Scala 有两类变量：val 和 var。val 等同于 Java 中的 final 变量，一旦被初始化，就不能再被重新赋值了。相反地，var 是非 final 变量，可以重复被赋值。123456789101112函数定义：1234else ydef 关键字表示这是一个函数。max 是函数名，括号中的 x 和 y 是函数输入参数，它们都是 Int 类型的值。结尾的“Int =”组合表示 max

在面对 ISR 报警时，不要盲目重启或调整参数，而应透过现象看本质，从 GC、IO、网络三个维度深入排查，才能构建真正坚如磐石的。模式（去除 ZooKeeper）演进，底层的元数据管理和副本状态机变得更加高效，但 ISR 的核心逻辑依然保持不变，甚至因为元数据提交的优化而变得更加稳健。（即所有 Follower 都落后太多，被剔除了 ISR，或者全部宕机只剩一个严重落后的 Follower）时，该

Kafka 支持自定义规则，一个 Producer 可以使用自己的分区指定规则。

最后事务B提交，此时事务B的结果需要与事务C的结果合并，如果数据没有冲突，即事务B没有修改事务A与事务C修改过的变量，那么事务B可以提交，否则事务B提交失败。在事务C修改该行数据时，数据库也先为该行加锁，然后把该行数据拷贝到回滚日志中，作为旧记录，发现该行记录已经有回滚日志了，那么最新的旧数据作为链表的表头，插在该行记录的回滚日志最前面。拷贝完毕后，修改该行name为“李四”，并且修改该行的事务I

ISR，全称In-Sync Replicas，即同步副本集合，是Kafka实现高可用性和数据一致性的核心机制之一。在Kafka的分布式架构中，每个分区（Partition）会有多个副本，这些副本分布在不同Broker上，以防止单点故障。ISR指的是那些与Leader副本保持数据同步的Follower副本集合。只有ISR中的副本才有资格在Leader发生故障时参与新的Leader选举，从而确保数据不

在 Kafka 里，“消息一致性”一般分三层看：生产一致性、存储一致性、消费一致性。Kafka 自身默认是“至少一次”，需要配合 幂等生产者 + 事务 + 幂等消费者/业务设计 才能做到“业务上看起来恰好一次”。

今天我们来看一道比较有深度的面试题：百万并发下，商品搜索系统，你如何设计呢？我们每次提到关键词搜索，大家很容易就想到但是，显然商品数据量超10亿条，搜索不能用like。可以使用Elasticsearch ，但是我们是做系统设计，肯定不能直接回答面试官，说，用Elasticsearch呀，而是按照系统设计的思想（），说一整个链路。我们在使用mysql做查询的时候，会遇到深分页的问题，比如回表十万次我

等快速消费完积压数据之后，得恢复原先部署的架构，下掉临时消费者，重新用原先的 consumer 机器来消费消息。如果不是bug，那就可能是消费者速度不给力，导致的消息积压。，可以减少每条消息的处理时间（比如减少不必要的计算），从而提高消息处理速度。这时候，消费者的代码，我们可以做一些调整，就是不再处理其他业务操作。然后我们原来消费者业务逻辑处理的代码，放在新的临时消息那里处理。机器，消费者代码优化

去关联（NO_DECORRELATE）：3.2 中改写的弊端在于，在关联没有被解除时，优化器是可以使用关联列上的索引的。在TiDB中子查询默认会以 Semi Join（关联查询）中提到的 Semi Join 作为默认的执行方式，同时对于一些特殊的子查询，TiDB 会做一些逻辑上的替换使得查询可以获得更好的执行性能。TiDB 的自动关联优化在大多数情况下是有益的，但当外部查询结果集很小（本案例：25

今天是我们开启Kafka源码分析的“热身课”，我给出了构建Kafka工程以及搭建Kafka源码阅读环境的具体方法。我建议你对照上面的内容完整地走一遍流程，亲身体会一下Kafka工程的构建与源码工程的导入。毕竟，这些都是后面阅读具体Kafka代码的前提条件。最后我想再强调一下，阅读任何一个大型项目的源码都不是一件容易的事情，我希望你在任何时候都不要轻言放弃。很多时候，碰到读不懂的代码你就多读几遍，也