先看现象。Kafka 消费组积压到五十万，运维把消费者从四台扩到十二台，lag 不降反升，日志里每分钟都有 Preparing to rebalance group，下游写入也跟着抖。
排查方向其实有限，先把可能性排一排。消费者频繁上下线，每次都触发全组重平衡。另一种情况是单批处理时间超过最大拉取间隔被踢出组。
不容易想到的是，分区数少于消费者数，多余实例全程空转。
还有一种情况，会话超时设得太短，网络抖一下就重平衡。
动手时先统计重平衡次数与触发原因
kafka-consumer-groups.sh --bootstrap-server 10.0.0.31:9092 --describe --group order-cg随后核对会话与拉取间隔参数
grep -E 'session.timeout|max.poll' /opt/app/consumer.properties再往下用静态成员避免扩容触发全组重平衡
grep -n 'group.instance.id' /opt/app/consumer.properties剩下的就是按分区数确定消费者上限
kafka-topics.sh --bootstrap-server 10.0.0.31:9092 --describe --topic order-event | head -3怎么算真的好了，看的是同一批现象。扩容后重平衡降到每小时一次以内，lag 开始稳定下降，各消费者分到的分区数量均匀。
消费者数量不要超过分区数，扩之前先看分区；单条处理时间长就把拉取条数调小，避免被判定失联踢出组。线上能稳定复现的问题都不算难，难的是只在大流量下才出现的那种。