前言
现在假定这么一个业务场景，从kafka中的topic获取消息数据，经过一定加工处理后，发送到另外一个topic中，要求整个过程消息不能丢失，也不能重复发送，即实现端到端的Exactly-Once精确一次消息投递。这该如何实现呢？

kafka事务介绍
针对上面的业务场的原因，主要是因为事务的启用必须要先开启幂等性，那么什么是幂等性呢？幂等性是指生产者无论向kafka broker发送多少次重复的数据，broker 端只会持久化一条，保证数据不会重复。幂等性通过生产者配置项enable.idempotence=true开启，默认情况下为true。

幂等性实现原理

每条消息都有一个主键，这个主键由 <PID, Partition, SeqNumber>组成。
PID：ProducerID，每个生产者启动时，Kafka 都会给它分配一个 ID，ProducerID 是生产者的唯一标识，需要注意的是，Kafka 重启也会重新分配 PID。
Partition：消息需要发往的分区号。
SeqNumber：生产者，他会记录自己所发送的消息，给他们分配一个自增的 ID，这个 ID 就是 SeqNumber，是该消息的唯一标识，每发送一条消息，序列号加 1。

对于主键相同的数据，kafka 是不会重复持久化的，它只会接收一条。

幂等性缺点
根据幂等性的原理，我们发现它存在下面的缺点:
1.只能保证单分区、单会话内的数据不重复
2.kafka 挂掉，重新给生产者分配了 PID，还是有可能产生重复的数据
那么如何实现跨分区、kafka broker重启也能保证不重复呢？这就要使用事务了。

事务
所谓事务，就是要求保证原子性，要么全部成功，要么全部失败。那么具体该如何开启呢？
1. kafka要想开启事务必须要启用幂等性，即生产者配置enable.idempotence=true
2. kafka生产者需要配置唯一的事务idtransactional.id, 最好为其设置一个有意义的名字。
3. kafka消费端也有一个配置项isolation.level和事务有很大关系。
  3.1 read_uncommitted：默认值，消费端应用可以看到（消费到）未提交的事务，当然对于已提交的事务也是可见的。

  3.2 read_committed：消费端应用只能消费到提交的事务内的消息。

kafka事务 API
现在我们用java的api来实现一下前面这个“消费-处理-生产“的例子吧。
1.引入依赖

<dependency>
    <groupId>org.apache.kafka</groupId>
    <artifactId>kafka-clients</artifactId>
    <version>3.4.0</version>
</dependency>

2.创建事务的生产者

Properties prodcuerProps = new Properties();
// 堆代码 duidaima.com
// kafka地址
prodcuerProps.setProperty(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG,"localhost:9092");
// key序列化
prodcuerProps.setProperty(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class.getName());
// value序列化
prodcuerProps.setProperty(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG,StringSerializer.class.getName());
// 启用幂等性
producerProps.put("enable.idempotence", "true");
// 设置事务id
producerProps.put("transactional.id", "prod-1");
KafkaProducer<String, String> producer = new KafkaProducer(prodcuerProps);

enable.idempotence配置项目为true
设置transactional.id
3.创建事务的消费者

Properties consumerProps = new Properties();
consumerProps.put("bootstrap.servers", "localhost:9092");
consumerProps.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName()); 
consumerProps.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class.getName());
consumerProps.put("group.id", "my-group-id");
// 设置consumer手动提交
consumerProps.put("enable.auto.commit", "false");
// 设置隔离级别，读取事务已提交的消息
consumerProps.put("isolation.level", "read_committed");
KafkaConsumer<String, String> consumer = new KafkaConsumer<>(consumerProps);
//订阅主题
consumer.subscribe(Collections.singletonList("topic1"));

enable.auto.commit=false,设置手动提交消费者offset
设置isolation.level=read_committed，消费事务已提交的消息
4.核心逻辑

// 初始化事务 
producer.initTransactions();
while(true) {
 // 拉取消息 
 ConsumerRecords<String, String> records = consumer.poll(Duration.ofMillis(1000L));
    if(!records.isEmpty()){
        // 准备一个 hashmap 来记录："分区-消费位移" 键值对
        HashMap<TopicPartition, OffsetAndMetadata> offsetsMap = new HashMap<>();
        // 开启事务 
        producer.beginTransaction();
        try {
            // 获取本批消息中所有的分区
            Set<TopicPartition> partitions = records.partitions();
            // 遍历每个分区
            for (TopicPartition partition : partitions) {
                // 获取该分区的消息
                List<ConsumerRecord<String, String>> partitionRecords = records.records(partition);
                // 遍历每条消息
                for (ConsumerRecord<String, String> record : partitionRecords) {
                    // 执行数据的业务处理逻辑
                    ProducerRecord<String, String> outRecord = new ProducerRecord<>("topic2", record.key(), record.value().toUpperCase());
                    // 将处理结果写入 kafka
                    producer.send(outRecord);
                }

                // 将处理完的本分区对应的消费位移记录到 hashmap 中
                long offset = partitionRecords.get(partitionRecords.size() - 1).offset();
                // 事务提交的是即将到来的偏移量，这意味着我们需要加 1
                offsetsMap.put(partition,new OffsetAndMetadata(offset+1));
            }
            // 向事务管理器提交消费位移 
            producer.sendOffsetsToTransaction(offsetsMap,"groupid");
            // 提交事务 
            producer.commitTransaction();
        } catch(Exeception e) {
            e.printStackTrace();
            // 终止事务 
            producer.abortTransaction();
        }
    }
}

initTransactions(): 初始化事务
beginTransaction(): 开启事务
sendOffsetsToTransaction(): 在事务内提交已经消费的偏移量（主要用于消费者）
commitTransaction(): 提交事务

abortTransaction(): 放弃事务

kafka事务实现原理
kafka事务的实现引入了事务协调器，如下图所示：

1.生产者使用事务必须配置事务id, kafka根据事务id计算分配事务协调器
2.事务协调器返回pid，前面的幂等性中需要
3.开始发送消息到topic中，不过这些消息与普通的消息不同，它们带着一个字段标识自己是事务消息
4.当生产者事务内的消息发送完毕，会向事务协调器发送 commit 或 abort 请求，等待 kafka 响应
5.事务协调器收到请求后先持久化到内置事务主题__transaction_state中，__transaction_state默认有50个分区，每个分区负责一部分事务。事务划分是根据transactional.id的hashcode值%50，计算出该事务属于哪个分区。 该分区Leader副本所在的broker节点即为这个transactional.id对应的Transaction Coordinator节点，这也是上面第一步中的计算逻辑。
6.事务协调器后台会跟topic通信，告诉它们事务是成功还是失败的。
  6.1 如果是成功，topic会汇报自己已经收到消息，协调者收到主题的回应便确认了事务完成，并持久化这一结果。
  6.2 如果是失败的，主题会把这个事务内的消息丢弃，并汇报给协调者，协调者收到所有结果后再持久化这一信息，事务结束。

7.持久化第6步中的事务成功或者失败的信息, 如果kafka broker配置max.transaction.timeout.ms之前既不提交也不中止事务, kafka broker将中止事务本身。 此属性的默认值为 15 分钟。

总结
本文讲解了通过kafka事务可以实现端到端的精确一次的消息语义，通过事务机制，KAFKA 实现了对多个 topic 的多个 partition 的原子性的写入，通过一个例子了解了一下如何使用事物。同时也简单介绍了事务实现的原理，它底层必须要依赖kafka的幂等性机制，同时通过类似“二段提交”的方式保证事务的原子性。