MQ

Posted 2023-05-07 lwx_R

1.流量消峰
举个例子，如果订单系统最多能处理一万次订单， 这个处理能力应付正常时段的 下单时绰绰有余，正
常时段我们下单-秒后就能返回结果。但是在高峰期，如果有两万次下单操作系统是处理不了的，只能限
制订单超过一万后不允许用户下单。使用消息队列做缓冲，我们可以取消这个限制，把-秒内下的订单分
散成一-段时间来处理,这时有些用户可能在下单十几秒后才能收到下单成功的操作,但是比不能下单的体
验要好。|
2.应用解耦
以电商应用为例，应用中有订单系统、库存系统、物流系统、支付系统。用户创建订单后，如果耦合
调用库存系统、物流系统、支付系统，任何一个子系统出了故障，都会造成下单操作异常。当转变成基于
消息队列的方式后，系统间调用的问题会减少很多，比如物流系统因为发生故障,需要几分钟来修复。在
这几分钟的时间里，物流系统要处理的内存被缓存在消息队列中，用户的下单操作可以正常完成。当物流
系统恢复后，继续处理订单信息即可，中单用户感受不到物流系统的故障，提升系统的可用性。
3.异步处理
有些服务间调用是异步的，例如A调用B, B需要花费很长时间执行，但是A需要知道B什么时候可
以执行完，以前一般有两种方式, A过一段时间去调用B的查询api查询。或者A提供一个callback api,
B执行完之后调用api通知A服务。这两种方式都不是很优雅，使用消息总线，可以很方便解决这个问题,
A调用B服务后,只需要监听B处理完成的消息，当B处理完成后，会发送一条消息给 MQ, MQ会将此
消息转发给A服务。这样A服务既不用循环调用B的查询api,也不用提供callback api。同样B服务也不
用做这些操作。A服务还能及时的得到异步处理成功的消息。
1.ActiveMQ
优点:单机吞吐量万级，时效性ms级,可用性高，基于主从架构实现高可用性，消息可靠性较
低的概率丢失数据
缺点:官方社区现在对ActiveMQ 5.x维护越来越少,高吞吐量场景较少使用。
尚硅谷官网视频: http://www.gulixueyuan.com/course/322
2. Kafka
大数据的杀手锏，谈到大数据领域内的消息传输，则绕不开Kafka,这款为大数据而生的消息中间件,
以其百万级TPS的吞吐量名声大噪，迅速成为大数据领域的宠儿，在数据采集、传输、存储的过程中发挥
着举足轻重的作用。目前已经被LinkedIn, Uber, Twitter, Netflix 等大公司所采纳。
优点:性能卓越，单机写入TPS约在百万条秒,最大的优点，就是吞吐量高。时效性ms级可用性非
常高，kafka 是分布式的，-个数据多个副本，少数机器宕机，不会丢失数据，不会导致不可用,消费者采
用Pull方式获取消息,消息有序,通过控制能够保证所有消息被消费且仅被消费-次;有优秀的第三方
Kafka Web管理界面Kafka-Manager;在日志领域比较成熟,被多家公司和多个开源项目使用;功能支持:
功能较为简单，主要支持简单的MQ功能，在大数据领域的实时计算以及日志采集被大规模使用
缺点: Kafka 单机超过64个队列/分区，Load会发生明显的飙高现象，队列越多，load 越高.发送消
息响应时间变长，使用短轮询方式，实时性取决于轮询间隔时间，消费失败不支持重试;支持消息顶序，
但是一台代理宕机后，就会产生消息乱序，社区更新较慢;
3.RocketMQ
RocketMQ出自阿里巴巴的开源产品，用Java语言实现，在设计时参考了Kafka, 并做出了自己的一
些改进。被阿里巴巴f泛应用在订单,交易,充值,流计算，消息推送，日志流式处理, binglog 分发等场
景。
优点:单机吞吐量十万级,可用性非常高，分布式架构,消息可以做到0丢失,MQ功能较为完善，还是分
布式的，扩展性好，支持10亿级别的消息堆积，不会因为堆积导致性能下降,源码是java我们可以自己阅
读源码，定制自己公司的MQ
缺点:支持的客户端语言不多，目前是java及C++,其中C++不成熟;社区活跃度一般,污 有王MQ
核心中去实现JMS等接口，有些系统要迁移需要修改大量代码
4. RabbitMQ
2007年发布，是一个在AMQP(高级消息队列协议)基础上完成的，可复用的企业消息系统，是当前最
主流的消息中间件之-。
优点:由于erlang语言的高井发特性，性能较好;吞吐量到万级，MQ功能比较完备,健壮、稳定、易
用、跨平台、支持多种语言如: Python. Ruby. .NET、 Java. JMS、 C. PHP、 ActionSaript. XMPP、 STOMP
等,支持AJAX文档齐全;开源提供的管理界面非常棒,用起来很好用,社区活跃度高;更新频率相当高
https://ww.rabbitmg.com/news.html .
缺点:商业版需要收费,学习成本较高
1.1.4.
MQ的选择
1.Kafka
Kafka主要特点是基于Pull的模式来处理消息消费，追求高吞吐量，-开始的目的就是用于日志收集
和传输，适合产生大量数据的互联网服务的数据收集业务。大型公司建议可以选用,如果有日志采集功能,
肯定是首选kafka了。尚硅谷官网kafka视频连接ht:/www.gulixueyuan.com/course/330/tasks
2. RocketMQ
天生为金融互联网领域而生，对于可靠性要求很高的场景，尤其是电商里面的订单扣款,以及业务削
峰,在大量交易涌入时，后端可能无法及时处理的情况。RoketMQ 在稳定性上可能更值得信赖，这些业务
场景在阿里双11已经经历了多次考验，如果你的业务有上述并发场景，建议可以选择RocketMQ.
3.RabbitMQ
结合erlang语言本身的并发优势，性能好时效性微秒级，社区活跃度也比较高,管理界面用起来十分
方便，如果你的数据量没有那么大，中小型公司优先选择功能比较完备的RabbitMQ。

1.2.1.
Rabbi tMQ的概念
RabbitMQ是一个消息中间件:它接受并转发消息。你可以把它当做一一个快递站点,当你要发送一个包
裹时，你把你的包裹放到快递站，快递员最终会把你的快递送到收件人那里，按照这种逻辑RabbitMQ是
-个快递站，一个快递员帮你传递快件。RabitMQ. 与快递站的主要区别在于,它不处理快件而是接收,
存储和转发消息数据。
1.2.2.
四大核心概念
产生数据发送消息的程序是生产者
交换机
交换机是RabbitMQ非常重要的一个部件，一-方面它接收来自生产者的消息， 另一方面它将消息
推送到队列中。交换机必须确切知道如何处理它接收到的消息，是将这些消息推送到特定队列还是推
送到多个队列，亦或者是把消息丢弃，这个得有交换机类型决定
队列
队列是RabbitMQ内部使用的一种数据结构,尽管消息流经RabbitMQ和应用程序,但它们只能存
储在队列中。队列仅受主机的内存和磁盘限制的约束，本质上是一个大的消息缓冲区。 许多生产者可
以将消息发送到一个队列，许多消费者可以尝试从一一个队列接收数据。这就是我们使用队列的方式
消费者
消费与接收具有相似的含义。消费者大多时候是一个等待接收消息的程序。请注意生产者「消费
解释老和消息中间件很多时候并不在同一机器上。同一个应用程序既可以是生产者又是可以是消费名。

1.2.3.
Rabb itMQ核心部分
1 "Hello World!"
2 Work queues
3 Publish/Subscribe
4 Routing
5 Topics
6 Publisher Confirms

Broker:接收和分发消息的应用，RabbitMQ Server就是Message Broker
Virtual host:出于多租户和安全因素设计的，把AMQP的基本组件划分到一个虚拟的分组中，类似
于网络中的namespace概念。当多个不同的用户使用同一个RabbitMQ server提供的服务时,可以划分出
多个vhost,每个用户在自己的vhost创建exchange/ queue等
Connep:tion: publisher / consumer和broker之间的TCP连接
Channel信道:如果每一次访问RabbitMQ 都建立一个Connection,在消息量大的时候建立TCP
Connection的开销将是巨大的，效率也较低。Channel是在connection内部建立的逻辑连接,如果应用程
序支持多线程，通常每个thread创建单独的channel进行通讯，AMQP method包含了channel id帮助客
户端和message broker识别channel, 所以channel之间是完全隔离的。Channel 作为轻量级的
Connection极大减少了操作系统建立TCP connection的开销
Exchange: message 到达broker的第一站， 根据分发规则，匹配查询表中的routing key,分发
消息到queue中去。常用的类型有: direct (point to point), topic (publish-subscibe) and fanout
(multicast)

mq从零开始实现 mq-07-负载均衡 load balance

前景回顾

【mq】从零开始实现 mq-01-生产者、消费者启动

【mq】从零开始实现 mq-02-如何实现生产者调用消费者？

【mq】从零开始实现 mq-03-引入 broker 中间人

【mq】从零开始实现 mq-04-启动检测与实现优化

【mq】从零开始实现 mq-05-实现优雅停机

【mq】从零开始实现 mq-06-消费者心跳检测 heartbeat

【mq】从零开始实现 mq-07-负载均衡 load balance

为什么需要负载均衡

大家好，我是老马。

这一节让我们看一下如何实现 MQ 的负载均衡。

为什么需要负载均衡呢？

作用

负载均衡最核心的作用：

（1）可以避免单点故障

（2）可以让请求均分的分散到每一个节点

实现思路

负载均衡实现的方式比较多，最简单的就是随机选择一个。

拓展阅读：

MQ 中用到负载均衡的地方

生产者发送

生产者发送消息时，可以发送给任一 broker。

broker 推送给消费者

broker 接收到消息以后，在推送给消费者时，也可以任一选择一个。

消费者的消费 ACK

消费者消费完，状态回执给 broker，可以选择任一一个。

消息黏连

有些消息比较特殊，比如需要保证消费的有序性，可以通过 shardingKey 的方式，在负载的时候固定到指定的片区。

代码实现

生产者发送

统一调整获取 channel 的方法。

@Override
public Channel getChannel(String key) 
    // 等待启动完成
    while (!statusManager.status()) 
        log.debug("等待初始化完成...");
        DateUtil.sleep(100);
    
    RpcChannelFuture rpcChannelFuture = RandomUtils.loadBalance(this.loadBalance,
            channelFutureList, key);
    return rpcChannelFuture.getChannelFuture().channel();

工具类实现为核心实现：

/**
 * 负载均衡
 *
 * @param list 列表
 * @param key 分片键
 * @return 结果
 * @since 0.0.7
 */
public static <T extends IServer> T loadBalance(final ILoadBalance<T> loadBalance,
                                                final List<T> list, String key) 
    if(CollectionUtil.isEmpty(list)) 
        return null;
    

    if(StringUtil.isEmpty(key)) 
        LoadBalanceContext<T> loadBalanceContext = LoadBalanceContext.<T>newInstance()
                .servers(list);
        return loadBalance.select(loadBalanceContext);
    

    // 获取 code
    int hashCode = Objects.hash(key);
    int index = hashCode % list.size();
    return list.get(index);

如果指定了 shardingKey，那么根据 shadringKey 进行 hash 判断。

如果没有，则进行默认的负载均衡策略。

Broker 消息推送给消费者

消费者订阅列表的获取：

@Override
public List<Channel> getSubscribeList(MqMessage mqMessage) 
    final String topicName = mqMessage.getTopic();
    Set<ConsumerSubscribeBo> set = subscribeMap.get(topicName);
    if(CollectionUtil.isEmpty(set)) 
        return Collections.emptyList();
    

    //2. 获取匹配的 tag 列表
    final List<String> tagNameList = mqMessage.getTags();
    Map<String, List<ConsumerSubscribeBo>> groupMap = new HashMap<>();
    for(ConsumerSubscribeBo bo : set) 
        String tagRegex = bo.getTagRegex();
        if(hasMatch(tagNameList, tagRegex)) 
            //TODO: 这种设置模式，统一添加处理 haven
            String groupName = bo.getGroupName();
            List<ConsumerSubscribeBo> list = groupMap.get(groupName);
            if(list == null) 
                list = new ArrayList<>();
            
            list.add(bo);
            groupMap.put(groupName, list);
        
    

    //3. 按照 groupName 分组之后，每一组只随机返回一个。最好应该调整为以 shardingkey 选择
    final String shardingKey = mqMessage.getShardingKey();
    List<Channel> channelList = new ArrayList<>();
    for(Map.Entry<String, List<ConsumerSubscribeBo>> entry : groupMap.entrySet()) 
        List<ConsumerSubscribeBo> list = entry.getValue();
        ConsumerSubscribeBo bo = RandomUtils.loadBalance(loadBalance, list, shardingKey);
        final String channelId = bo.getChannelId();
        BrokerServiceEntryChannel entryChannel = registerMap.get(channelId);
        if(entryChannel == null) 
            log.warn("channelId:  对应的通道信息为空", channelId);
            continue;
        
        channelList.add(entryChannel.getChannel());
    
    return channelList;

核心逻辑：RandomUtils.loadBalance(loadBalance, list, shardingKey); 获取，其他的保持不变。

消费者 ACK

消费者也是类似的，获取 channel 的方式调整如下：

public Channel getChannel(String key) 
    // 等待启动完成
    while (!statusManager.status()) 
        log.debug("等待初始化完成...");
        DateUtil.sleep(100);
    

    RpcChannelFuture rpcChannelFuture = RandomUtils.loadBalance(loadBalance,
            channelFutureList, key);
    return rpcChannelFuture.getChannelFuture().channel();

小结

负载均衡在分布式服务中，是必备的特性之一。实现的原理并不算复杂。

希望本文对你有所帮助，如果喜欢，欢迎点赞收藏转发一波。

我是老马，期待与你的下次重逢。

开源地址

拓展阅读

rpc-从零开始实现 rpc https://github.com/houbb/rpc