RocketMQ:入门篇

RocketMQ:入门篇

    一、简介

    RocketMQ是大名鼎鼎的阿里开发的开源消息中间件,由于其高性能和可靠性,常被使用于企业的分布式架构中。

    他有着如下优点:

  1. RocketMQ原生地支持分布式,不像ActiveMQ需要zookeeper才能完成主从的搭建;
  2. RocketMQ能够承载海量的消息,并且不会导致明显的写入延迟;
  3. RocketMQ提供丰富的API,支持消息失败重试机制;
  4. RocketMQ可以保证严格的消息顺序,ActiveMQ无法保证;

    以上,使得RocketMQ在被选择时,能立于不败之地。

    二、进一步介绍

    先看这么一张图


    在JMS中,没有明确的的Group的概念,而在RocketMQ中,每一个消费者和生产者,必须要绑定一个唯一的组,如此一来,天然的实现了RocketMQ生产与消费的负载均衡。(若有九条消息,同一个组的消费者会分摊地拿到三条消息)

    在RocketMQ中,只有发布和订阅模式。

    三、RocketMQ的架构模式

    RocketMQ有几种架构方法:

  1. 单Master:顾名思义,只有一台主节点,如果宕机,服务就崩盘了。
  2. 多Master:多Master模式,可以完成消息存储的负载均衡,但是,当一台Master宕机时,该台Mater上的消息就无法被消费了。
  3. 多Master多Slave异步写入:给Master模式配Slave结点,可以完成RocketMQ的高可用,异步的写入Slave结点,性能会有所提升,但是如果宕机了,会可能存在毫秒级别的消息丢失。
  4. 多Master多Slave同步双写:同样完成高可用,采用同步双写的机制,只有当消息写入到主从结点时,才意味着一次消息写入的成功,如此一来,能绝对的保证消息的不丢失。

    四、实现双Master的环境搭建

    RocketMQ自己提供了一个NameServer,用于分布式的协调,本文会将NameServer与Broker放于一台服务器。

    第一步,修改配置文件hosts,完成IP地址的映射:


    第二步,解压安装包:

tar -xvf alibaba-rocketmq-3.2.6.tar.gz
mkdir -p alibaba-rocketmq/store/{commitlog,consumequeue,index}

    第三步,修改Broker的配置文件:


    其中,需要修改的有集群名字,NameServer的地址。

    最后,修改Broker和NameServer的运行脚本,设置其中的JVM参数:

vim runbroker.sh/rumserver.sh

    再最后,依次启动NameServer和Broker,集群搭建就完成了。

    五、围观生产者和消费者的代码

    先看生产者的代码,先定义一个producer,对应一个指定的组,然后设置其NameServer的地址:

    

    再然后,可以定义一个Message,有Topic,Tag作为筛选条件,设置一个Byte类型的数组,最后使用生产者发送。

    再看看消费者的代码:


    消费者同样需要设置组的名字,以及取消息是从队列头部还是尾部,NameServer的名字。最后定义消费要订阅的消息的内容,代码中可以看到有两个筛选,分别是Topic和Tag。

    不同与JMS中void类型的注册方法,RocketMQ的注册方法中存在一个返回值,用于通知消息中间件消息是否发送成功,或者通知消息中间件稍后重新发送消息。


    运行结果如上图,可以看到,生产者有些发送到Broker-a,有些发送到Broker-b,可见完成了消息生产的负载均衡。

    六、尾巴

  1. 在ActiveMQ中,是可以设置非持久化的,但是在RocketMQ中,则必须持久化;
  2. 消息重试机制的代码如下,生产者可以设置消息重试的次数以及超时重试的时间:

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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