本文共 8679 字，大约阅读时间需要 28 分钟。

事件驱动是一种灵活的系统设计方法，在事件驱动的系统中，当数据发生变化时系统会产生、发布一个对应的事件，其它对这个事件感兴趣的部分会接收到通知，并进行相应的处理。事件驱动设计最大的好处在我看来有两点：一是它为系统提供了很好的扩展能力，比如我们可以对某类事件增加一个订阅者来对系统进行扩展，最主要的是我们并不需要修改任何已有的代码，它完全符合开闭原则；二是它实现了模块间的低偶合，系统间各个部分不是强依赖关系，而是通过事件把整个系统串联起来。

当然，任何事务都有两面性，事件驱动也有其不好的方面。首先，实现一套这样的系统复杂度就很高，对开发人员的要求也很高；再次，对系统的整体把控会很困难，想象一下面对几百个类别的事件，并且没有一个统一的地方可以让我们看到整个业务处理流程，会是什么心情？所以当我们决定采用事件驱动实现系统中，一定要维护好相关的文档，并保持它们的有效性。

我们再来看看事件驱动架构的一些其它的优点：

• 更好的响应性

  事件驱动中，事件的响应是异步处理的，所以它具有更好的响应性。

• 更好的容错性

  业务主流程在发布事件之后便结束了，扩展流程的延后处理可以异步不断的失败重试，直到成功为止，系统整体容错性更强。

设计篇

首先，我们需要定义什么是事件？从业务角度看，事件包括以下属性：

接下来，我们看看如何设计一套基于事件驱动的系统，你知道设计模式中的观察者模式吗？

：定义了一种一对多的依赖关系，让多个观察者对象同时监听某一个主题对象。这个主题对象在状态发生变化时，会通知所有观察者对象，使它们能够自动更新自己。

观察者模式天生就是事件驱动的一个实现，但是直接使用它有很多的弊端。首先，它是基于主题的，有多少类事件就需要多少个主题类，这可能会导致类爆炸；其次，观察者模式是同步实现的，这样我们可能会牺牲掉响应性和容错性等优势。

所以我们需要对观察者模式稍作改进，我们分别从事件发发布和消费两个方面来分析。

事件的发布

本文的标题是《基于Kafka实现事件驱动架构》，很明显，我们使用kafka作为消息中间件来传递事件消息。所以，像修改会员手机号码的代码可能实现如下：

@Transactional(readOnly = false, isolation = Isolation.READ_COMMITTED, rollbackFor = Exception.class)@Overridepublic void changePhoneNumber(String newNumber) {    userDao.updatePhone(this.getUserId(), newNumber); // 本地数据库修改    // 发布 用户手机号码变更 事件    Event event = new Event(...); // 创建一个事件对象，表示用户修改手机号码    ProducerRecord record = new ProducerRecord(...event); // 根据event生成kakfa record    Future\u0026lt;RecordMetadata\u0026gt; f = kafkaProducer.send(record);    try {        f.get();    } catch (InterruptedException | ExecutionException e) {        throw new RuntimeException(e);    }}

这段代码正确吗？从逻辑上看，它完全正确。但从可靠性角度看它是有问题的。Kafka和数据库是两个异构系统，我们不能仅仅通过一个本地事务保证他们之间的数据一致性。例如，推送Kafka成功了，但是在提交DB事务的时候失败了呢（比如说事务超时滚）？这样kafka中就会存在一个脏数据，因为本地数据库事务已经回滚了。

分布式系统数据一致性一直就是复杂的问题，常用的方案有两阶段提交、三阶段提交、zookeeper的zab协议、proxs、raft等算法，这不是本文的重点。我们采用一个简单易懂的方式来解决上面的问题。我们引入一张DB事件表，在发布事件时将事件信息存入这个事件表，将事件的发布和业务处理包装在同一个本地事务中。

create table if not exists `event_queue` (  `id`          bigint      not null  auto_increment comment '主键',  `event_id`    char(32)    not null comment '事件ID',  `event_type`  char(12)    not null comment '事件类型',  `event_time`  datetime    not null comment '事件发生时间',  `context`     mediumtext  not null comment '事件内容',  primary key (`id`),  unique key(`event_id`)) engine=innodb default charset=utf8 comment='事件队列表';

发布事件，就是向这个事件表中增加一条记录，修改会员手机号码的代码现在变成了：

@Transactional(readOnly = false, isolation = Isolation.READ_COMMITTED, rollbackFor = Exception.class)@Overridepublic void changePhoneNumber(String newNumber) {    userDao.updatePhone(this.getUserId(), newNumber); // 本地数据库修改    // 发布 用户手机号码变更 事件    Event event = new Event(...); // 创建一个事件对象，表示用户修改手机号码    eventDao.insert(event); // 向事件表创建一条新记录。}

由于事件消息现在被暂存进了DB，我们还需要将它取出来推到Kafka，为此我们需要起一个线程，不断的读取事件表中的记录发送给Kafka，并在成功发送之后将记录从DB中删除。如果删除DB的时候失败了，那么消息会被重新推送到kafka，意为着我们实现的是At least once的递交语义，对于业务上不接受重复的场景，在消费端需要做好幂等处理。

讲到这里，关于事件的分布已经接近尾声，但还有一个问题：性能。如果一个系统的负载很高，一秒内产生成千上万个事件，那我们的事件表就会成为瓶颈，因为只用了一个线程来处理事件表向Kafka的推送，集群中只有一个实例能发辉作用，无法实现弹性。为了解决这个问题，我们可以对事件表进行分表，并使用多线程并发处理，而且这些线程可以分布在不同的集群实例中。但这样使设计变得更复杂了，现在我们需要解决一个新的问题：如何保证一个事件表，最多只被一个线程处理？我们需要保证一个事件表同一时刻只能被一个线程处理，同时在实例宕机后，其它实例可以起线程接替它的工作。这句话我们换一种方式来描述更容易理解：

1. 集群有M个实例，需要进行N个任务（任务是把事件分表中的事件信息推送到kafka）

2. 一个任务最多可以分配给1个实例，1个实例可以同时执行多个任务。

3. 如果一个实例宕机了，分配给它的任务需要重新在其它实例上分配。

4. N个任务固定不变，实例可以动态增加或减少，需要实现实例之间的均衡负载。

如果你熟悉像HBase、ES这类分布式系统的话，不难理解我们需要在集群中选出一个实例作为Master，由它来负责任务在集群中的分配工作。我们借助Zookeeper，所有实例在启动时创建一个EPHEMERAL类型的master节点，创建成功的实例成为Master，其它实例则监听master节点，当Master实例宕机后重新竞选。

每个实例启动后，会在workers节点下创建一个临时节点，表示自己作为一个Worker加入集群；Worker同时会监听自己创建的子节点，接收由Master分配给自己的任务。Master会监听workers下子节点的变化，当实例下线或有新的实例加入集群中时，Master会收到通知并重新进行任务的分配。分配的具体信息保存在Worker实例创建的子节点中，Master通过直接修改这些子节点的内容实现分配。

从事件的发布来看，系统的架构是这样的：

这里有个细节需要说明：因为Kafka只保证partition级别的有序性，我们的事件分表数必须大于或等于partition的数量，否则事件的顺序得不到保证。

事件的消费

因为我们使用了Kafka作为事件消息中间件，事件的消费简单很多。每个实例在启动时启一个Kafka Consumer即可，像实例间的负载、可用性、故障转移等等问题，Kafka已经帮我们解决了，我们只需要从Kafka中获取事件消息，并通知相应的订阅者即可。

订阅者需要实现BaseSubscriber接口，另外在启动时，需要把事件与订阅者的关系维护在SubscriberConfig类中：

BaseSubscriber sub = ... // your implementationSubscriberConfig.instance().addSubscriber(\u0026quot;event_type\u0026quot;, sub);

系统整体的设计是面向扩展的，我们可以通过调整集群应用实例数、事件表分表数量和kafka partitions数量来提高系统整体的吞吐量。事件表分表越多，事件消息从DB到kafka的延迟就更低；应用实例越多，系统单位时间内能承受的事件上限也越多，另外也能更好的负载kafka消息的消费。

每一个应用，作为事件发布者，其产生的事件最终都被推送到一个Kafka Topic；但作为消费者，可以订阅不同的Topic，这些Topic可以是自己的推送的，也可以是其它应用推送的事件。

实现篇

附上完整源码地址：，目前只支持了分表，还不支持分库。

这里我们只对部分核心代码作一个简单的介绍：

SimpleLock是一个基于Zookeeper的简单分布式锁实现，可以参考，我们使用SimpleLock来实现Master的竞选。

EventSubmitter是一个线程，负责把事件表中的事件信息推送到Kafka broker。初始化时需要传入一个int参数，表示处理哪一个事件分表。它被实现成一个响应中断的线程，因为当Master重新分配任务后，Worker需要先停掉当前进行中的任务。

Master类是Master实例的主要实现。实例在启动时会调Master类的start方法，Master实例监听workers节点，当有新实例加入或实例下线时，Master实例会调用onWorkerChange方法进行重新分配，onWorkerChange方法实现了一个简单的分配算法，只有任务变更的Worker实例会收到分配通知。

Worker类是Worker实例的主要实现，实例在启动时会调Worker类的start方法。集群中的每一个实例都是Worker，会在workers节点下创建一个临时的节点表示自己，同时监听该节点，接受Master分配给自己的任务。当Worker接收到分配通知时，会先停止当前在运行的所有任务，再根据worker节点的内容开始执行新分配的任务。

示例

来看一个具体的事例，假设我们要以天为维度，统计每天的下单量和下单金额。现在，我们已经有了订单表：

create table if not exists `order` (  `order_id`        bigint      not null  auto_increment comment '主键',  `user_id`         bigint      not null comment '客户id',  `order_time`      datetime    not null comment '订单时间',  `order_amount`    int         not null comment '订单金额，单位：分',  primary key (`order_id`)) engine=innodb default charset=utf8 comment='订单表';

这个需求我们可以简单的使用sql来做，比如：

select date(order_time) as day, count(*) as total_num, sum(order_amount) as total_amount from `order`group by date(order_time)

但是在生产环境中这么做往往不现实，比如性能问题、或者我们对订单表做了分表、或者几个月前的数据库了备份，而你正好需要查询这些数据，等等。实现这个需求更好的方式是采用事件驱动，在下单的时候发布一个事件，然后异步的维护一个查询表，这样之间的种种问题都将不复存在。先创建一个查询表，如下：

create table if not exists `daily_order_report` (  `id`              bigint      not null  auto_increment comment '主键',  `day`             date      not null comment '统计日',  `order_num`       bigint      not null comment '订单数量',  `order_total`     bigint      not null comment '订单总金额，单位：分',  primary key (`id`),  unique key(`day`)) engine=innodb default charset=utf8 comment='订单日报表';

在下单的时候，我们需要发布一个下单事件：

@Transactional(readOnly = false, propagation = Propagation.REQUIRED, isolation = Isolation.READ_COMMITTED, rollbackFor = Exception.class)@Overridepublic void createOrder(Order order) {    orderDao.insert(order);    //发布下单事件    publisher.publish(\u0026quot;order_created\u0026quot;, new Date(), order.json(), order.getUserId().intValue() % Configuration.instance().getNumOfEventTables());}

之后，我们需要实现一个订阅者，在接收到下单事件后，根据订单的日期做相应的统计：

@Componentpublic class DailyOrderReportSubscriber implements BaseSubscriber {    @Autowired    private OrderRepos repos;    @Override    public void onEvent(Event e) {        Order order = Order.fromJson(e.getContext());        DailyOrderReport report = repos.selectDailyOrderReportByKey(new java.sql.Date(order.getOrderTime().getTime()));        if (null == report) {            report = new DailyOrderReport();            report.setDay(new java.sql.Date(order.getOrderTime().getTime()));            report.setOrderNum(1l);            report.setOrderTotal(new Long(order.getOrderAmount()));            repos.createDailyOrderReport(report);        } else {            report.setOrderNum(report.getOrderNum() + 1);            report.setOrderTotal(report.getOrderTotal() + order.getOrderAmount());            repos.updateDailyOrderReport(report);        }    }}

随机创建10个订单后，我们的报表情况如下：

mysql\u0026gt; select * from `order`;+----------+---------+---------------------+--------------+| order_id | user_id | order_time          | order_amount |+----------+---------+---------------------+--------------+|       21 |       3 | 2018-09-24 01:06:43 |          251 ||       22 |       2 | 2018-09-24 01:06:43 |          371 ||       23 |       5 | 2018-09-24 01:06:43 |          171 ||       24 |       0 | 2018-09-24 01:06:43 |          904 ||       25 |       3 | 2018-09-24 01:06:43 |           55 ||       26 |       5 | 2018-09-24 01:06:44 |          315 ||       27 |       8 | 2018-09-24 01:06:44 |          543 ||       28 |       8 | 2018-09-24 01:06:44 |          537 ||       29 |       2 | 2018-09-24 01:06:44 |          123 ||       30 |       3 | 2018-09-24 01:06:45 |          938 |+----------+---------+---------------------+--------------+10 rows in set (0.00 sec)mysql\u0026gt; select * from daily_order_report;+----+------------+-----------+-------------+| id | day        | order_num | order_total |+----+------------+-----------+-------------+|  2 | 2018-09-24 |        10 |        4208 |+----+------------+-----------+-------------+1 row in set (0.00 sec)mysql\u0026gt;

---

作者简介：

欧阳亮，满帮集团运满满CRM团队负责人，架构师。关注微服务、大数据、实时计算等领域。

转载地址：http://dzmix.baihongyu.com/