在生产环境中遇到 Kafka 消息积压（Lag 持续增大）是一个非常典型的线上故障。解决这个问题的核心逻辑是：先止血恢复业务，再排查根本原因，最后做系统性优化。 Kafka 消息积压的本质只有两个原因：生产速度突然飙升，或者 消费速度变慢/停滞。 以下是标准排查和解决全流程： --- 第一阶段：紧急止血（如果业务已受严重影响） 1. 评估 Broker 风险：监控 Kafka 集群的磁盘使用率。如果积压导致磁盘快满了，必须立刻采取行动（如清理旧数据、扩容磁盘），否则 Broker 宕机会导致整个集群不可用。 2. 快速扩容消费者：如果当前消费者实例数 < Topic 的 Partition（分区）数，立刻增加消费者实例。 注意：Kafka 的一个 Partition 只能被同一个 Consumer Group 中的一个 Consumer 消费。如果消费者数量已经等于分区数，继续加机器是无效的。 3. 降级与熔断：如果是因为下游服务（如 DB、第三方 API）故障导致消费变慢，评估是否可以开启服务降级，直接丢弃非核心消息，或将消息写入本地日志/Redis，先让消费线程跑起来。 --...
播面