springboot搭建dubbo-zookeeper的简单应用

dubbo详解 基础知识 分布式基础理论 什么是分布式系统? 《分布式系统原理与范型》定义: “分布式系统是若干独立计算机的集合。这些计算机对于用于来说就像单个相关系统” 分布式系统(distributed system)是建立在网络之上的软件系统。 随着互联网的发展,网站应用的规模不断扩大,常规的垂直应用架构已无法应对,分布式服务架构以及流动计算架构势在必行,亟需一个治理系统确保架构有条不紊的演进。 发展演变 ... 阅读详情

目录

一、准备工作

二、创建springboot项目结构


一、准备工作

环境centos7 + idea +windows

1、首先在linux上部署并启动zookeeper。

教程:https://blog.youkuaiyun.com/zy_281870667/article/details/80646224

2、安装可视化工具dubbo-admin,其实是一个war包,部署到tomcat中的webapps下,启动tomcat即可。

用途:我们不能直观看到dubbo和zookeeper上到底有哪些服务和消费者,所以这里借助dubbo-admin可视化工具。

如何获取dubbo-admin:请参考 https://blog.youkuaiyun.com/qq_38157516/article/details/82421748

先展示下我的效果图:

二、创建springboot项目结构

为模拟微服务的调用,这里创建3个springboot的module:

结构分别为:

说明:

dubbo-zookeeper-consumer:与前端交互,属于服务消费者,需要在zookeeper中注册。

dubbo-zookeeper-provider:具体业务逻辑的实现,属于服务提供者,在zookeeper注册为dubbo服务。

dubbo-zookeeper-service:主要放置公用的接口、实体类,用maven打成jar包,供 consumer 和 provider 引用。

将 dubbo-zookeeper-service 打成jar包:

在 dubbo-zookeeper-consumer 和 dubbo-zookeeper-provider 的 pom.xml  引入上述jar的依赖:

        <dependency>
            <groupId>com.example</groupId>
            <artifactId>dubbo-zookeeper-service</artifactId>
            <version>0.0.1-SNAPSHOT</version>
        </dependency>

除此之外,还需在dubbo-zookeeper-consumer 和 dubbo-zookeeper-provider 的 pom.xml 引入dubbo、zookeeper相关依赖:

        <dependency>
            <groupId>io.dubbo.springboot</groupId>
            <artifactId>spring-boot-starter-dubbo</artifactId>
            <version>1.0.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.zookeeper</groupId>
            <artifactId>zookeeper</artifactId>
            <version>3.4.14</version>
        </dependency>

接下来是代码:

dubbo-zookeeper-service 接口代码:

package com.example.service;

public interface DubboService {

    String getData(String name);
}

dubbo-zookeeper-provider 代码:

package com.example.service.impl;

import com.alibaba.dubbo.config.annotation.Service;
import com.example.service.DubboService;

@Service  // 注意,这里的service注解为dubbo下的
public class DubboServiceImpl implements DubboService {
    @Override
    public String getData(String name) {
        return "hello:"+name;
    }
}

dubbo-zookeeper-consumer 代码:

package com.example.controller;

import com.alibaba.dubbo.config.annotation.Reference;
import com.example.service.DubboService;
import org.springframework.web.bind.annotation.PathVariable;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import java.util.HashMap;
import java.util.Map;

@RestController
public class Consumer {
    //这里必须用 dubbo 的 @Reference 注解
    @Reference
    private DubboService dubboService;

    @RequestMapping("/getInfo/{name}")
    public Map getInfo(@PathVariable String name){
        Map<String, Object> map = new HashMap<>();
        String res = dubboService.getData(name);
        map.put("success",res);
        System.out.println("result:" + res + ",调用成功!!!!!!!!");
        return map;
    }

}

最后是配置文件application.properties

服务提供方provider:

server.port=8081

########## dubbo 生产者配置 begin ##########
# 服务名称
spring.dubbo.application.name=test-provider
# 注册中心
spring.dubbo.registry.address=zookeeper://192.168.1.102:2181
# dubbo 协议
spring.dubbo.protocol.name=dubbo
# 端口
srping.dubbo.protocol.port=12345
# 声明需要暴露的服务接口
spring.dubbo.scan=com.example
########## dubbo 生产者配置 end ##########

服务消费方consumer:

server.port=8082


########## dubbo 消费者配置 begin ##########
# 服务名称
spring.dubbo.application.name=test-consumer
# 注册中心
spring.dubbo.registry.address=zookeeper://192.168.1.102:2181
# 告诉注册中心我需要什么服务
spring.dubbo.scan=com.example
########## dubbo 消费者配置 end ##########

 

 

SpringBoot +Dubbo+zookeepper 自己项目清空的原生框架,新手很好上手学 ,运行这个项目要搭配zookeepper 来运行,我用的是3.4.8版本的,请你们自行安装. 立即下载

相关推荐

手把手教你解决Ubuntu 20.04虚拟机桥接模式下的网络问题:DHCP与静态IP配置全指南

本文详细解析了Ubuntu 20.04虚拟机在桥接模式下的网络配置问题,包括DHCP与静态IP的配置方法及常见故障排查技巧。通过深入讲解桥接模式原理和提供实战操作指南,帮助用户解决无法访问外网、ping不通等典型网络问题,实现虚拟机与物理网络的无缝连接。

weixin_29256771的博客 545

手把手教你使用Springboot整合dubbo,搭建一个微服务

由于dubbo的注册中心用的是zookeeper,所以首先需要。

lianaozhe的博客 8756

4、I3C协议详解

I3C最初的设计目的是为移动设备创建一个能够使用多个传感器的单一接口。随着现代化移动设备对于传感器数量的增加以及对性能的提高,I2C和SPI已经达到了他们所能支持的临界点,而I3C的出现就是为了解决这一问题,I3C可以在同一根主线上支持更多的传感器设备,而且不会因为要支持中断或睡眠模式而增加额外的逻辑信号。I3C可以在更低功耗的情况下提供更快的传输速率,该特性的提升不止是对移动设备,对其他的嵌入式设备也都是很大的帮助。例如穿戴设备,需要在有限的物理空间中使用多个传感器并且要求更小的耗电。 一、简述..

迟子涵925的博客 2万+

SpringBoot实战(五)搭建springboot-dubbo

Dubbo 是一个分布式服务框架,致力于提供高性能和透明化的 RPC 远程服务调用方案,以及 SOA 服务治理方案 一、 Dubbo的简单介绍 1. 网站架构的发展历程 网站架构随着业务的发展,逻辑越来越复杂,数据量越来越大,交互越来越多… 单一应用架构(ORM) 当网站流量很小时,将所有的功能部署到一起,以减少部署节点和成本。此时,只需要使用简化增删改查的工作量,采用数据访问框架(ORM)。 垂直应用架构 (MVC) 当访问量逐渐增大,单一应用带来的加速度越来越小。此时,将应用拆分成互不相干的几

ACGkaka的博客 1406

拯救者R9000P-2021-AMD5800H黑苹果EFI配置与优化指南

本文详细介绍了在联想拯救者R9000P 2021款(搭载AMD锐龙7 5800H处理器)上安装和优化黑苹果系统的完整指南。内容涵盖EFI配置、OpenCore引导设置、关键驱动(如NootedRed核显驱动)的调整,以及安装后的性能调优与常见问题解决,旨在帮助开发者和极客用户在这款游戏本上搭建稳定可用的macOS开发环境。

weixin_29291069的博客 290

【5G】5G 核心网(5GC)基本架构

本文旨在科普5G核心网相关知识...

Learning makes me happy (0^◇^0) 4万+

【SpringBoot】| SpringBoot集成Dubbo

【SpringBoot】| SpringBoot集成Dubbo

m0_61933976的博客 4301

AD9361 FIR 滤波器设计

matlab 得到滤波器系数

weixin_44630490的博客 1万+

springboot 集成 dubbo

2.下载 xxx-bin.tar.gz,创建目录并解压3.启动/停止启动成功。

qq_50990903的博客 389

别再傻傻分不清了!Anaconda和Miniconda到底选哪个?附保姆级安装与镜像源配置(Windows/Mac)

本文详细解析了Anaconda和Miniconda的核心差异,包括体积、预装内容、系统资源占用等关键维度,并提供了针对不同需求的决策框架。附有Windows和Mac双平台的详细安装与配置指南,帮助用户根据实际需求选择最适合的conda工具,提升开发效率。

weixin_30315723的博客 427

YOLOv11改进 | Neck篇 | 双向特征金字塔网络BiFPN助力YOLOv11有效涨点

本文给大家带来的改进机制是BiFPN双向特征金字塔网络,其是一种特征融合层的结构,也就是我们本文改进YOLOv11模型中的Neck部分,它的主要思想是通过多层级的特征金字塔和双向信息传递来提高精度。本文给大家带来的结构可以让大家自行调节网络结构大小,同时能够达到一定的轻量化效果,为什么发BiFPN呢因为它算是YOLO系列改进中的常青树了,大家可以借鉴它的双向特征思想来创新自己的Neck结构本文的BiFPN通过yaml文件配置可以让大家自行调配其结构。

Snu77的博客 9108

SpringBoot+Dubbo+Zookeeper整合搭建简单的分布式应用

为什么要使用分布式系统? 容错 减少延迟/提高性能 可用性 负载均衡 总而言之,其实目的只有一个,”用户体验“。 什么是分布式系统? 分布式系统是由使用分发中间件连接的自治计算机组成的网络。它们有助于共享不同的资源和功能,为用户提供单一且集成的连贯网络。 搭建一个简单的分布式系统 1)在服务器(虚拟机)上安装Zookeeper(我这里使用Docker安装)。 (1)去docker-cn.com获取...

程序人生| 666

prplOS适配USB LAN网卡

本文介绍了将USB LAN网卡(如rndis0)适配到prplOS的LAN管理流程。

四儿家的小祖宗的博客 323

《SpringBoot+Dubbo+Zookeeper整合搭建简单的分布式应用》

为什么要使用分布式系统? 容错 减少延迟/提高性能 可用性 负载均衡 总而言之,其实目的只有一个,”用户体验“。 什么是分布式系统? 分布式系统是由使用分发中间件连接的自治计算机组成的网络。它们有助于共享不同的资源和功能,为用户提供单一且集成的连贯网络。 搭建一个简单的分布式系统 一、在服务器(虚拟机)上安装Zookeeper(我这里使用Docker安装) (一)、去docke...

weixin_44829998的博客 218

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

idea zookeeper的使用_《SpringBoot+Dubbo+Zookeeper整合搭建简单的分布式应用》

为什么要使用分布式系统?容错减少延迟/提高性能可用性负载均衡总而言之,其实目的只有一个,”用户体验“。什么是分布式系统?分布式系统是由使用分发中间件连接的自治计算机组成的网络。它们有助于共享不同的资源和功能,为用户提供单一且集成的连贯网络。搭建一个简单的分布式系统一、在服务器(虚拟机)上安装Zookeeper(我这里使用Docker安装)(一)、去docker-cn.com获取镜像加速地址(二)、...

weixin_34329350的博客 86

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

docker 搭建 web_《SpringBoot+Dubbo+Zookeeper整合搭建简单的分布式应用》

为什么要使用分布式系统?容错减少延迟/提高性能可用性负载均衡总而言之,其实目的只有一个,”用户体验“。什么是分布式系统?分布式系统是由使用分发中间件连接的自治计算机组成的网络。它们有助于共享不同的资源和功能,为用户提供单一且集成的连贯网络。搭建一个简单的分布式系统一、在服务器(虚拟机)上安装Zookeeper(我这里使用Docker安装)(一)、去docker-cn.com获取镜像加速地址(二)、...

weixin_39940344的博客 163

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

狂神说SpringBoot17:Dubbo和Zookeeper集成

狂神说SpringBoot系列连载课程,通俗易懂,基于SpringBoot2.2.5版本,欢迎各位狂粉转发关注学习。未经作者授权,禁止转载分布式理论什么是分布式系统?在《分布式系统原理与...

狂神说 1万+

SpringBoot系列:dubbo和Zookeeper集成

目录今日学习新的内容:dubbozookeeperSpringBoot整合dubbo和Zookeeper1、了解Dubbo基本概念2、在docker中安装zookeeper3、新建工程(1)新建工程,工程里新建两个模块,provider模块(2)consumer模块4、给两个模块导入相同的pom.xml文件5、添加service层售票接口、接口实现类  (1)ITicketService  (2)TicketServiceImpl6、application.proterties文件配置dubbo详细信息7、

a760319460的博客 1566

SpingBoot + Dubbo + Zookeeper实现简单分布式开发的应用

SpingBoot + Dubbo + Zookeeper实现简单分布式开发的应用Window下安装Zookeeper和Dubbo-admin1、Apache官网下载Zookeeper2、GitHub下载Dubbo-admin3、SpringBoot + Dubbo + Zookeeper总结 开始接触分布式概念,学习之前要准备搭建Dubbo和Zookeeper环境的简单搭建。 Window下安装Zookeeper和Dubbo-admin 1、Apache官网下载Zookeeper

qq771650656的博客 4399

springboot分布式-zookeeper与dubbo

目录简介 简介

dimandsun的博客 160

springboot+dubbo+zookeeper搭建微服务框架基础,面试

这个月马上就又要过去了,还在找工作的小伙伴要做好准备了,小编整理了大厂java程序员面试涉及到的绝大部分面试题及答案,希望能帮助到大家小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。深知大多数初中级Java工程师,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

m0_60607971的博客 981

Springboot整合dubbo【简单案例】

目录 1.环境准备 1.1安装并配置zookeeper 1.2启动zookeeper 2.创建三个模块 2.1新建一个公共模块——存放生产者和消费者共有的接口和实体类 2.2创建生产者模块——提供服务方 2.3创建消费者模块——服务使用方 1.环境准备 1.1安装并配置zookeeper 复制conf目录下的zoo_sample.cfg,重命名为zoo.cfg 打开zoo.c...

hcksust的博客 229
上一篇: jvm调优
下一篇: ActiveMQ持久化消息
酷酷的coder
博客等级 码龄10年 3粉丝 19原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值