# Spring Kafka: architektura event-driven z odpornymi konsumentami

> Kompletny przewodnik po Spring Kafka dla architektur event-driven. Konfiguracja, odporni konsumenci, polityki retry, dead letter queue i wzorce produkcyjne dla aplikacji rozproszonych.

- Published: 2026-03-26
- Updated: 2026-05-04
- Author: SharpSkill
- Tags: spring kafka, event-driven, kafka consumer, microservices, resilience
- Reading time: 16 min

---

Apache Kafka stał się de facto standardem dla architektur sterowanych zdarzeniami na dużą skalę. Spring Kafka upraszcza jego integrację z aplikacjami Spring Boot, zapewniając jednocześnie kluczowe mechanizmy odporności w środowiskach produkcyjnych. Niniejszy przewodnik dogłębnie omawia konfigurację, wzorce konsumpcji i strategie obsługi błędów.

> **Wymagania wstępne**
>
> Przewodnik zakłada znajomość podstawowych pojęć Kafki: topiki, partycje, consumer groups oraz offsety. Nacisk położono na integrację ze Springiem i wzorce odporności.

## Dlaczego wybrać architekturę event-driven?

Architektury event-driven rozdzielają komponenty systemu poprzez asynchroniczne zdarzenia. W przeciwieństwie do synchronicznych wywołań REST, producenci emitują zdarzenia bez oczekiwania na odpowiedź, pozwalając konsumentom przetwarzać je we własnym tempie.

Takie podejście przynosi kilka kluczowych korzyści: niezależną skalowalność horyzontalną poszczególnych usług, większą odporność na chwilowe awarie oraz pełną śledzialność dzięki niemodyfikowalnemu logowi Kafki.

```java
// OrderEvent.java
public record OrderEvent(
    // Unikalny identyfikator zdarzenia dla idempotentności
    String eventId,
    // Typ zdarzenia do routingu
    String eventType,
    // Znacznik czasu utworzenia
    Instant createdAt,
    // Payload biznesowy
    OrderPayload payload
) {
    // Metoda fabrykująca gwarantująca unikalność eventId
    public static OrderEvent created(OrderPayload payload) {
        return new OrderEvent(
            UUID.randomUUID().toString(),
            "ORDER_CREATED",
            Instant.now(),
            payload
        );
    }
}

public record OrderPayload(
    Long orderId,
    Long customerId,
    List<OrderItem> items,
    BigDecimal totalAmount
) {}
```

Struktura zdarzenia systematycznie zawiera unikalny identyfikator, typ oraz znacznik czasu. Te metadane umożliwiają filtrowanie po stronie konsumenta, wykrywanie duplikatów i śledzenie czasowe.

## Podstawowa konfiguracja Spring Kafka

Integracja zaczyna się od startera `spring-kafka` i minimalnej konfiguracji YAML. Spring Boot automatycznie konfiguruje kluczowe beany: `KafkaTemplate` do produkcji oraz `ConcurrentKafkaListenerContainerFactory` do konsumpcji.

```yaml
# application.yml
spring:
  kafka:
    # Adresy brokerów Kafka (klaster)
    bootstrap-servers: localhost:9092

    # Konfiguracja producenta
    producer:
      # Serializacja kluczy String
      key-serializer: org.apache.kafka.common.serialization.StringSerializer
      # Serializacja wartości JSON
      value-serializer: org.springframework.kafka.support.serializer.JsonSerializer
      # Oczekiwanie na potwierdzenie wszystkich replik
      acks: all
      # Liczba ponownych prób przy błędzie sieci
      retries: 3

    # Konfiguracja konsumenta
    consumer:
      # Identyfikator consumer group
      group-id: order-service
      # Deserializacja kluczy
      key-deserializer: org.apache.kafka.common.serialization.StringDeserializer
      # Deserializacja JSON z typem docelowym
      value-deserializer: org.springframework.kafka.support.serializer.JsonDeserializer
      # Pozycja startowa, gdy brak zarejestrowanego offsetu
      auto-offset-reset: earliest
      # Wyłączenie auto-commit dla ręcznej kontroli
      enable-auto-commit: false
      properties:
        # Zaufany pakiet do deserializacji
        spring.json.trusted.packages: com.example.events
```

Wyłączenie `enable-auto-commit` to kluczowa praktyka produkcyjna. Ręczne commity offsetów gwarantują, że wiadomość zostaje oznaczona jako przetworzona dopiero po faktycznym zakończeniu przetwarzania.

## Tworzenie producenta Kafki

`KafkaTemplate` enkapsuluje logikę wysyłania do Kafki. Bezpośrednie wstrzyknięcie umożliwia natychmiastowe użycie wewnątrz serwisów biznesowych.

```java
// OrderEventPublisher.java
@Service
@Slf4j
public class OrderEventPublisher {

    private final KafkaTemplate<String, OrderEvent> kafkaTemplate;

    // Topik docelowy (wyłuskany z konfiguracji)
    @Value("${app.kafka.topics.orders}")
    private String ordersTopic;

    public OrderEventPublisher(KafkaTemplate<String, OrderEvent> kafkaTemplate) {
        this.kafkaTemplate = kafkaTemplate;
    }

    public CompletableFuture<SendResult<String, OrderEvent>> publishOrderCreated(
            OrderPayload payload) {

        // Tworzenie zdarzenia z metadanymi
        OrderEvent event = OrderEvent.created(payload);

        // Użycie orderId jako klucza partycji
        // Gwarantuje kolejność zdarzeń dla tego samego zamówienia
        String partitionKey = payload.orderId().toString();

        log.info("Publishing ORDER_CREATED event: {} to topic: {}",
            event.eventId(), ordersTopic);

        // Asynchroniczna wysyłka z callbackiem
        return kafkaTemplate.send(ordersTopic, partitionKey, event)
            .whenComplete((result, ex) -> {
                if (ex == null) {
                    // Sukces: log metadanych wysyłki
                    RecordMetadata metadata = result.getRecordMetadata();
                    log.info("Event sent successfully: topic={}, partition={}, offset={}",
                        metadata.topic(), metadata.partition(), metadata.offset());
                } else {
                    // Błąd: log błędu do dalszej analizy
                    log.error("Failed to send event: {}", event.eventId(), ex);
                }
            });
    }
}
```

Użycie klucza partycji opartego na identyfikatorze biznesowym zapewnia, że wszystkie zdarzenia tej samej encji trafią do tej samej partycji, dzięki czemu zachowana zostaje ich kolejność chronologiczna.

> **Klucz partycji**
>
> Pusty klucz rozprowadza wiadomości metodą round-robin między partycjami. Maksymalizuje to równoległość, ale traci gwarancje porządku. Wybór klucza zależy od wymagań biznesowych.

## Podstawowy konsument z @KafkaListener

Adnotacja `@KafkaListener` przekształca metodę w konsumenta Kafki. Spring automatycznie obsługuje pętlę pollingu, deserializację oraz commity offsetów.

```java
// OrderEventConsumer.java
@Service
@Slf4j
public class OrderEventConsumer {

    private final OrderProcessingService processingService;

    public OrderEventConsumer(OrderProcessingService processingService) {
        this.processingService = processingService;
    }

    @KafkaListener(
        // Topik(i) do nasłuchu
        topics = "${app.kafka.topics.orders}",
        // Consumer group
        groupId = "${spring.kafka.consumer.group-id}",
        // Niestandardowa fabryka dla zaawansowanej konfiguracji
        containerFactory = "kafkaListenerContainerFactory"
    )
    public void handleOrderEvent(
            // Payload zdeserializowany automatycznie
            OrderEvent event,
            // Wstrzyknięte metadane Kafki
            @Header(KafkaHeaders.RECEIVED_PARTITION) int partition,
            @Header(KafkaHeaders.OFFSET) long offset,
            @Header(KafkaHeaders.RECEIVED_TIMESTAMP) long timestamp,
            // Acknowledgment do ręcznego commita
            Acknowledgment acknowledgment) {

        log.info("Received event: type={}, partition={}, offset={}",
            event.eventType(), partition, offset);

        try {
            // Przetwarzanie biznesowe
            processingService.process(event);

            // Commit offsetu wyłącznie po pomyślnym przetworzeniu
            acknowledgment.acknowledge();

            log.info("Event processed successfully: {}", event.eventId());

        } catch (Exception ex) {
            // Brak acknowledge() powoduje ponowne przetworzenie
            log.error("Failed to process event: {}", event.eventId(), ex);
            throw ex;
        }
    }
}
```

Wstrzyknięcie `Acknowledgment` pozwala na jawną kontrolę commita. Bez wywołania `acknowledge()` offset pozostaje niezatwierdzony, a wiadomość zostanie ponownie dostarczona przy kolejnym pollingu.

## Zaawansowana konfiguracja ConsumerFactory

Domyślna konfiguracja sprawdza się w środowisku deweloperskim, ale produkcja wymaga dostosowań. Niestandardowa fabryka oferuje precyzyjną kontrolę nad zachowaniem konsumenta.

```java
// KafkaConsumerConfig.java
@Configuration
@EnableKafka
public class KafkaConsumerConfig {

    @Value("${spring.kafka.bootstrap-servers}")
    private String bootstrapServers;

    @Value("${spring.kafka.consumer.group-id}")
    private String groupId;

    @Bean
    public ConsumerFactory<String, OrderEvent> consumerFactory() {
        Map<String, Object> props = new HashMap<>();

        // Konfiguracja połączenia
        props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, bootstrapServers);
        props.put(ConsumerConfig.GROUP_ID_CONFIG, groupId);

        // Deserializacja
        props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG,
            StringDeserializer.class);
        props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG,
            JsonDeserializer.class);

        // Zarządzanie offsetami
        props.put(ConsumerConfig.AUTO_OFFSET_RESET_CONFIG, "earliest");
        props.put(ConsumerConfig.ENABLE_AUTO_COMMIT_CONFIG, false);

        // Wydajność: rekordy na pojedynczy poll
        props.put(ConsumerConfig.MAX_POLL_RECORDS_CONFIG, 100);

        // Timeout sesji do wykrywania awarii
        props.put(ConsumerConfig.SESSION_TIMEOUT_MS_CONFIG, 30000);

        // Odstęp heartbeat (1/3 timeoutu sesji)
        props.put(ConsumerConfig.HEARTBEAT_INTERVAL_MS_CONFIG, 10000);

        // Maksymalny czas przetwarzania przed rebalansem
        props.put(ConsumerConfig.MAX_POLL_INTERVAL_MS_CONFIG, 300000);

        // Konfiguracja deserializatora JSON
        JsonDeserializer<OrderEvent> deserializer = new JsonDeserializer<>(OrderEvent.class);
        deserializer.addTrustedPackages("com.example.events");
        deserializer.setUseTypeMapperForKey(false);

        return new DefaultKafkaConsumerFactory<>(
            props,
            new StringDeserializer(),
            deserializer
        );
    }

    @Bean
    public ConcurrentKafkaListenerContainerFactory<String, OrderEvent>
            kafkaListenerContainerFactory() {

        ConcurrentKafkaListenerContainerFactory<String, OrderEvent> factory =
            new ConcurrentKafkaListenerContainerFactory<>();

        factory.setConsumerFactory(consumerFactory());

        // Ręczny tryb acknowledgmentu
        factory.getContainerProperties()
            .setAckMode(ContainerProperties.AckMode.MANUAL);

        // Liczba wątków konsumenta
        factory.setConcurrency(3);

        // Przetwarzanie wsadowe wyłączone (jedna wiadomość naraz)
        factory.setBatchListener(false);

        return factory;
    }
}
```

Parametr `MAX_POLL_INTERVAL_MS_CONFIG` definiuje maksymalne opóźnienie między wywołaniami `poll()`. Jego przekroczenie powoduje wykluczenie konsumenta z grupy i rebalans. Wartość powinna odzwierciedlać maksymalny oczekiwany czas przetwarzania.

## Strategie ponawiania z RetryTemplate

Błędy przejściowe (chwilowa niedostępność usługi, timeouty sieciowe) wymagają automatycznych ponownych prób. Spring Kafka integruje się z `RetryTemplate` w celu wdrożenia zaawansowanych polityk retry.

```java
// KafkaRetryConfig.java
@Configuration
public class KafkaRetryConfig {

    @Bean
    public RetryTemplate kafkaRetryTemplate() {
        RetryTemplate template = new RetryTemplate();

        // Polityka retry: maks. 3 próby
        SimpleRetryPolicy retryPolicy = new SimpleRetryPolicy();
        retryPolicy.setMaxAttempts(3);
        template.setRetryPolicy(retryPolicy);

        // Wykładniczy backoff: 1s, 2s, 4s między próbami
        ExponentialBackOffPolicy backOffPolicy = new ExponentialBackOffPolicy();
        backOffPolicy.setInitialInterval(1000);
        backOffPolicy.setMultiplier(2.0);
        backOffPolicy.setMaxInterval(10000);
        template.setBackOffPolicy(backOffPolicy);

        return template;
    }

    @Bean
    public ConcurrentKafkaListenerContainerFactory<String, OrderEvent>
            retryableKafkaListenerContainerFactory(
                ConsumerFactory<String, OrderEvent> consumerFactory,
                RetryTemplate kafkaRetryTemplate) {

        ConcurrentKafkaListenerContainerFactory<String, OrderEvent> factory =
            new ConcurrentKafkaListenerContainerFactory<>();

        factory.setConsumerFactory(consumerFactory);
        factory.getContainerProperties()
            .setAckMode(ContainerProperties.AckMode.MANUAL);

        // Konfiguracja retry z callbackiem recovery
        factory.setCommonErrorHandler(
            new DefaultErrorHandler(
                // Recovery: akcja po wyczerpaniu prób
                (record, exception) -> {
                    log.error("All retries exhausted for record: key={}, value={}",
                        record.key(), record.value(), exception);
                },
                // Wykładniczy backoff: 1s start, maks. 30s, 3 próby
                new ExponentialBackOff(1000L, 2.0)
            )
        );

        return factory;
    }
}
```

`DefaultErrorHandler` zastępuje starszy `SeekToCurrentErrorHandler` od Spring Kafka 2.8. Oferuje czytelniejsze API i rozszerzone opcje konfiguracyjne.

## Implementacja Dead Letter Queue

Po wyczerpaniu prób nieudane wiadomości należy kierować do Dead Letter Queue (DLQ) w celu późniejszej analizy. Takie podejście zapobiega utracie danych, jednocześnie odblokowując konsumenta.

```java
// DeadLetterConfig.java
@Configuration
public class DeadLetterConfig {

    @Value("${app.kafka.topics.orders}")
    private String ordersTopic;

    @Bean
    public DeadLetterPublishingRecoverer deadLetterPublishingRecoverer(
            KafkaTemplate<String, Object> kafkaTemplate) {

        // Strategia nazewnictwa topiku DLT: original-topic.DLT
        return new DeadLetterPublishingRecoverer(
            kafkaTemplate,
            (record, exception) -> {
                // Topik DLT bazujący na topiku źródłowym
                String dltTopic = record.topic() + ".DLT";

                log.warn("Sending failed record to DLT: topic={}, key={}, error={}",
                    dltTopic, record.key(), exception.getMessage());

                return new TopicPartition(dltTopic, record.partition());
            }
        );
    }

    @Bean
    public ConcurrentKafkaListenerContainerFactory<String, OrderEvent>
            dltKafkaListenerContainerFactory(
                ConsumerFactory<String, OrderEvent> consumerFactory,
                DeadLetterPublishingRecoverer deadLetterPublishingRecoverer) {

        ConcurrentKafkaListenerContainerFactory<String, OrderEvent> factory =
            new ConcurrentKafkaListenerContainerFactory<>();

        factory.setConsumerFactory(consumerFactory);
        factory.getContainerProperties()
            .setAckMode(ContainerProperties.AckMode.MANUAL);

        // ErrorHandler z recovery DLT
        DefaultErrorHandler errorHandler = new DefaultErrorHandler(
            deadLetterPublishingRecoverer,
            new FixedBackOff(1000L, 3)
        );

        // Wyjątki nieretryowalne (bezpośrednia wysyłka do DLT)
        errorHandler.addNotRetryableExceptions(
            ValidationException.class,
            JsonParseException.class,
            NullPointerException.class
        );

        factory.setCommonErrorHandler(errorHandler);

        return factory;
    }
}
```

Rozróżnianie wyjątków retryowalnych i nieretryowalnych optymalizuje zachowanie. `ValidationException` wskazuje na nieprawidłowe dane, których ponowne próby nie naprawią, co uzasadnia bezpośrednie kierowanie do DLT.

## Konsument DLT do ręcznego ponownego przetwarzania

Dedykowany konsument monitoruje DLT i umożliwia ponowne przetworzenie wiadomości po naprawieniu pierwotnego problemu.

```java
// DeadLetterConsumer.java
@Service
@Slf4j
public class DeadLetterConsumer {

    private final AlertingService alertingService;
    private final FailedEventRepository failedEventRepository;

    public DeadLetterConsumer(AlertingService alertingService,
                              FailedEventRepository failedEventRepository) {
        this.alertingService = alertingService;
        this.failedEventRepository = failedEventRepository;
    }

    @KafkaListener(
        topics = "${app.kafka.topics.orders}.DLT",
        groupId = "order-service-dlt"
    )
    public void handleDeadLetter(
            ConsumerRecord<String, OrderEvent> record,
            @Header(KafkaHeaders.DLT_EXCEPTION_MESSAGE) String exceptionMessage,
            @Header(KafkaHeaders.DLT_EXCEPTION_STACKTRACE) String stacktrace,
            @Header(KafkaHeaders.DLT_ORIGINAL_TOPIC) String originalTopic,
            @Header(KafkaHeaders.DLT_ORIGINAL_PARTITION) int originalPartition,
            @Header(KafkaHeaders.DLT_ORIGINAL_OFFSET) long originalOffset,
            Acknowledgment acknowledgment) {

        log.error("Dead letter received: topic={}, partition={}, offset={}, error={}",
            originalTopic, originalPartition, originalOffset, exceptionMessage);

        // Persystencja do analizy i późniejszego reprocessingu
        FailedEvent failedEvent = FailedEvent.builder()
            .eventId(record.value().eventId())
            .eventType(record.value().eventType())
            .payload(serializePayload(record.value()))
            .originalTopic(originalTopic)
            .originalPartition(originalPartition)
            .originalOffset(originalOffset)
            .exceptionMessage(exceptionMessage)
            .stacktrace(stacktrace)
            .status(FailedEventStatus.PENDING)
            .createdAt(Instant.now())
            .build();

        failedEventRepository.save(failedEvent);

        // Alert do interwencji człowieka
        alertingService.notifyDeadLetter(failedEvent);

        acknowledgment.acknowledge();
    }
}
```

> **Nagłówki DLT**
>
> Spring Kafka automatycznie wzbogaca wiadomości DLT o nagłówki zawierające metadane awarii: wyjątek, stacktrace, oryginalny topik, partycję i offset. Te informacje ułatwiają diagnostykę.

## Obsługa idempotentności po stronie konsumenta

Kafka gwarantuje dostawę "at least once": wiadomość może zostać dostarczona wielokrotnie, jeśli wystąpi awaria po przetworzeniu, ale przed commitem. Idempotentność po stronie konsumenta zapobiega skutkom ubocznym ponownego przetwarzania.

```java
// IdempotentOrderProcessor.java
@Service
@Slf4j
public class IdempotentOrderProcessor {

    private final ProcessedEventRepository processedEventRepository;
    private final OrderService orderService;

    public IdempotentOrderProcessor(ProcessedEventRepository processedEventRepository,
                                    OrderService orderService) {
        this.processedEventRepository = processedEventRepository;
        this.orderService = orderService;
    }

    @Transactional
    public void processIdempotent(OrderEvent event) {
        String eventId = event.eventId();

        // Weryfikacja: zdarzenie już przetworzone?
        if (processedEventRepository.existsByEventId(eventId)) {
            log.info("Event already processed, skipping: {}", eventId);
            return;
        }

        // Przetwarzanie biznesowe
        switch (event.eventType()) {
            case "ORDER_CREATED" -> orderService.createOrder(event.payload());
            case "ORDER_UPDATED" -> orderService.updateOrder(event.payload());
            case "ORDER_CANCELLED" -> orderService.cancelOrder(event.payload());
            default -> log.warn("Unknown event type: {}", event.eventType());
        }

        // Zapis przetwarzania w tej samej transakcji
        ProcessedEvent processed = ProcessedEvent.builder()
            .eventId(eventId)
            .eventType(event.eventType())
            .processedAt(Instant.now())
            .build();

        processedEventRepository.save(processed);

        log.info("Event processed and recorded: {}", eventId);
    }
}
```

```java
// ProcessedEventRepository.java
@Repository
public interface ProcessedEventRepository extends JpaRepository<ProcessedEvent, Long> {

    // Indeks na eventId dla optymalnej wydajności
    boolean existsByEventId(String eventId);

    // Czyszczenie starych rekordów
    @Modifying
    @Query("DELETE FROM ProcessedEvent e WHERE e.processedAt < :before")
    int deleteOlderThan(@Param("before") Instant before);
}
```

Zapis przetwarzania w tej samej transakcji co logika biznesowa gwarantuje atomowość. Awaria po przetworzeniu, ale przed commitem, spójnie odtworzy obie operacje.

## Wzorzec Transactional Outbox

Wzorzec Outbox rozwiązuje problemy spójności między bazą danych a Kafką. Zamiast publikować bezpośrednio do Kafki, zdarzenia są najpierw zapisywane w tabeli "outbox", a następnie przekazywane przez dedykowany proces.

```java
// OutboxEvent.java
@Entity
@Table(name = "outbox_events")
public class OutboxEvent {

    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;

    @Column(nullable = false, unique = true)
    private String eventId;

    @Column(nullable = false)
    private String aggregateType;

    @Column(nullable = false)
    private String aggregateId;

    @Column(nullable = false)
    private String eventType;

    @Column(columnDefinition = "TEXT", nullable = false)
    private String payload;

    @Enumerated(EnumType.STRING)
    @Column(nullable = false)
    private OutboxStatus status;

    @Column(nullable = false)
    private Instant createdAt;

    private Instant publishedAt;
}

public enum OutboxStatus {
    PENDING, PUBLISHED, FAILED
}
```

```java
// OrderService.java
@Service
@Transactional
public class OrderService {

    private final OrderRepository orderRepository;
    private final OutboxRepository outboxRepository;
    private final ObjectMapper objectMapper;

    public OrderService(OrderRepository orderRepository,
                       OutboxRepository outboxRepository,
                       ObjectMapper objectMapper) {
        this.orderRepository = orderRepository;
        this.outboxRepository = outboxRepository;
        this.objectMapper = objectMapper;
    }

    public Order createOrder(CreateOrderRequest request) {
        // Utworzenie zamówienia
        Order order = Order.builder()
            .customerId(request.customerId())
            .items(request.items())
            .totalAmount(calculateTotal(request.items()))
            .status(OrderStatus.CREATED)
            .createdAt(Instant.now())
            .build();

        Order savedOrder = orderRepository.save(order);

        // Utworzenie zdarzenia outbox w tej samej transakcji
        OrderEvent event = OrderEvent.created(toPayload(savedOrder));

        OutboxEvent outboxEvent = OutboxEvent.builder()
            .eventId(event.eventId())
            .aggregateType("Order")
            .aggregateId(savedOrder.getId().toString())
            .eventType(event.eventType())
            .payload(serialize(event))
            .status(OutboxStatus.PENDING)
            .createdAt(Instant.now())
            .build();

        outboxRepository.save(outboxEvent);

        return savedOrder;
    }

    private String serialize(OrderEvent event) {
        try {
            return objectMapper.writeValueAsString(event);
        } catch (JsonProcessingException e) {
            throw new SerializationException("Failed to serialize event", e);
        }
    }
}
```

Outbox relayer publikuje zdarzenia do Kafki asynchronicznie:

```java
// OutboxRelayScheduler.java
@Component
@Slf4j
public class OutboxRelayScheduler {

    private final OutboxRepository outboxRepository;
    private final KafkaTemplate<String, String> kafkaTemplate;

    @Value("${app.kafka.topics.orders}")
    private String ordersTopic;

    public OutboxRelayScheduler(OutboxRepository outboxRepository,
                               KafkaTemplate<String, String> kafkaTemplate) {
        this.outboxRepository = outboxRepository;
        this.kafkaTemplate = kafkaTemplate;
    }

    @Scheduled(fixedDelay = 1000)
    @Transactional
    public void relayPendingEvents() {
        // Pobranie oczekujących zdarzeń z lockiem
        List<OutboxEvent> pendingEvents = outboxRepository
            .findByStatusOrderByCreatedAtAsc(OutboxStatus.PENDING);

        for (OutboxEvent event : pendingEvents) {
            try {
                // Publikacja do Kafki
                kafkaTemplate.send(
                    ordersTopic,
                    event.getAggregateId(),
                    event.getPayload()
                ).get(5, TimeUnit.SECONDS);

                // Aktualizacja statusu
                event.setStatus(OutboxStatus.PUBLISHED);
                event.setPublishedAt(Instant.now());
                outboxRepository.save(event);

                log.debug("Outbox event published: {}", event.getEventId());

            } catch (Exception ex) {
                log.error("Failed to publish outbox event: {}",
                    event.getEventId(), ex);
                event.setStatus(OutboxStatus.FAILED);
                outboxRepository.save(event);
            }
        }
    }
}
```

Ten wzorzec gwarantuje, że zdarzenie zostanie opublikowane wyłącznie wtedy, gdy transakcja biznesowa zakończyła się powodzeniem, eliminując niespójności między bazą danych a Kafką.

## Monitoring i obserwowalność

Nadzór nad systemem Kafka wymaga metryk dotyczących opóźnienia konsumpcji, lagu i błędów. Spring Boot Actuator udostępnia te metryki przez Micrometer.

```java
// KafkaMetricsConfig.java
@Configuration
public class KafkaMetricsConfig {

    @Bean
    public MeterBinder kafkaConsumerMetrics(
            ConcurrentKafkaListenerContainerFactory<?, ?> factory) {

        return registry -> {
            // Niestandardowa metryka: przetworzone zdarzenia
            Counter.builder("kafka.consumer.events.processed")
                .description("Number of events successfully processed")
                .tag("topic", "orders")
                .register(registry);

            // Niestandardowa metryka: zdarzenia zakończone niepowodzeniem
            Counter.builder("kafka.consumer.events.failed")
                .description("Number of events that failed processing")
                .tag("topic", "orders")
                .register(registry);
        };
    }
}
```

```java
// InstrumentedOrderConsumer.java
@Service
@Slf4j
public class InstrumentedOrderConsumer {

    private final OrderProcessingService processingService;
    private final MeterRegistry meterRegistry;
    private final Counter processedCounter;
    private final Counter failedCounter;
    private final Timer processingTimer;

    public InstrumentedOrderConsumer(OrderProcessingService processingService,
                                     MeterRegistry meterRegistry) {
        this.processingService = processingService;
        this.meterRegistry = meterRegistry;

        // Inicjalizacja liczników
        this.processedCounter = Counter.builder("kafka.consumer.events.processed")
            .tag("topic", "orders")
            .register(meterRegistry);

        this.failedCounter = Counter.builder("kafka.consumer.events.failed")
            .tag("topic", "orders")
            .register(meterRegistry);

        // Timer mierzący opóźnienie przetwarzania
        this.processingTimer = Timer.builder("kafka.consumer.processing.duration")
            .tag("topic", "orders")
            .publishPercentiles(0.5, 0.95, 0.99)
            .register(meterRegistry);
    }

    @KafkaListener(topics = "${app.kafka.topics.orders}")
    public void handleOrderEvent(OrderEvent event, Acknowledgment acknowledgment) {

        Timer.Sample sample = Timer.start(meterRegistry);

        try {
            processingService.process(event);
            acknowledgment.acknowledge();

            processedCounter.increment();
            sample.stop(processingTimer);

        } catch (Exception ex) {
            failedCounter.increment();
            sample.stop(processingTimer);
            throw ex;
        }
    }
}
```

Te metryki pozwalają konfigurować alerty dotyczące lagu konsumenta, wskaźnika błędów i opóźnienia przetwarzania, kluczowe dla proaktywnego wykrywania problemów.

## Podsumowanie

Spring Kafka zapewnia solidną integrację do budowy odpornych architektur event-driven. Opanowanie mechanizmów retry, dead letter queue oraz idempotentności stanowi fundament aplikacji gotowych do produkcji.

**Lista kontrolna architektury event-driven ze Spring Kafka:**

- ✅ Skonfigurować ręczne commity offsetów z `AckMode.MANUAL`
- ✅ Stosować spójny klucz partycji, aby zachować kolejność zdarzeń
- ✅ Wdrożyć retry z wykładniczym backoffem za pomocą `DefaultErrorHandler`
- ✅ Kierować nieudane wiadomości do Dead Letter Queue
- ✅ Zapewnić idempotentność po stronie konsumenta przez śledzenie eventId
- ✅ Rozważyć wzorzec Outbox dla spójności bazy danych i Kafki
- ✅ Udostępnić metryki przez Micrometer do monitoringu
- ✅ Dostosować `MAX_POLL_INTERVAL_MS` do maksymalnego czasu przetwarzania

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pl/blog/spring-boot/spring-kafka-event-driven-architecture-resilient-consumers