RocketMQ是一款分佈式、隊列模型的消息中間件，具有以下特點：
-
能夠保證嚴格的消息順序
-
提供豐富的消息拉取模式
-
高效的訂閱者水平擴展能力
-
實時的消息訂閱機制
-
億級消息堆積能力
RocketMQ網絡部署特
（1）NameServer是一個幾乎無狀態的節點，可集羣部署，節點之間無任何信息同步
（2）Broker部署相對複雜，Broker氛圍Master與Slave，一個Master可以對應多個Slaver，但是一個Slaver只能對應一個Master，Master與Slaver的對應關係通過指定相同的BrokerName，不同的BrokerId來定義，BrokerId爲0表示Master，非0表示Slaver。Master可以部署多個。每個Broker與NameServer集羣中的所有節點建立長連接，定時註冊Topic信息到所有的NameServer
（3）Producer與NameServer集羣中的其中一個節點（隨機選擇）建立長連接，定期從NameServer取Topic路由信息，並向提供Topic服務的Master建立長連接，且定時向Master發送心跳。Produce完全無狀態，可集羣部署
（4）Consumer與NameServer集羣中的其中一個節點（隨機選擇）建立長連接，定期從NameServer取Topic路由信息，並向提供Topic服務的Master、Slaver建立長連接，且定時向Master、Slaver發送心跳。Consumer即可從Master訂閱消息，也可以從Slave訂閱消息，訂閱規則由Broker配置決定
RocketMQ儲存特點
（1）零拷貝原理：Consumer消費消息過程，使用了零拷貝，零拷貝包括一下2中方式，RocketMQ使用第一種方式，因小塊數據傳輸的要求效果比sendfile方式好
a )使用mmap+write方式
優點：即使頻繁調用，使用小文件塊傳輸，效率也很高
缺點：不能很好的利用DMA方式，會比sendfile多消耗CPU資源，內存安全性控制複雜，需要避免JVM Crash問題
b）使用sendfile方式
優點：可以利用DMA方式，消耗CPU資源少，大塊文件傳輸效率高，無內存安全新問題
缺點：小塊文件效率低於mmap方式，只能是BIO方式傳輸，不能使用NIO
（2）數據存儲結構
RocketMQ關鍵特性
1.單機支持1W以上的持久化隊
（1）所有數據單獨儲存到commit Log ，完全順序寫，隨機讀
（2）對最終用戶展現的隊列實際只儲存消息在Commit Log 的位置信息，並且串行方式刷盤
這樣做的好處：
（1）隊列輕量化，單個隊列數據量非常少
（2）對磁盤的訪問串行話，避免磁盤競爭，不會因爲隊列增加導致IOWait增高
每個方案都有優缺點，他的缺點是：
（1）寫雖然是順序寫，但是讀卻變成了隨機讀
（2）讀一條消息，會先讀Consume Queue，再讀Commit Log，增加了開銷
（3）要保證Commit Log 與 Consume Queue完全的一致，增加了編程的複雜度
以上缺點如何客服：
（1）隨機讀，儘可能讓讀命中pagecache，減少IO操作，所以內存越大越好。如果系統中堆積的消息過多，讀數據要訪問硬盤會不會由於隨機讀導致系統性能急劇下降，答案是否定的。
a）訪問pagecache時，即使只訪問1K的消息，系統也會提前預讀出更多的數據，在下次讀時就可能命中pagecache
b）隨機訪問Commit Log 磁盤數據，系統IO調度算法設置爲NOOP方式，會在一定程度上將完全的隨機讀變成順序跳躍方式，而順序跳躍方式讀較完全的隨機讀性能高5倍
（2）由於Consume Queue存儲數量極少，而且順序讀，在pagecache的與讀取情況下，Consume Queue的讀性能與內存幾乎一直，即使堆積情況下。所以可以認爲Consume Queue完全不會阻礙讀性能
（3）Commit Log中存儲了所有的元信息，包含消息體，類似於MySQl、Oracle的redolog，所以只要有Commit Log存在， Consume Queue即使丟失數據，仍可以恢復出來
2.刷盤策略
rocketmq中的所有消息都是持久化的，先寫入系統pagecache，然後刷盤，可以保證內存與磁盤都有一份數據，訪問時，可以直接從內存讀取
2.1異步刷盤
在有 RAID 卡， SAS 15000 轉磁盤測試順序寫文件，速度可以達到 300M 每秒左右，而線上的網卡一般都爲千兆網卡，寫磁盤速度明顯快於數據網絡入口速度，那麼是否可以做到寫完 內存就向用戶返回，由後臺線程刷盤呢？
(1). 由於磁盤速度大於網卡速度，那麼刷盤的進度肯定可以跟上消息的寫入速度。
(2). 萬一由於此時系統壓力過大，可能堆積消息，除了寫入 IO，還有讀取 IO，萬一出現磁盤讀取落後情況，會不會導致系統內存溢出，答案是否定的，原因如下：
a) 寫入消息到 PAGECACHE 時，如果內存不足，則嘗試丟棄乾淨的 PAGE，騰出內存供新消息使用，策略是 LRU 方式。
b) 如果幹淨頁不足，此時寫入 PAGECACHE 會被阻塞，系統嘗試刷盤部分數據，大約每次嘗試 32 個 PAGE，來找出更多幹淨 PAGE。
綜上，內存溢出的情況不會出現
2.2同步刷盤：
同步刷盤與異步刷盤的唯一區別是異步刷盤寫完 PAGECACHE 直接返回，而同步刷盤需要等待刷盤完成才返回，同步刷盤流程如下：
（1）寫入 PAGECACHE 後，線程等待，通知刷盤線程刷盤。
（2）刷盤線程刷盤後，喚醒前端等待線程，可能是一批線程。
（3）前端等待線程向用戶返回成功。
3.消息查詢
3.1按照MessageId查詢消息
MsgId總共16個字節，包含消息儲存主機地址，消息Commit Log Offset。從MsgId中解析出Broker的地址和Commit Log 偏移地址，然後按照存儲格式所在位置消息buffer解析成一個完整消息
3.2按照Message Key查詢消息
1.根據查詢的key的hashcode%slotNum得到具體的槽位置 （slotNum是一個索引文件裏面包含的最大槽目數目，例如圖中所示slotNum=500W）
2.根據slotValue（slot對應位置的值）查找到索引項列表的最後一項（倒序排列，slotValue總是指向最新的一個索引項）
3.遍歷索引項列表返回查詢時間範圍內的結果集（默認一次最大返回的32條記錄）
4.Hash衝突，尋找key的slot位置時相當於執行了兩次散列函數，一次key的hash，一次key的hash取值模，因此這裏存在兩次衝突的情況；第一種，key的hash值不同但模數相同，此時查詢的時候會在比較第一次key的hash值（每個索引項保存了key的hash值），過濾掉hash值不想等的情況。第二種，hash值相等key不想等，出於性能的考慮衝突的檢測放到客戶端處理（key的原始值是存儲在消息文件中的，避免對數據文件的解析），客戶端比較一次消息體的key是否相同
5.存儲，爲了節省空間索引項中存儲的時間是時間差值（存儲時間——開始時間，開始時間存儲在索引文件頭中），整個索引文件是定長的，結構也是固定的
4.服務器消息過濾
RocketMQ的消息過濾方式有別於其他的消息中間件，是在訂閱時，再做過濾，先來看下Consume Queue存儲結構
1.在Broker端進行Message Tag比較，先遍歷Consume Queue，如果存儲的Message Tag與訂閱的Message Tag不符合，則跳過，繼續比對下一個，符合則傳輸給Consumer。注意Message Tag是字符串形式，Consume Queue中存儲的是其對應的hashcode，比對時也是比對hashcode
2.Consumer收到過濾消息後，同樣也要執行在broker端的操作，但是比對的是真實的Message Tag字符串，而不是hashcode
爲什麼過濾要這麼做？
1.Message Tag存儲hashcode，是爲了在Consume Queue定長方式存儲，節約空間
2.過濾過程中不會訪問Commit Log 數據，可以保證堆積情況下也能高效過濾
3.即使存在hash衝突，也可以在Consumer端進行修正，保證萬無一失
5.單個JVM進程也能利用機器超大內存
1.Producer發送消息，消息從socket進入java 堆
2.Producer發送消息，消息從java堆進入pagecache，物理內存
3.Producer發送消息，由異步線程刷盤，消息從pagecache刷入磁盤
4.Consumer拉消息（正常消費），消息直接從pagecache（數據在物理內存）轉入socket，到達Consumer，不經過java堆。這種消費場景最多，線上96G物理內存，按照1K消息算，可以物理緩存1億條消息
5.Consumer拉消息（異常消費），消息直接從pagecache轉入socket
6.Consumer拉消息（異常消費），由於socket訪問了虛擬內存，產生缺頁中斷，此時會產生磁盤IO，從磁盤Load消息到pagecache，然後直接從socket發出去
7.同5
8.同6
6.消息堆積問題解決辦法
1 消息的堆積容量、依賴磁盤大小
2 發消息的吞吐量大小受影響程度、無Slave情況，會受一定影響、有Slave情況，不受影響
3 正常消費的Consumer是否會受影響、無Slave情況，會受一定影響、有Slave情況，不受影響
4 訪問堆積在磁盤的消息時，吞吐量有多大、與訪問的併發有關，最終會降到5000左右
在有Slave情況下，Master一旦發現Consumer訪問堆積在磁盤的數據時，回想Consumer下達一個重定向指令，令Consumer從Slave拉取數據，這樣正常的發消息與正常的消費不會因爲堆積受影響，因爲系統將堆積場景與非堆積場景分割在了兩個不同的節點處理。這裏會產生一個問題，Slave會不會寫性能下降，答案是否定的。因爲Slave的消息寫入只追求吞吐量，不追求實時性，只要整體的吞吐量高就行了，而Slave每次都是從Master拉取一批數據，如1M，這種批量順序寫入方式使堆積情況，整體吞吐量影響相對較小，只是寫入RT會變長。
服務端安裝部署
我是在虛擬機中的CentOS6.5中進行部署。
1.下載程序
2.tar -xvf alibaba-rocketmq-3.0.7.tar.gz 解壓到適當的目錄如/opt/目錄
3.啓動RocketMQ：進入rocketmq/bin 目錄 執行
nohup sh mqnamesrv &
4.啓動Broker，設置對應的NameServer
nohup sh mqbroker -n "127.0.0.1:9876" &
編寫客戶端
可以查看sameple中的quickstart源碼 1.Consumer 消息消費者
/**
* Consumer，訂閱消息
*/
public class Consumer {
public static void main(String[] args) throws InterruptedException, MQClientException {
DefaultMQPushConsumer consumer = new DefaultMQPushConsumer("QuickStartConsumer");
consumer.setNamesrvAddr("127.0.0.1:9876");
consumer.setInstanceName("QuickStartConsumer");
consumer.subscribe("QuickStart", "*");
consumer.registerMessageListener(new MessageListenerConcurrently() {
@Override
public ConsumeConcurrentlyStatus consumeMessage(List<MessageExt> msgs,
ConsumeConcurrentlyContext context) {
System.out.println(Thread.currentThread().getName() + " Receive New Messages: " + msgs);
return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;
}
});
consumer.start();
System.out.println("Consumer Started.");
}
}
2.Producer消息生產者
/**
* Producer，發送消息
*
*/
public class Producer {
public static void main(String[] args) throws MQClientException, InterruptedException {
DefaultMQProducer producer = new DefaultMQProducer("QuickStartProducer");
producer.setNamesrvAddr("127.0.0.1:9876");
producer.setInstanceName("QuickStartProducer");
producer.start();
for (int i = 0; i < 1000; i++) {
try {
Message msg = new Message("QuickStart",// topic
"TagA",// tag
("Hello RocketMQ ,QuickStart" + i).getBytes()// body
);
SendResult sendResult = producer.send(msg);
System.out.println(sendResult);
}
catch (Exception e) {
e.printStackTrace();
Thread.sleep(1000);
}
}
producer.shutdown();
}
}
3.首先運行Consumer程序，一直在運行狀態接收服務器端推送過來的消息
23:18:07.587 [main] DEBUG i.n.c.MultithreadEventLoopGroup - -Dio.netty.eventLoopThreads: 16 23:18:07.591 [main] DEBUG i.n.util.internal.PlatformDependent - Platform: Windows 23:18:07.592 [main] DEBUG i.n.util.internal.PlatformDependent - Java version: 7 23:18:07.592 [main] DEBUG i.n.util.internal.PlatformDependent - -Dio.netty.noUnsafe: false 23:18:07.593 [main] DEBUG i.n.util.internal.PlatformDependent0 - java.nio.ByteBuffer.cleaner: available 23:18:07.593 [main] DEBUG i.n.util.internal.PlatformDependent0 - java.nio.Buffer.address: available 23:18:07.593 [main] DEBUG i.n.util.internal.PlatformDependent0 - sun.misc.Unsafe.theUnsafe: available 23:18:07.593 [main] DEBUG i.n.util.internal.PlatformDependent0 - sun.misc.Unsafe.copyMemory: available 23:18:07.593 [main] DEBUG i.n.util.internal.PlatformDependent0 - java.nio.Bits.unaligned: true 23:18:07.594 [main] DEBUG i.n.util.internal.PlatformDependent - sun.misc.Unsafe: available 23:18:07.594 [main] DEBUG i.n.util.internal.PlatformDependent - -Dio.netty.noJavassist: false 23:18:07.594 [main] DEBUG i.n.util.internal.PlatformDependent - Javassist: unavailable 23:18:07.594 [main] DEBUG i.n.util.internal.PlatformDependent - You don't have Javassist in your class path or you don't have enough permission to load dynamically generated classes. Please check the configuration for better performance. 23:18:07.595 [main] DEBUG i.n.util.internal.PlatformDependent - -Dio.netty.noPreferDirect: false 23:18:07.611 [main] DEBUG io.netty.channel.nio.NioEventLoop - -Dio.netty.noKeySetOptimization: false 23:18:07.611 [main] DEBUG io.netty.channel.nio.NioEventLoop - -Dio.netty.selectorAutoRebuildThreshold: 512 23:18:08.355 [main] DEBUG i.n.util.internal.ThreadLocalRandom - -Dio.netty.initialSeedUniquifier: 0x8c0d4793e5820c31 23:18:08.446 [NettyClientWorkerThread_1] DEBUG io.netty.util.ResourceLeakDetector - -Dio.netty.noResourceLeakDetection: false Consumer Started.
4.再次運行Producer程序，生成消息併發送到Broker，Producer的日誌衝沒了，但是可以看到Broker推送到Consumer的一條消息
ConsumeMessageThread-QuickStartConsumer-3 Receive New Messages: [MessageExt [queueId=0, storeSize=150,
queueOffset=244, sysFlag=0, bornTimestamp=1400772029972, bornHost=/10.162.0.7:54234,
storeTimestamp=1400772016017, storeHost=/127.0.0.1:10911, msgId=0A0A0A5900002A9F0000000000063257,
commitLogOffset=406103, bodyCRC=112549959, reconsumeTimes=0, preparedTransactionOffset=0,
toString()=Message [topic=QuickStart, flag=0,
properties={TAGS=TagA, WAIT=true, MAX_OFFSET=245, MIN_OFFSET=0}, body=29]]]
Consumer最佳實踐
1.消費過程要做到冪等（即消費端去重）
RocketMQ無法做到消息重複，所以如果業務對消息重複非常敏感，務必要在業務層面去重，有以下一些方式：
（1）.將消息的唯一鍵，可以是MsgId，也可以是消息內容中的唯一標識字段，例如訂單ID，消費之前判斷是否在DB或Tair（全局KV存儲）中存在，如果不存在則插入，並消費，否則跳過。（實踐過程要考慮原子性問題，判斷是否存在可以嘗試插入，如果報主鍵衝突，則插入失敗，直接跳過） msgid一定是全局唯一的標識符，但是可能會存在同樣的消息有兩個不同的msgid的情況（有多種原因），這種情況可能會使業務上重複，建議最好使用消息體中的唯一標識字段去重
（2）.使業務層面的狀態機去重
2.批量方式消費
如果業務流程支持批量方式消費，則可以很大程度上的提高吞吐量，可以通過設置Consumer的consumerMessageBatchMaxSize參數，默認是1，即一次消費一條參數
3.跳過非重要的消息
發生消息堆積時，如果消費速度一直跟不上發送速度，可以選擇丟棄不重要的消息
@Override
public ConsumeConcurrentlyStatus consumeMessage(List<MessageExt> msgs,
ConsumeConcurrentlyContext context) {
System.out.println(Thread.currentThread().getName() + " Receive New Messages: " + msgs);
long offset=msgs.get(0).getQueueOffset();
String maxOffset=msgs.get(0).getProperty(MessageConst.PROPERTY_MAX_OFFSET);
long diff=Long.parseLong(maxOffset)-offset;
if(diff>100000){
//處理消息堆積情況
return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;
}
return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;
}
如以上代碼所示，當某個隊列的消息數堆積到 100000 條以上，則嘗試丟棄部分或全部消息，這樣就可以快速追上發送消息的速度
4.優化沒條消息消費過程
舉例如下，某條消息的消費過程如下
1. 根據消息從 DB 查詢數據 1
2. 根據消息從 DB 查詢數據2
3. 複雜的業務計算
4. 向 DB 插入數據3
5. 向 DB 插入數據 4
這條消息的消費過程與 DB 交互了 4 次，如果按照每次 5ms 計算，那麼總共耗時 20ms，假設業務計算耗時 5ms，那麼總過耗時 25ms，如果能把 4 次 DB 交互優化爲 2 次，那麼總耗時就可以優化到 15ms，也就是說總體性能提高了 40%。
對於 Mysql 等 DB，如果部署在磁盤，那麼與 DB 進行交互，如果數據沒有命中 cache，每次交互的 RT 會直線上升， 如果採用 SSD，則 RT 上升趨勢要明顯好於磁盤。
個別應用可能會遇到這種情況：在線下壓測消費過程中，db 表現非常好，每次 RT 都很短，但是上線運行一段時間，RT 就會變長，消費吞吐量直線下降
主要原因是線下壓測時間過短，線上運行一段時間後，cache 命中率下降，那麼 RT 就會增加。建議在線下壓測時，要測試足夠長時間，儘可能模擬線上環境，壓測過程中，數據的分佈也很重要，數據不同，可能 cache 的命中率也會完全不同
Producer最佳實踐
1.發送消息注意事項
（1） 一個應用儘可能用一個 Topic，消息子類型用 tags 來標識，tags 可以由應用自由設置。只有發送消息設置了tags，消費方在訂閱消息時，纔可以利用 tags 在 broker 做消息過濾。
（2）每個消息在業務層面的唯一標識碼，要設置到 keys 字段，方便將來定位消息丟失問題。服務器會爲每個消息創建索引（哈希索引），應用可以通過 topic，key 來查詢這條消息內容，以及消息被誰消費。由於是哈希索引，請務必保證 key 儘可能唯一，這樣可以避免潛在的哈希衝突。
（3）消息發送成功或者失敗，要打印消息日誌，務必要打印 sendresult 和 key 字段
（4）send 消息方法，只要不拋異常，就代表發送成功。但是發送成功會有多個狀態，在 sendResult 裏定義
SEND_OK：消息發送成功
FLUSH_DISK_TIMEOUT：消息發送成功，但是服務器刷盤超時，消息已經進入服務器隊列，只有此時服務器宕機，消息纔會丟失
FLUSH_SLAVE_TIMEOUT：消息發送成功，但是服務器同步到 Slave 時超時，消息已經進入服務器隊列，只有此時服務器宕機，消息纔會丟失
SLAVE_NOT_AVAILABLE：消息發送成功，但是此時 slave 不可用，消息已經進入服務器隊列，只有此時服務器宕機，消息纔會丟失。對於精確發送順序消息的應用，由於順序消息的侷限性，可能會涉及到主備自動切換問題，所以如果sendresult 中的 status 字段不等於 SEND_OK，就應該嘗試重試。對於其他應用，則沒有必要這樣
（5）對於消息不可丟失應用，務必要有消息重發機制
2.消息發送失敗處理
Producer 的 send 方法本身支持內部重試，重試邏輯如下：
（1） 至多重試 3 次
（2） 如果發送失敗，則輪轉到下一個 Broker
（3） 這個方法的總耗時時間不超過 sendMsgTimeout 設置的值，默認 10s所以，如果本身向 broker 發送消息產生超時異常，就不會再做重試
如：
如果調用 send 同步方法發送失敗，則嘗試將消息存儲到 db，由後臺線程定時重試，保證消息一定到達 Broker。
上述 db 重試方式爲什麼沒有集成到 MQ 客戶端內部做，而是要求應用自己去完成，基於以下幾點考慮：
（1）MQ 的客戶端設計爲無狀態模式，方便任意的水平擴展，且對機器資源的消耗僅僅是 cpu、內存、網絡
（2）如果 MQ 客戶端內部集成一個 KV 存儲模塊，那麼數據只有同步落盤才能較可靠，而同步落盤本身性能開銷較大，所以通常會採用異步落盤，又由於應用關閉過程不受 MQ 運維人員控制，可能經常會發生 kill -9 這樣暴力方式關閉，造成數據沒有及時落盤而丟失
（3）Producer 所在機器的可靠性較低，一般爲虛擬機，不適合存儲重要數據。 綜上，建議重試過程交由應用來控制。
3.選擇 oneway 形式發送
一個 RPC 調用，通常是這樣一個過程
（1）客戶端發送請求到服務器
（2）服務器處理該請求
（3）服務器向客戶端返回應答
所以一個 RPC 的耗時時間是上述三個步驟的總和，而某些場景要求耗時非常短，但是對可靠性要求並不高，例如日誌收集類應用，此類應用可以採用 oneway 形式調用，oneway 形式只發送請求不等待應答，而發送請求在客戶端實現層面僅僅是一個 os 系統調用的開銷，即將數據寫入客戶端的 socket 緩衝區，此過程耗時通常在微秒級。
RocketMQ不止可以直接推送消息，在消費端註冊監聽器進行監聽，還可以由消費端決定自己去拉取數據
/**
* PullConsumer，訂閱消息
*/
public class PullConsumer {
//Java緩存
private static final Map<MessageQueue, Long> offseTable = new HashMap<MessageQueue, Long>();
public static void main(String[] args) throws MQClientException {
DefaultMQPullConsumer consumer = new DefaultMQPullConsumer("PullConsumerGroup");
consumer.setNamesrvAddr("127.0.0.1:9876");
consumer.start();
//拉取訂閱主題的隊列，默認隊列大小是4
Set<MessageQueue> mqs = consumer.fetchSubscribeMessageQueues("TopicTestMapBody");
for (MessageQueue mq : mqs) {
System.out.println("Consume from the queue: " + mq);
SINGLE_MQ:while(true){
try {
PullResult pullResult =
consumer.pullBlockIfNotFound(mq, null, getMessageQueueOffset(mq), 32);
List<MessageExt> list=pullResult.getMsgFoundList();
if(list!=null&&list.size()<100){
for(MessageExt msg:list){
System.out.println(SerializableInterface.deserialize(msg.getBody()));
}
}
System.out.println(pullResult.getNextBeginOffset());
putMessageQueueOffset(mq, pullResult.getNextBeginOffset());
switch (pullResult.getPullStatus()) {
case FOUND:
// TODO
break;
case NO_MATCHED_MSG:
break;
case NO_NEW_MSG:
break SINGLE_MQ;
case OFFSET_ILLEGAL:
break;
default:
break;
}
}
catch (Exception e) {
e.printStackTrace();
}
}
}
consumer.shutdown();
}
private static void putMessageQueueOffset(MessageQueue mq, long offset) {
offseTable.put(mq, offset);
}
private static long getMessageQueueOffset(MessageQueue mq) {
Long offset = offseTable.get(mq);
if (offset != null){
System.out.println(offset);
return offset;
}
return 0;
}
剛開始的沒有細看PullResult對象，以爲拉取到的結果沒有MessageExt對象還跑到羣裏面問別人，犯2了
特別要注意 靜態變量offsetTable的作用，拉取的是按照從offset（理解爲下標）位置開始拉取，拉取N條，offsetTable記錄下次拉取的offset位置。
文章有點長，大家覺得作者總結的還可以，大家可以點擊下方二維碼進行關注。《Java爛豬皮》公衆號聊的不僅僅是Java技術知識，還有面試等乾貨，後期還有大量架構乾貨。大家一起關注吧！關注爛豬皮，你會了解的更多..............
