分区重分配跑了 6 小时 集群 leader 切换 300 次 客户端元数据刷爆

扩容后执行 reassign，六小时只完成 40%，期间 leader 选举 312 次，客户端每分钟刷新元数据 20 多次，生产端超时率到 8%。碰到这种情况，我一般先确认改动有没有真的生效。

原因不复杂，一次迁移的分区太多，副本复制占满 broker 之间的带宽，ISR 反复收缩又扩张，leader 跟着来回切。reassignment 没有限速，等于把全量数据同时搬一遍。

「Kafka 分区重分配」相关的验证我通常做两遍，改完一次、隔天再看一次，确认不是临时生效。日志级别临时调高可以，记得改回去，长期开着既占磁盘又掩盖真问题。

kafka-reassign-partitions.sh --bootstrap-server kafka:9092 \
  --reassignment-json-file plan.json --throttle 52428800 --execute
kafka-reassign-partitions.sh --bootstrap-server kafka:9092 \
  --verify --reassignment-json-file plan.json

权限不要一口气开到最大，先加到够用再往上试，范围小才好收。把复现步骤压到三条以内，交给同事也能跑出来，才算真的定位清楚。

具体做法是，生成迁移计划时按 broker 分批 每批不超过总分区数的 10%；加 throttle 限制复制带宽 从 50MB每秒起调；迁移期间盯 ISR 和 under-replicated 两个指标；避开业务高峰 分多个窗口执行。

最后用这个标准收尾，迁移期间 leader 切换次数低于 10 次 生产端超时率回到 0.1% 以下。