Kafka / Pulsar 数据越来越多，磁盘却越来越小？聊聊实时流平台的容量与回溯

大家好，我是 Echo_Wish。

做运维这些年，我发现一个特别有意思的现象：

Kafka、Pulsar 平时看着特别稳定，一到业务高峰，大家突然开始研究磁盘。

“昨天磁盘怎么 80% 了？”

“这个 Topic 能不能多保留 7 天？”

“老板说要支持历史数据回放，Kafka 消息是不是不能删？”

“磁盘快满了怎么办？”

然后运维开始疯狂扩容。

扩完以后呢？

过几个月继续扩。

最后 Kafka 变成了一个很贵的“数据仓库”。

其实这事儿真正难的，从来不是 Kafka 磁盘不够，而是一个问题：

实时数据到底应该保留多久？出了问题，我们到底需要回溯多久？

这两个问题如果没想清楚，容量规划基本就是拍脑袋。

---

一、Kafka 运维最容易踩的坑：把“保留时间”当成了“容量策略”

很多公司的 Kafka 配置是这样的：

log.retention.hours=168

7 天。

看起来挺合理。

但问题来了：

7 天到底需要多少磁盘？

假设某个业务 Topic：

• 每秒写入 20 MB
• 每天数据量约：

20 MB × 60 × 60 × 24
≈ 1.65 TB/天

保留 7 天：

1.65 TB × 7
≈ 11.55 TB

这还只是业务数据本身。

再考虑：

• 副本
• 峰值流量
• Segment
• Broker 磁盘预留
• 数据压缩比例
• Consumer Lag
• Rebalance
• 突发流量

容量很容易继续往上蹿。

如果副本因子是 3：

11.55 TB × 3
≈ 34.65 TB

所以你会发现一个很现实的问题：

Kafka 的容量不是“消息有多少”这么简单，而是“消息量 × 保留时间 × 副本数”。

---

二、真正应该关注的是“数据生命周期”

我个人非常反对一种 Kafka 运维方式：

所有 Topic 一律保留 7 天。

这其实就是懒。

不同数据，生命周期完全不一样。

比如：

数据类型	建议保留
实时监控指标	1～3 天
普通业务事件	3～7 天
订单事件	7～30 天
关键交易事件	30 天以上
CDC 数据	根据下游恢复能力
审计日志	单独进入日志/对象存储
临时计算 Topic	几小时～1天

为什么？

因为：

Kafka 不是数据仓库。

Kafka 最擅长的是：

让数据在不同系统之间可靠、实时地流动。

而不是：

“把公司过去三年的所有数据都存起来。”

这两个定位一定要分清楚。

---

三、容量规划不要问“磁盘还有多少”，要问“还能撑多久”

这是我比较推荐的一个运维指标：

Disk Time To Full

也就是：

按照当前写入速度，磁盘还能撑多久？

例如：

Kafka Broker：

磁盘容量：10 TB
当前使用：7 TB
剩余：3 TB

过去 6 小时平均增长：
200 GB / 小时

那么：

3 TB / 200 GB
≈ 15 小时

这时候你不能说：

“磁盘还有 30% 呢，不急。”

错了。

应该直接告警：

预计 15 小时后磁盘打满。

甚至可以进一步做 Prometheus 告警。

例如：

(
  node_filesystem_avail_bytes
  /
  predict_linear(
    node_filesystem_avail_bytes[6h],
    86400
  )
) < 0

当然，实际生产环境还需要根据磁盘挂载点、采集指标和业务特点调整。

我的观点是：

容量告警一定要从“百分比告警”升级到“时间告警”。

---

四、别等磁盘 90% 才扩容

这是 Kafka 运维里面特别容易犯的错误。

很多人的告警：

磁盘使用率 > 80%：Warning

磁盘使用率 > 90%：Critical

然后 90% 的时候开始扩容。

问题是：

Kafka 这种系统最怕的就是：

你以为还有 10%，其实根本没有 10%。

因为高峰期流量可能突然翻倍。

例如：

平时：
100 MB/s

大促：
500 MB/s

你按照平时容量计算：

10 TB / 100 MB/s

觉得还能撑很久。

结果业务一上量：

10 TB / 500 MB/s

直接原地起飞。

所以我更建议：

70%：开始容量评估
75%：制定扩容计划
80%：必须完成扩容
85%：限制非核心 Topic
90%：应急处理

不要把 90% 当成“扩容提醒”，而应该把它当成“事故现场”。

---

五、Kafka 真正厉害的地方：回溯

说到实时流平台，容量只是第一半。

另一半其实是：

回溯。

假设今天上午 10 点：

订单系统正常
↓

Kafka 正常
↓

实时计算正常
↓

10:20 开始出现数据异常

业务发现的时候已经 12 点了。

现在问题来了：

能不能重新计算 10:20～12:00 的数据？

这就是回溯能力。

Kafka 为什么比传统 MQ 更适合做这种事情？

因为消息消费以后，并不是马上从 Kafka 消失。

Consumer 只是移动 Offset。

例如：

Topic: order_event

Partition 0

0  1  2  3  4  5  6  7  8  9
            ↑
          Offset

消费者现在：

offset = 8

并不代表：

0～7 的消息不存在了

只要消息还在 retention 范围内，你完全可以重新消费。

---

六、回溯千万别直接“改生产 Consumer”

这是很多新手运维特别容易干的事情。

比如生产消费者：

order-consumer

发现：

昨天 14:00～15:00 数据处理有问题

然后直接：

auto.offset.reset=earliest

然后重启。

这时候……

祝你好运。

因为生产 Consumer Group 可能开始重新消费大量历史数据。

结果：

Kafka
 ↓
Consumer
 ↓
数据库
 ↓
重复写入
 ↓
数据库压力暴增

严重一点：

Kafka Lag ↑
数据库 CPU ↑
接口延迟 ↑
业务报警 ↑
运维人员 ↑

最后从一个数据问题变成整个系统的问题。

---

七、正确的回溯方式：创建独立 Consumer Group

例如：

生产：

order-consumer-prod

回溯：

order-consumer-replay-20260909

两个 Group 完全隔离。

例如：

kafka-console-consumer.sh \
  --bootstrap-server kafka01:9092 \
  --topic order_event \
  --group order-consumer-replay-20260909 \
  --from-beginning

这样做最大的好处：

生产消费不受影响。

回溯任务自己慢慢跑。

甚至可以限制消费速度。

---

八、但是“从头开始”其实也不是好策略

如果 Topic 有：

10 TB

你只是想回溯：

昨天 14:00～15:00

结果：

--from-beginning

直接把 10 TB 全扫一遍。

这不是回溯。

这是：

给 Kafka 做压力测试。

真正合理的做法是根据时间定位 Offset。

例如：

10:00 → offset 1200000

14:00 → offset 1800000

15:00 → offset 1950000

然后：

从 offset 1800000
消费到 1950000

这才叫精准回溯。

---

九、Pulsar 的思路也类似，但更灵活

Pulsar 在消息保留和回溯方面，有自己的优势。

它的核心概念是：

Topic
  ↓
Subscription
  ↓
Cursor

不同 Subscription 可以拥有不同的消费位置。

例如：

order-sub-prod

负责生产。

order-sub-replay

负责回溯。

所以可以做到：

生产消费
        ┌──→ prod
Topic ──┤
        └──→ replay

这也是我比较喜欢实时流平台的一点：

数据生产和数据消费天然可以解耦。

生产者不用关心：

消费者今天要不要重新算？

消费者也不用要求：

生产者重新发一次消息。

这就是流平台真正的价值。

---

十、但是回溯不是免费的

这一点很多人容易忽略。

假设：

正常消费速度：
100 MB/s

现在需要回溯：

2 TB

理论上：

2 TB / 100 MB/s
≈ 5.5 小时

如果你把回溯速度提高到：

500 MB/s

虽然只需要：

≈ 1.1 小时

但下游可能直接扛不住。

所以回溯其实是一种：

资源再分配。

你从 Kafka 把数据读出来，只是第一步。

后面还有：

Kafka
 ↓
Consumer
 ↓
反序列化
 ↓
计算
 ↓
RPC
 ↓
数据库
 ↓
缓存

任何一个环节都可能成为瓶颈。

因此回溯系统最好具备：

限速
暂停
恢复
失败重试
进度记录
幂等
监控

---

十一、我更推荐：热数据 + 冷数据两级架构

如果业务真的要求：

“我要支持半年甚至一年以前的数据重新计算。”

那我不建议：

Kafka 保留 365 天

因为这太贵了。

更合理的是：

实时数据
   ↓
Kafka / Pulsar
   ↓
实时计算
   ↓
对象存储 / 数据湖

例如：

0～7 天
Kafka

7～180 天
对象存储

180 天以后
归档

这样：

Kafka 负责实时。

对象存储负责长期。

出现问题：

最近 7 天
→ Kafka 快速回溯

7 天以前
→ 从对象存储重新构建流

这才是比较健康的架构。

---

十二、最后聊一个特别容易被忽略的问题：回溯必须考虑幂等

假设：

订单 ID：
ORDER001

第一次处理：

INSERT ORDER001

回溯的时候又来了：

INSERT ORDER001

数据库：

Duplicate Key

如果没有唯一约束，甚至可能：

ORDER001
ORDER001

变成两条。

所以实时系统设计的时候，我一直比较强调：

任何需要回溯的系统，都必须从第一天开始考虑幂等。

例如：

INSERT INTO order_result
(
    order_id,
    amount,
    update_time
)
VALUES
(
    @orderId,
    @amount,
    GETDATE()
);

不要简单认为：

消费一次 = 处理一次

应该设计成：

消息可能重复
        ↓
业务必须幂等
        ↓
允许重新消费
        ↓
允许回溯

这才是真正可靠的实时系统。

---

十三、我心目中的 Kafka / Pulsar 运维模型

如果让我重新设计一套实时数据平台，我不会只盯着：

CPU
Memory
Disk

我会重点看下面这些指标：

① 写入速率
② 消费速率
③ Consumer Lag
④ 磁盘增长速度
⑤ 磁盘预计耗尽时间
⑥ Topic 数据保留时间
⑦ 峰值流量
⑧ 副本同步状态
⑨ 回溯任务进度
⑩ 回溯对下游的影响

尤其是：

Lag
+
Retention
+
Replay
+
Capacity

这四个东西其实是一套完整的闭环。

---

最后：实时平台最重要的不是“能存多少”，而是“出问题能不能回来”

很多人做 Kafka 运维，第一反应是：

“磁盘不够了，扩磁盘。”

做久一点以后会发现：

扩磁盘只是最简单的解决方案。

真正应该思考的是：

数据为什么要留？
留多久？
谁会消费？
出了问题能回溯多久？
回溯需要多少资源？
回溯会不会影响线上？
历史数据放 Kafka 还是对象存储？

如果这些问题没有答案，那么：

Kafka 留 30 天和留 300 天，本质上都只是“先存着再说”。

而真正成熟的实时数据平台，应该做到：

实时数据
   ↓
短期保留
   ↓
快速消费
   ↓
异常可回溯
   ↓
历史数据沉淀
   ↓
必要时重新计算

所以我一直觉得：

Kafka/Pulsar 运维的核心，从来不是“把消息存住”，而是“让数据在可控成本下，随时有机会重新跑一遍”。

因为线上系统真正可怕的，从来不是今天的数据处理失败。

而是：

失败了以后，你发现根本没有办法回到昨天。

这才是实时数据平台最应该解决的问题。

我是 Echo_Wish，关注我，聊点真正落地的 AI、Python、云原生、DevOps 和数据平台实战。