RocketMQ 轻松入门

妖狐艹你老母 2023-06-08 06:41 278阅读 0赞

[RocketMQ][]是一款分布式、队列模型的[消息中间件][Link 1]，具有以下特点：

能够保证严格的消息顺序

提供丰富的消息拉取模式

高效的订阅者水平扩展能力

实时的消息订阅机制

亿级消息堆积能力

RocketMQ网络部署特

![R1][]  
（1）NameServer是一个几乎无状态的节点，可集群部署，节点之间无任何信息同步

（2）Broker部署相对复杂，Broker氛围Master与Slave，一个Master可以对应多个Slaver，但是一个Slaver只能对应一个Master，Master与Slaver的对应关系通过指定相同的BrokerName，不同的BrokerId来定义，BrokerId为0表示Master，非0表示Slaver。Master可以部署多个。每个Broker与NameServer集群中的所有节点建立长连接，定时注册Topic信息到所有的NameServer

（3）Producer与NameServer集群中的其中一个节点（随机选择）建立长连接，定期从NameServer取Topic路由信息，并向提供Topic服务的Master建立长连接，且定时向Master发送心跳。Produce完全无状态，可集群部署

（4）Consumer与NameServer集群中的其中一个节点（随机选择）建立长连接，定期从NameServer取Topic路由信息，并向提供Topic服务的Master、Slaver建立长连接，且定时向Master、Slaver发送心跳。Consumer即可从Master订阅消息，也可以从Slave订阅消息，订阅规则由Broker配置决定

RocketMQ储存特点

（1）零拷贝原理：Consumer消费消息过程，使用了零拷贝，零拷贝包括一下2中方式，RocketMQ使用第一种方式，因小块数据传输的要求效果比sendfile方式好

a )使用mmap+write方式

优点：即使频繁调用，使用小文件块传输，效率也很高

缺点：不能很好的利用DMA方式，会比sendfile多消耗CPU资源，内存安全性控制复杂，需要避免JVM Crash问题

b）使用sendfile方式

优点：可以利用DMA方式，消耗CPU资源少，大块文件传输效率高，无内存安全新问题

缺点：小块文件效率低于mmap方式，只能是BIO方式传输，不能使用NIO

（2）数据存储结构  
![R2][]

RocketMQ关键特性

1.单机支持1W以上的持久化队  
![R3][]  
（1）所有数据单独储存到commit Log ，完全顺序写，随机读

（2）对最终用户展现的队列实际只储存消息在Commit Log 的位置信息，并且串行方式刷盘

这样做的好处：

（1）队列轻量化，单个队列数据量非常少

（2）对磁盘的访问串行话，避免磁盘竞争，不会因为队列增加导致IOWait增高

每个方案都有优缺点，他的缺点是：

（1）写虽然是顺序写，但是读却变成了随机读

（2）读一条消息，会先读Consume Queue，再读Commit Log，增加了开销

（3）要保证Commit Log 与 Consume Queue完全的一致，增加了编程的复杂度

以上缺点如何客服：

（1）随机读，尽可能让读命中pagecache，减少IO操作，所以内存越大越好。如果系统中堆积的消息过多，读数据要访问硬盘会不会由于随机读导致系统性能急剧下降，答案是否定的。

a）访问pagecache时，即使只访问1K的消息，系统也会提前预读出更多的数据，在下次读时就可能命中pagecache

b）随机访问Commit Log 磁盘数据，系统IO调度算法设置为NOOP方式，会在一定程度上将完全的随机读变成顺序跳跃方式，而顺序跳跃方式读较完全的随机读性能高5倍

（2）由于Consume Queue存储数量极少，而且顺序读，在pagecache的与读取情况下，Consume Queue的读性能与内存几乎一直，即使堆积情况下。所以可以认为Consume Queue完全不会阻碍读性能

（3）Commit Log中存储了所有的元信息，包含消息体，类似于MySQl、Oracle的redolog，所以只要有Commit Log存在， Consume Queue即使丢失数据，仍可以恢复出来

2.刷盘策略

rocketmq中的所有消息都是持久化的，先写入系统pagecache，然后刷盘，可以保证内存与磁盘都有一份数据，访问时，可以直接从内存读取

2.1异步刷盘

在有 RAID 卡， SAS 15000 转磁盘测试顺序写文件，速度可以达到 300M 每秒左右，而线上的网卡一般都为千兆网卡，写磁盘速度明显快于数据网络入口速度，那么是否可以做到写完 内存就向用户返回，由后台线程刷盘呢？

(1). 由于磁盘速度大于网卡速度，那么刷盘的进度肯定可以跟上消息的写入速度。

(2). 万一由于此时系统压力过大，可能堆积消息，除了写入 IO，还有读取 IO，万一出现磁盘读取落后情况，会不会导致系统内存溢出，答案是否定的，原因如下：

a) 写入消息到 PAGECACHE 时，如果内存不足，则尝试丢弃干净的 PAGE，腾出内存供新消息使用，策略是 LRU 方式。

b) 如果干净页不足，此时写入 PAGECACHE 会被阻塞，系统尝试刷盘部分数据，大约每次尝试 32 个 PAGE，来找出更多干净 PAGE。  
综上，内存溢出的情况不会出现

2.2同步刷盘：

同步刷盘与异步刷盘的唯一区别是异步刷盘写完 PAGECACHE 直接返回，而同步刷盘需要等待刷盘完成才返回，同步刷盘流程如下：

（1）写入 PAGECACHE 后，线程等待，通知刷盘线程刷盘。

（2）刷盘线程刷盘后，唤醒前端等待线程，可能是一批线程。

（3）前端等待线程向用户返回成功。  
![R4][]

3.消息查询

3.1按照MessageId查询消息  
![R5][]  
MsgId总共16个字节，包含消息储存主机地址，消息Commit Log Offset。从MsgId中解析出Broker的地址和Commit Log 偏移地址，然后按照存储格式所在位置消息buffer解析成一个完整消息

3.2按照Message Key查询消息  
![R6][]  
1.根据查询的key的hashcode%slotNum得到具体的槽位置 （slotNum是一个索引文件里面包含的最大槽目数目，例如图中所示slotNum=500W）

2.根据slotValue（slot对应位置的值）查找到索引项列表的最后一项（倒序排列，slotValue总是指向最新的一个索引项）

3.遍历索引项列表返回查询时间范围内的结果集（默认一次最大返回的32条记录）

4.Hash冲突，寻找key的slot位置时相当于执行了两次散列函数，一次key的hash，一次key的hash取值模，因此这里存在两次冲突的情况；第一种，key的hash值不同但模数相同，此时查询的时候会在比较第一次key的hash值（每个索引项保存了key的hash值），过滤掉hash值不想等的情况。第二种，hash值相等key不想等，出于性能的考虑冲突的检测放到客户端处理（key的原始值是存储在消息文件中的，避免对数据文件的解析），客户端比较一次消息体的key是否相同

5.存储，为了节省空间索引项中存储的时间是时间差值（存储时间——开始时间，开始时间存储在索引文件头中），整个索引文件是定长的，结构也是固定的

4.服务器消息过滤

RocketMQ的消息过滤方式有别于其他的消息中间件，是在订阅时，再做过滤，先来看下Consume Queue存储结构  
![R7][]  
1.在Broker端进行Message Tag比较，先遍历Consume Queue，如果存储的Message Tag与订阅的Message Tag不符合，则跳过，继续比对下一个，符合则传输给Consumer。注意Message Tag是字符串形式，Consume Queue中存储的是其对应的hashcode，比对时也是比对hashcode

2.Consumer收到过滤消息后，同样也要执行在broker端的操作，但是比对的是真实的Message Tag字符串，而不是hashcode

为什么过滤要这么做？

1.Message Tag存储hashcode，是为了在Consume Queue定长方式存储，节约空间

2.过滤过程中不会访问Commit Log 数据，可以保证堆积情况下也能高效过滤

3.即使存在hash冲突，也可以在Consumer端进行修正，保证万无一失

5.单个JVM进程也能利用机器超大内存

![R8][]  
1.Producer发送消息，消息从socket进入java 堆

2.Producer发送消息，消息从java堆进入pagecache，物理内存

3.Producer发送消息，由异步线程刷盘，消息从pagecache刷入磁盘

4.Consumer拉消息（正常消费），消息直接从pagecache（数据在物理内存）转入socket，到达Consumer，不经过java堆。这种消费场景最多，线上96G物理内存，按照1K消息算，可以物理缓存1亿条消息

5.Consumer拉消息（异常消费），消息直接从pagecache转入socket

6.Consumer拉消息（异常消费），由于socket访问了虚拟内存，产生缺页中断，此时会产生磁盘IO，从磁盘Load消息到pagecache，然后直接从socket发出去

7.同5

8.同6

6.消息堆积问题解决办法

1 消息的堆积容量、依赖磁盘大小

2 发消息的吞吐量大小受影响程度、无Slave情况，会受一定影响、有Slave情况，不受影响

3 正常消费的Consumer是否会受影响、无Slave情况，会受一定影响、有Slave情况，不受影响

4 访问堆积在磁盘的消息时，吞吐量有多大、与访问的并发有关，最终会降到5000左右

在有Slave情况下，Master一旦发现Consumer访问堆积在磁盘的数据时，回想Consumer下达一个重定向指令，令Consumer从Slave拉取数据，这样正常的发消息与正常的消费不会因为堆积受影响，因为系统将堆积场景与非堆积场景分割在了两个不同的节点处理。这里会产生一个问题，Slave会不会写性能下降，答案是否定的。因为Slave的消息写入只追求吞吐量，不追求实时性，只要整体的吞吐量高就行了，而Slave每次都是从Master拉取一批数据，如1M，这种批量顺序写入方式使堆积情况，整体吞吐量影响相对较小，只是写入RT会变长。

服务端安装部署

我是在虚拟机中的CentOS6.5中进行部署。

1.下载程序

2.tar -xvf alibaba-rocketmq-3.0.7.tar.gz 解压到适当的目录如/opt/目录

3.启动RocketMQ：进入rocketmq/bin 目录 执行  
![R9][]  
4.启动Broker，设置对应的NameServer  
![R10][]

编写客户端

可以查看sameple中的quickstart源码 1.Consumer 消息消费者  
![R11][]  
2.Producer消息生产者  
![R12][]  
3.首先运行Consumer程序，一直在运行状态接收服务器端推送过来的消息  
![R13][]  
4.再次运行Producer程序，生成消息并发送到Broker，Producer的日志冲没了，但是可以看到Broker推送到Consumer的一条消息  
![R14][]

Consumer最佳实践

1.消费过程要做到幂等（即消费端去重）

RocketMQ无法做到消息重复，所以如果业务对消息重复非常敏感，务必要在业务层面去重，有以下一些方式：

（1）.将消息的唯一键，可以是MsgId，也可以是消息内容中的唯一标识字段，例如订单ID，消费之前判断是否在DB或Tair（全局KV存储）中存在，如果不存在则插入，并消费，否则跳过。（实践过程要考虑原子性问题，判断是否存在可以尝试插入，如果报主键冲突，则插入失败，直接跳过） msgid一定是全局唯一的标识符，但是可能会存在同样的消息有两个不同的msgid的情况（有多种原因），这种情况可能会使业务上重复，建议最好使用消息体中的唯一标识字段去重

（2）.使业务层面的状态机去重

2.批量方式消费

如果业务流程支持批量方式消费，则可以很大程度上的提高吞吐量，可以通过设置Consumer的consumerMessageBatchMaxSize参数，默认是1，即一次消费一条参数

3.跳过非重要的消息

发生消息堆积时，如果消费速度一直跟不上发送速度，可以选择丢弃不重要的消息  
![R15][]  
如以上代码所示，当某个队列的消息数堆积到 100000 条以上，则尝试丢弃部分或全部消息，这样就可以快速追上发送消息的速度

4.优化没条消息消费过程

举例如下，某条消息的消费过程如下

1、根据消息从 DB 查询数据 1  
2、根据消息从 DB 查询数据2  
3、复杂的业务计算  
4、向 DB 插入数据3  
5、向 DB 插入数据 4

这条消息的消费过程与 DB 交互了 4 次，如果按照每次 5ms 计算，那么总共耗时 20ms，假设业务计算耗时 5ms，那么总过耗时 25ms，如果能把 4 次 DB 交互优化为 2 次，那么总耗时就可以优化到 15ms，也就是说总体性能提高了 40%。

对于 Mysql 等 DB，如果部署在磁盘，那么与 DB 进行交互，如果数据没有命中 cache，每次交互的 RT 会直线上升， 如果采用 SSD，则 RT 上升趋势要明显好于磁盘。

个别应用可能会遇到这种情况：在线下压测消费过程中，db 表现非常好，每次 RT 都很短，但是上线运行一段时间，RT 就会变长，消费吞吐量直线下降

主要原因是线下压测时间过短，线上运行一段时间后，cache 命中率下降，那么 RT 就会增加。建议在线下压测时，要测试足够长时间，尽可能模拟线上环境，压测过程中，数据的分布也很重要，数据不同，可能 cache 的命中率也会完全不同

Producer最佳实践

1.发送消息注意事项

（1） 一个应用尽可能用一个 Topic，消息子类型用 tags 来标识，tags 可以由应用自由设置。只有发送消息设置了tags，消费方在订阅消息时，才可以利用 tags 在 broker 做消息过滤。

（2）每个消息在业务层面的唯一标识码，要设置到 keys 字段，方便将来定位消息丢失问题。服务器会为每个消息创建索引（哈希索引），应用可以通过 topic，key 来查询这条消息内容，以及消息被谁消费。由于是哈希索引，请务必保证 key 尽可能唯一，这样可以避免潜在的哈希冲突。

（3）消息发送成功或者失败，要打印消息日志，务必要打印 sendresult 和 key 字段

（4）send 消息方法，只要不抛异常，就代表发送成功。但是发送成功会有多个状态，在 sendResult 里定义

SEND\_OK：消息发送成功

FLUSH\_DISK\_TIMEOUT：消息发送成功，但是服务器刷盘超时，消息已经进入服务器队列，只有此时服务器宕机，消息才会丢失

FLUSH\_SLAVE\_TIMEOUT：消息发送成功，但是服务器同步到 Slave 时超时，消息已经进入服务器队列，只有此时服务器宕机，消息才会丢失

SLAVE\_NOT\_AVAILABLE：消息发送成功，但是此时 slave 不可用，消息已经进入服务器队列，只有此时服务器宕机，消息才会丢失。对于精确发送顺序消息的应用，由于顺序消息的局限性，可能会涉及到主备自动切换问题，所以如果sendresult 中的 status 字段不等于 SEND\_OK，就应该尝试重试。对于其他应用，则没有必要这样

（5）对于消息不可丢失应用，务必要有消息重发机制

2.消息发送失败处理

Producer 的 send 方法本身支持内部重试，重试逻辑如下：

（1） 至多重试 3 次

（2） 如果发送失败，则轮转到下一个 Broker

（3） 这个方法的总耗时时间不超过 sendMsgTimeout 设置的值，默认 10s所以，如果本身向 broker 发送消息产生超时异常，就不会再做重试

如：

如果调用 send 同步方法发送失败，则尝试将消息存储到 db，由后台线程定时重试，保证消息一定到达 Broker。

上述 db 重试方式为什么没有集成到 MQ 客户端内部做，而是要求应用自己去完成，基于以下几点考虑：

（1）MQ 的客户端设计为无状态模式，方便任意的水平扩展，且对机器资源的消耗仅仅是 cpu、内存、网络

（2）如果 MQ 客户端内部集成一个 KV 存储模块，那么数据只有同步落盘才能较可靠，而同步落盘本身性能开销较大，所以通常会采用异步落盘，又由于应用关闭过程不受 MQ 运维人员控制，可能经常会发生 kill -9 这样暴力方式关闭，造成数据没有及时落盘而丢失

（3）Producer 所在机器的可靠性较低，一般为虚拟机，不适合存储重要数据。 综上，建议重试过程交由应用来控制。

3.选择 oneway 形式发送

一个 RPC 调用，通常是这样一个过程

（1）客户端发送请求到服务器

（2）服务器处理该请求

（3）服务器向客户端返回应答

所以一个 RPC 的耗时时间是上述三个步骤的总和，而某些场景要求耗时非常短，但是对可靠性要求并不高，例如日志收集类应用，此类应用可以采用 oneway 形式调用，oneway 形式只发送请求不等待应答，而发送请求在客户端实现层面仅仅是一个 os 系统调用的开销，即将数据写入客户端的 socket 缓冲区，此过程耗时通常在微秒级。

RocketMQ不止可以直接推送消息，在消费端注册监听器进行监听，还可以由消费端决定自己去拉取数据  
![R16][]  
![R17][]  
刚开始的没有细看PullResult对象，以为拉取到的结果没有MessageExt对象还跑到群里面问别人，犯2了

特别要注意 静态变量offsetTable的作用，拉取的是按照从offset（理解为下标）位置开始拉取，拉取N条，offsetTable记录下次拉取的offset位置。

文章来源：[https://segmentfault.com/a/1190000015951993][https_segmentfault.com_a_1190000015951993]

[RocketMQ]: https://yq.aliyun.com/go/articleRenderRedirect?url=https%3A%2F%2Fwww.roncoo.com%2Fcourse%2Fview%2F7a6b391cdd3c4d9a9daba6f5bb807062
[Link 1]: https://yq.aliyun.com/go/articleRenderRedirect?url=https%3A%2F%2Fwww.roncoo.com%2Farticle%2Findex%3Ftitle%3D%25E6%25B6%2588%25E6%2581%25AF%25E4%25B8%25AD%25E9%2597%25B4%25E4%25BB%25B6
[R1]: /images/20230531/4c716a3959fc40b9adba8d3e71b54779.png
[R2]: /images/20230531/ff3ec006e02a4a4ca45e4aaa7a46ccc8.png
[R3]: /images/20230531/6881ec6620ce473e9e6d7bb3db22c9c4.png
[R4]: /images/20230531/5949ac11bacd48f8afc398da87e1a007.png
[R5]: /images/20230531/8dbb2ba04e6345b7829cec19217a4fd2.png
[R6]: /images/20230531/9cf8e986671a4c6ea211764ddb2a091d.png
[R7]: /images/20230531/cc334ec90f234a5dade2b9fcc15f7079.png
[R8]: /images/20230531/6036aebafee94db09e5d2a0d83bf8971.png
[R9]: /images/20230531/d9d97a92d76e481cab88ad4e4eac35c0.png
[R10]: /images/20230531/18f94fccfdec405ba8b673bd068a1def.png
[R11]: /images/20230531/1224a4f04ce443449bd320b0c0ae923f.png
[R12]: /images/20230531/2560af2181724bd7a4259cec19f96331.png
[R13]: /images/20230531/91b81a4e733040bcb3d2fce7b29971af.png
[R14]: /images/20230531/95ad83cd54e14f0c8da5d7003c294884.png
[R15]: /images/20230531/2d03c603704048ceb1af86d0c3c4358a.png
[R16]: /images/20230531/be2fe66d30534824921e2bd6188a238c.png
[R17]: /images/20230531/87014e97f2664a81a64839cbed514299.png
[https_segmentfault.com_a_1190000015951993]: https://yq.aliyun.com/go/articleRenderRedirect?url=https%3A%2F%2Fsegmentfault.com%2Fa%2F1190000015951993