点的批记录后，为每个节点创建客户端请求ClientRequest，并将请求发送到服务端

题外话：

之前通过prometheus查看生产请求数和生产总流量，确定了每个请求对应一条消息（消息大小分别为10KB和4MB）。但是通过arthas抓取服务端拿到的生产请求，发现一条生产请求包含多个消息：

// 通过watch kafka.server.KafkaApis handleProduceRequest {params[0].bodyAndSize.request} // -x 1 -n 1查看单次生产请求
ts=2024-06-05 19:46:59; [cost=0.31727ms] result=@ArrayList[@ProduceRequest[{acks=1,timeout=30000,partitionSizes=[test_3-0=10312,test_3-9=10312,test_3-3=10312,test_3-12=10312,test_3-6=10312]}],
]ts=2024-06-05 19:46:59; [cost=2.61274979159195E9ms] result=@ArrayList[@ProduceRequest[{acks=1,timeout=30000,partitionSizes=[test_6-39=4194378,test_6-15=4194378,test_6-66=4194378]}],
]

按照当时的理解，batch.size为16KB，linger.ms为0，那么每次生产请求应该都只包含一条消息才对，为什么arthas接收到的生产请求中有多条消息？再进一步，如果一个请求中包含了多条消息，为什么prometheus中获取到的信息是一个请求对应一条消息？

通过走读源码，第二个疑问能够得到解答：

  /*** Append the messages to the local replica logs*/private def appendToLocalLog(internalTopicsAllowed: Boolean,isFromClient: Boolean,entriesPerPartition: Map[TopicPartition, MemoryRecords],requiredAcks: Short): Map[TopicPartition, LogAppendResult] = {trace(s"Append [$entriesPerPartition] to local log")entriesPerPartition.map { case (topicPartition, records) =>brokerTopicStats.topicStats(topicPartition.topic).totalProduceRequestRate.mark()brokerTopicStats.allTopicsStats.totalProduceRequestRate.mark()...

可以看出，服务端是将客户端的每一个RecordBatch作为一次请求，而不是将一个ClientRequest作为一次请求。

针对第一个疑问，在Sender这一节也得到了解答，因为Sender在发送之前，会将RecordBatch根据broker进行聚合，将发往同一个broker的RecordBatch合并到一个ClientRequest中。

创建生产者客户端请求

发送线程并不负责真正发送客户端请求，它会将ClientRequest交给客户端网络对象NetworkClient去发送，因为没有在发送线程中发送请求，因此创建客户端请求时需要保留目标节点，这样客户端网络对象获取出客户端请求时，才能知道要发送给哪个目标节点。

NetworkClient

NetworkClient管理了客户端和服务端之间的网络通信，包括连接的建立、发送客户端请求、读取客户端响应等。在Sender的run()方法中会依次调用NetworkClient的如下3个方法：

• ready()。从记录收集器获取准备完毕的节点，并连接所有准备好的节点（在this.accumulator.ready()之后）
• send()。为每个节点创建一个客户端请求，将请求暂存到节点对应的通道中（即之前的client.send）。
• poll()。轮询动作会真正执行网络请求，将客户端请求发送给服务端。

在client.send()这一步，会先将客户端请求加入inFlightRequests列表，然后调用selector.send()方法，selector.send()中只是将请求暂存，并没有真正发送。selector.send()底层会调用到kafkaChannel.setSend()，kafkaChannel中的send变量只能有一个值。

inFlightRequests变量在客户端缓存了还没有收到响应的客户端请求。InFlightRequests.requests变量的结构为Map<String, Deque<NetworkClient.InFlightRequest>>，key为各个broker，value为发往各个broker的还没有收到响应的请求，用ArrayDeque保存，ArrayDeque的最大长度可通过配置项配置，默认为5。 当收到响应时，该请求会从inFlightRequests中移除。

在ready()方法和send()方法中均会调用InFlightRequests.canSendMore()来确定当前是否能调用selector.send()方法。能调用的条件是：该broker对应的发送请求队列为空；或者该broker对应的发送请求队列所有的请求都已经发送了且当前请求个数少于5个。

    public boolean canSendMore(String node) {Deque<NetworkClient.InFlightRequest> queue = requests.get(node);return queue == null || queue.isEmpty() ||(queue.peekFirst().send.completed() && queue.size() < this.maxInFlightRequestsPerConnection);}

client.poll()中最关键的步骤是调用selector.poll()方法，这个方法放到下一节中讲解。在selector.poll()之后，定义了多个处理方法，最重要的是handleCompletedSends()处理已经完成的发送、handleCompletedReceives()处理已经完成的接收、completeResponses()执行ClientRequest的回调函数。

    public List<ClientResponse> poll(long timeout, long now) {...long metadataTimeout = metadataUpdater.maybeUpdate(now);try {this.selector.poll(Utils.min(timeout, metadataTimeout, defaultRequestTimeoutMs));} catch (IOException e) {log.error("Unexpected error during I/O", e);}// process completed actionslong updatedNow = this.time.milliseconds();List<ClientResponse> responses = new ArrayList<>();handleCompletedSends(responses, updatedNow);handleCompletedReceives(responses, updatedNow);handleDisconnections(responses, updatedNow);handleConnections();handleInitiateApiVersionRequests(updatedNow);handleTimedOutRequests(responses, updatedNow);completeResponses(responses);return responses;}

handleCompletedSends()的代码如下所示，如果请求不需要响应，那么请求发送成功后，该请求就会从inFlightRequests中移除。（我们的环境中，都是需要响应的，因此这个方法内部的逻辑不会执行）。responses中被塞入了空的响应体和请求的回调函数

    private void handleCompletedSends(List<ClientResponse> responses, long now) {// if no response is expected then when the send is completed, return itfor (Send send : this.selector.completedSends()) {InFlightRequest request = this.inFlightRequests.lastSent(send.destination());if (!request.expectResponse) {this.inFlightRequests.completeLastSent(send.destination());responses.add(request.completed(null, now));}}}

handleCompletedReceives()的代码如下所示，收到服务端的响应后，找到对应的请求，将该请求从inFlightRequests中移除。responses中被塞入了响应体和请求的回调函数

    private void handleCompletedReceives(List<ClientResponse> responses, long now) {for (NetworkReceive receive : this.selector.completedReceives()) {String source = receive.source();InFlightRequest req = inFlightRequests.completeNext(source);Struct responseStruct = parseStructMaybeUpdateThrottleTimeMetrics(receive.payload(), req.header,throttleTimeSensor, now);if (log.isTraceEnabled()) {log.trace("Completed receive from node {} for {} with correlation id {}, received {}", req.destination,req.header.apiKey(), req.header.correlationId(), responseStruct);}// If the received response includes a throttle delay, throttle the connection.AbstractResponse body = AbstractResponse.parseResponse(req.header.apiKey(), responseStruct);maybeThrottle(body, req.header.apiVersion(), req.destination, now);if (req.isInternalRequest && body instanceof MetadataResponse)metadataUpdater.handleCompletedMetadataResponse(req.header, now, (MetadataResponse) body);else if (req.isInternalRequest && body instanceof ApiVersionsResponse)handleApiVersionsResponse(responses, req, now, (ApiVersionsResponse) body);elseresponses.add(req.completed(body, now));}}

completeResponses()的代码如下所示，可以看到是对所有的responses执行了对应请求的回调函数。

    private void completeResponses(List<ClientResponse> responses) {for (ClientResponse response : responses) {try {response.onComplete();} catch (Exception e) {log.error("Uncaught error in request completion:", e);}}}

Selector

生产者客户端会按照节点对消息进行分组，一个生产者客户端需要管理到多个服务端节点的网络连接。涉及网络通信时，一般使用选择器模式。选择器使用Java NIO管理连接和读写请求，他用单个线程就可以管理多个网络连接通道。Java NIO中一些重要概念如下：

• SocketChannel（客户端网络连接通道）：底层的字节数据读写都发生在通道上，比如从通道中读取数据、将数据写入通道。通道会和字节缓冲区一起使用，从通道中读取数据时需要构造一个缓冲区，调用channel.read(buffer)就会将通道的数据灌入缓冲区；将数据写入通道时，要先将数据写到缓冲区中，调用channel.write(buffer)可将缓冲区中的每个字节写入通道。
• Selector（选择器）：发生在通道上的事件有读和写，选择器会通过选择键的方式监听读写事件的发生。
• SelectionKey（选择键）：将通道注册到选择器上，channel.register(selector)返回选择键，这样就将通道和选择器都关联了起来。读写事件发生时，通过选择键可以得到对应的通道，从而进行读写操作。

NetworkClient会调用选择器的连接、发送、轮询方法。

连接并建立通道

选择器的connect()方法会创建客户端到指定远程服务器的网络连接，KafkaChannel是对SocketChannel的一层封装，更确切地说，KafkaChannel内部的transportLayer是对SocketChannel的一层封装。

KafkaChannel中有一个传输层transportLayer，有多个实现，比如纯文本模式、sasl、ssl加密模式。PlaintextTransportLayer是纯文本的传输层实现。

KafkaChannel使用Send和NetworkReceive表示网络传输中发送的请求和接收的响应。NetworkReceive有两个缓冲区，其中size缓冲区表示数据的长度，buffer缓冲区表示数据的内容。NetworkReceive从连接读取数据的时候，先读取消息的头部写入size缓冲区，其中封装了消息长度，然后根据消息长度创建buffer缓冲区，读取连接中的消息体。

当选择器调用KafkaChannel的read()和write()方法时，最终会通过NetworkReceive.readFrom()和Send.writeTo()方法调用SocketChannel的read()和write()方法。

通道上的读写操作

Sender的run()方法中会调用client.send()，client.send()会调用Selector.send()，继而调用KafkaChannel.setSend（）。客户端发送的每个Send请求，都会被设置到一个Kafka通道中，如果一个Kafka通道上还有未发送成功的Send请求，则后面的请求就不能发送。即客户端发送请求给服务端，在一个Kafka通道中，一次只能发送一个Send请求。KafkaChannel.setSend()还注册了写事件，选择器监听到写事件，会调用KafkaChannel.write()方法，将setSend()保存到Kafka通道中的Send发送到传输层的SocketChannel中。

KafkaChannel.setSend()时会注册写事件，当请求全部写入SocketChannel后就会取消写事件，当然一次write()调用可能写不完，这时不会取消写事件，只有当多次write()写完一个请求时，才会取消写事件。代码如下：

    public void setSend(Send send) {if (this.send != null)throw new IllegalStateException("Attempt to begin a send operation with prior send operation still in progress, connection id is " + id);this.send = send;this.transportLayer.addInterestOps(SelectionKey.OP_WRITE);}public Send write() throws IOException {Send result = null;if (send != null && send(send)) {result = send;send = null;}return result;}private boolean send(Send send) throws IOException {send.writeTo(transportLayer);if (send.completed())// 请求全部写入socketChannel，取消写事件transportLayer.removeInterestOps(SelectionKey.OP_WRITE);return send.completed();}

对于read，一次poll会循环调用KafkaChannel.read()方法，将通道中的数据全部读出。

注：为什么要频繁注册和取消写事件，因为epoll里面有2种模式：LT(水平触发）和 ET(边缘触发）。水平触发(条件触发）：读缓冲区只要不为空，就一直会触发读事件；写缓冲区只要不满，就一直会触发写事件。这个比较符合编程习惯，也是epoll的缺省模式。对于LT模式，要避免“写的死循环”问题：写缓冲区为满的概率很小，也就是“写的条件“会一直满足，所以如果你注册了写事件，没有数据要写，但它会一直触发，所以在LT模式下，写完数据，一定要取消写事件；（https://blog.csdn.net/chunlongyu/article/details/52636762）

总结

KafkaProducer中会起一个Sender线程，Sender线程中主要有两个方法：sendProducerData()和client.poll()。sendProducerData()负责准备数据并将数据set到通道中等待发送，client.poll()负责真正执行网络的io操作，在每次poll操作中必定有3次发送事件（假设集群中有3个kafka，生产者客户端会分别和3个kafka建立3个通道，这也是每次setSend不会失败的原因，如果失败了则该通道就关闭了）以及若干的接收响应事件。（在一次poll中，是否可以同时处理发送和接收？）。