消息中间件MQ的使用

消息中间件的使用

1. 消息中间件简介

消息中间件，也可以叫做中央消息队列或者是消息队列（区别于本地消息队列，本地消息队列指的是JVM内的队列实现）**，是一种独立的队列系统，消息中间件经常用来解决内部服务之间的 **异步调用问题 。请求服务方把请求队列放到队列中即可返回，然后等待服务提供方去队列中获取请求进行处理，之后通过回调等机制把结果返回给请求服务方。

常用的消息队列应用场景有如下几个：

• 解耦 ： 一个业务的非核心流程需要依赖其他系统，但结果并不重要，有通知即可。
• 最终一致性 ： 指的是两个系统的状态保持一致，可以有一定的延迟，只要最终达到一致性即可。经常用在解决分布式事务上。
• 广播 ： 消息队列最基本的功能。生产者只负责生产消息，订阅者接收消息。
• 错峰和流控
• 异步调用

2. 缺点

• 系统可用性降低:消息中间件出现运行故障会导致整个系统无法正常使用。
• 系统复杂性变高
• 一致性问题:某个消息接收者出错，消息生成者返回成功。

3. 常见的消息中间件

特性	ActiveMQ	RabbitMQ	RocketMQ	Kafka
	万级，吞吐量比RocketMQ和Kafka要低了一个数量级	万级，吞吐量比RocketMQ和Kafka要低了一个数量级	10万级，RocketMQ也是可以支撑高吞吐的一种MQ	10万级别，这是kafka最大的优点，就是吞吐量高。 一般配合大数据类的系统来进行实时数据计算、日志采集等场景
topic数量对吞吐量的影响			topic可以达到几百，几千个的级别，吞吐量会有较小幅度的下降 这是RocketMQ的一大优势，在同等机器下，可以支撑大量的topic	topic从几十个到几百个的时候，吞吐量会大幅度下降 所以在同等机器下，kafka尽量保证topic数量不要过多。如果要支撑大规模topic，需要增加更多的机器资源
时效性	ms级	微秒级，这是rabbitmq的一大特点，延迟是最低的	ms级	延迟在ms级以内
可用性	高，基于主从架构实现高可用性	高，基于主从架构实现高可用性	非常高，分布式架构	非常高，kafka是分布式的，一个数据多个副本，少数机器宕机，不会丢失数据，不会导致不可用
消息可靠性	有较低的概率丢失数据		经过参数优化配置，可以做到0丢失	经过参数优化配置，消息可以做到0丢失
功能支持	MQ领域的功能极其完备	基于erlang开发，所以并发能力很强，性能极其好，延时很低	MQ功能较为完善，还是分布式的，扩展性好	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，是事实上的标准
优劣势总结	非常成熟，功能强大，在业内大量的公司以及项目中都有应用 偶尔会有较低概率丢失消息 而且现在社区以及国内应用都越来越少，官方社区现在对ActiveMQ 5.x维护越来越少，几个月才发布一个版本 而且确实主要是基于解耦和异步来用的，较少在大规模吞吐的场景中使用	erlang语言开发，性能极其好，延时很低； 吞吐量到万级，MQ功能比较完备 而且开源提供的管理界面非常棒，用起来很好用 社区相对比较活跃，几乎每个月都发布几个版本分 在国内一些互联网公司近几年用rabbitmq也比较多一些 但是问题也是显而易见的，RabbitMQ确实吞吐量会低一些，这是因为他做的实现机制比较重。 而且erlang开发，国内有几个公司有实力做erlang源码级别的研究和定制？如果说你没这个实力的话，确实偶尔会有一些问题，你很难去看懂源码，你公司对这个东西的掌控很弱，基本职能依赖于开源社区的快速维护和修复bug。 而且rabbitmq集群动态扩展会很麻烦，不过这个我觉得还好。其实主要是erlang语言本身带来的问题。很难读源码，很难定制和掌控。	接口简单易用，而且毕竟在阿里大规模应用过，有阿里品牌保障 日处理消息上百亿之多，可以做到大规模吞吐，性能也非常好，分布式扩展也很方便，社区维护还可以，可靠性和可用性都是ok的，还可以支撑大规模的topic数量，支持复杂MQ业务场景 而且一个很大的优势在于，阿里出品都是java系的，我们可以自己阅读源码，定制自己公司的MQ，可以掌控 社区活跃度相对较为一般，不过也还可以，文档相对来说简单一些，然后接口这块不是按照标准JMS规范走的有些系统要迁移需要修改大量代码 还有就是阿里出台的技术，你得做好这个技术万一被抛弃，社区黄掉的风险，那如果你们公司有技术实力我觉得用RocketMQ挺好的	kafka的特点其实很明显，就是仅仅提供较少的核心功能，但是提供超高的吞吐量，ms级的延迟，极高的可用性以及可靠性，而且分布式可以任意扩展 同时kafka最好是支撑较少的topic数量即可，保证其超高吞吐量 而且kafka唯一的一点劣势是有可能消息重复消费，那么对数据准确性会造成极其轻微的影响，在大数据领域中以及日志采集中，这点轻微影响可以忽略 这个特性天然适合大数据实时计算以及日志收集

4. 如何保证消息队列的高可用

4.1 RabbitMQ的高可用性

RabbitMQ有三种模式：单机模式，普通集群模式，镜像集群模式

• 单机模式

  demo级别，生产环境不使用

• 普通集群模式

  • 在多台机器上启动多个RabbitMQ实例，每个机器启动一个。但是你创建的queue，只会放在一个rabbtimq实例上，但是每个实例都同步queue的元数据。在消费时，实际上如果连接到了另外一个实例，那么那个实例会从queue所在实例上拉取数据过来。
  • 这种方式麻烦，没做到分布式，就是个普通集群。因为这导致你要么选择消费者每次随机连接一个实例然后拉取数据，要么选择固定连接那个queue所在实例消费数据，前者有数据拉取的开销，后者导致单实例性能瓶颈。
  • 存放queue的实例宕机了，会导致接下来其他实例就无法从那个实例拉取，如果你开启了消息持久化，让RabbitMQ落地存储消息的话，消息不一定会丢失，但是必须等这个实例恢复，然后才可以继续从这个queue拉取数据。
  • 这方案主要是提高吞吐量的，就是说让集群中多个节点来服务某个queue的读写操作。

• 镜像集群模式

  • 此模式即RabbitMQ的高可用模式，跟普通集群模式不一样的是，你创建的queue，无论元数据还是queue里的消息都会存在于多个实例上，然后每次你写消息到queue的时候，都会自动把消息到多个实例的queue里进行消息同步。

  • 这样的好处在于任何一个机器宕机，其他的机器都可以继续使用。坏处在于，

    • 第一，这个性能开销太大，消息同步所有机器，导致网络带宽压力和消耗很重！
    • 第二，没有扩展性，如果某个queue负载很重，你加机器，新增的机器也包含了这个queue的所有数据，并没有办法线性扩展你的queue

  • 开启这个镜像集群模式：RabbitMQ有很好的管理控制台，在后台新增一个策略，这个策略是镜像集群模式的策略，指定的时候可以要求数据同步到所有节点的，也可以要求就同步到指定数量的节点，然后你再次创建queue的时候，应用这个策略，就会自动将数据同步到其他的节点上去了。

4.2 kafka的高可用性

• kafka基本的架构：由多个broker组成，每个broker是一个节点；创建一个topic，这个topic可以划分为多个partition，每个partition可以存在于不同的broker上，每个partition就放一部分数据。这就是分布式消息队列，一个topic的数据，是分散放在多个机器上的，每个机器就放一部分数据。

• 实际上rabbitmq之类的，并不是分布式消息队列，是传统的消息队列，只提供了一些集群、HA的机制而已。rabbitmq一个queue的数据都是放在一个节点里的，镜像集群下，也是每个节点都放这个queue的完整数据。

• kafka 0.8以前，是没有HA机制的，就是任何一个broker宕机了，那个broker上的partition就废了，没法写也没法读，没有什么高可用性可言。

• kafka 0.8以后，提供了HA机制，就是replica副本机制。每个partition的数据都会同步到其他机器上，形成自己的多个replica副本。然后所有replica会选举一个leader出来，那么生产和消费都跟这个leader打交道，然后其他replica就是follower。写的时候，leader会负责把数据同步到所有follower上去，读的时候就直接读leader上数据即可。

• 为什么只能读写leader？很简单，要是你可以随意读写每个follower，那么就要care数据一致性的问题，系统复杂度太高，很容易出问题。kafka会均匀的将一个partition的所有replica分布在不同的机器上，这样才可以提高容错性。

• 如果某个broker宕机了，那个broker上面的partition在其他机器上都有副本的，如果这上面有某个partition的leader，那么此时会重新选举一个新的leader出来，大家继续读写那个新的leader即可。这就有所谓的高可用性。

• 写数据的时候，生产者就写leader，然后leader将数据落地写本地磁盘，接着其他follower自己主动从leader来pull数据。一旦所有follower同步好数据了，就会发送ack给leader，leader收到所有follower的ack之后，就会返回写成功的消息给生产者。（当然，这只是其中一种模式，还可以适当调整这个行为）

• 消费的时候，只会从leader去读，但是只有一个消息已经被所有follower都同步成功返回ack的时候，这个消息才会被消费者读到。

5. 如何保证消息消费时的幂等性(不被重复消费)

• rabbitmq、rocketmq、kafka，都有可能会出现消费重复消费的问题。以kafka来举例说明。

• kafka实际上有个offset的概念，就是每个消息写进去，都有一个offset，代表他的序号，然后consumer消费了数据之后，每隔一段时间，会把自己消费过的消息的offset提交一下，代表我已经消费过了，下次我出现问题，你就让我继续从上次消费到的offset来继续消费。

• 但是有时候consumer有些消息处理了，但是没来得及提交offset。重启之后，少数消息会再次消费一次。

• 假设你有个系统，消费一条往数据库里插入一条，要是你一个消息重复两次，插入了两条，数据出错。但是你要是消费到第二次的时候，自己判断一下已经消费过了，直接扔了，就保证保留了一条数据。

• 一条数据重复出现两次，数据库里就只有一条数据，这就保证了系统的幂等性。

• 幂等性，通俗说，就一个数据或者一个请求，重复来多次，确保对应的数据是不会改变的，不能出错。

• 怎么保证消息队列消费的幂等性？其实还是得结合业务来思考，这里给几个思路：

  （1）比如数据要写库，先根据主键查一下，如果这数据已经存在，修改方法为update。

  （2）比如你是写redis，每次都是set，只会覆盖相同的数据，不会出现问题，天然幂等性。

  （3）如果你需要让生产者发送每条数据的时候，里面加一个全局唯一的id，类似订单id之类的东西，然后你这里消费到了之后，先根据这个id去比如redis里查一下，之前是否消费国，如果没有消费过，你就处理，然后这个id写redis。如果消费过了，那你就别处理了，保证别重复处理相同的消息即可。

  还有比如基于数据库的唯一键来保证重复数据不会重复插入多条，拿到数据的时候，每次重启可能会有重复，因为kafka消费者还没来得及提交offset，重复数据拿到了以后在插入的时候，因为有唯一键约束，所以重复数据只会插入报错，不会导致数据库中出现脏数据。

  如何保证MQ的消费是幂等性的，需要结合具体的业务来看

6. 如何保证消息的可靠性传输

6.1 RabbitMQ

• 生产者弄丢了数据

  • 生产者将数据发送到rabbitmq的时候，可能数据就在半路给搞丢了。

  • 此时可以选择用rabbitmq提供的事务功能，就是生产者发送数据之前开启rabbitmq事务（channel.txSelect），然后发送消息，如果消息没有成功被rabbitmq接收到，那么生产者会收到异常报错，此时就可以回滚事务（channel.txRollback），然后重试发送消息；如果收到了消息，那么可以提交事务（channel.txCommit）。但是问题是，rabbitmq事务机制会导致吞吐量降低，因为事务机制是同步阻塞的，发送消息之后会等待消费者返回成功或失败信息，太耗性能。

  • 一般来说，要确保说写rabbitmq的消息不丢失，可以开启confirm模式。在生产者那里设置开启confirm模式之后，每次写的消息都会分配一个唯一的id，如果写入了rabbitmq中，rabbitmq会给你回传一个ack消息，告诉你说这个消息ok了。如果rabbitmq没能处理这个消息，会回调你一个nack接口，告诉你这个消息接收失败，你可以重试。而且你可以结合这个机制自己在内存里维护每个消息id的状态，如果超过一定时间还没接收到这个消息的回调，那么你可以重发。

  • 事务机制和cnofirm机制最大的不同在于，事务机制是同步的，你提交一个事务之后会阻塞在那儿，但是confirm机制是异步的，你发送个消息之后就可以发送下一个消息，然后那个消息rabbitmq接收之后会异步回调你一个接口通知你这个消息接收到了。

  • 所以一般在生产者这块避免数据丢失，都是用confirm机制的。

• RabbitMQ弄丢了数据

  • 就是rabbitmq自己弄丢了数据，这个你必须开启rabbitmq的持久化，就是消息写入之后会持久化到磁盘，哪怕是rabbitmq自己挂了，恢复之后会自动读取之前存储的数据，一般数据不会丢。除非极其罕见的是，rabbitmq还没持久化，自己就挂了，可能导致少量数据会丢失的，但是这个概率较小。

  • 设置持久化有两个步骤，第一个是创建queue的时候将其设置为持久化的，这样就可以保证rabbitmq持久化queue的元数据，但是不会持久化queue里的数据；第二个是发送消息的时候将消息的deliveryMode设置为2，就是将消息设置为持久化的，此时rabbitmq就会将消息持久化到磁盘上去。必须要同时设置这两个持久化才行，rabbitmq哪怕是挂了，再次重启，也会从磁盘上重启恢复queue，恢复这个queue里的数据。

  • 而且持久化可以跟生产者那边的confirm机制配合起来，只有消息被持久化到磁盘之后，才会通知生产者ack了，所以哪怕是在持久化到磁盘之前，rabbitmq挂了，数据丢了，生产者收不到ack，你也是可以自己重发的。

  • 哪怕是你给rabbitmq开启了持久化机制，也有一种可能，就是这个消息写到了rabbitmq中，但是还没来得及持久化到磁盘上，结果不巧，此时rabbitmq挂了，就会导致内存里的一点点数据会丢失。

• 消费端弄丢了数据

  • rabbitmq如果丢失了数据，主要是因为你消费的时候，刚消费到，还没处理，结果进程挂了，比如重启了，那么就尴尬了，rabbitmq认为你都消费了，这数据就丢了。

  • 这个时候得用rabbitmq提供的ack机制，简单来说，就是你关闭rabbitmq自动ack，可以通过一个api来调用就行，然后每次你自己代码里确保处理完的时候，再程序里ack一把。这样的话，如果你还没处理完，不就没有ack？那rabbitmq就认为你还没处理完，这个时候rabbitmq会把这个消费分配给别的consumer去处理，消息是不会丢的。

6.2 kafka

• 消费端弄丢了数据

唯一可能导致消费者弄丢数据的情况：消费者消费到了这个消息，然后消费者自动提交了offset，让kafka以为消费者消费好了这个消息，其实消费者准备处理这个消息，消费者还没处理，消费者就挂了，此时这条消息就丢咯。

kafka消费者消费到了数据之后是写到一个内存的queue里先缓冲一下，结果有的时候，你刚把消息写入内存queue，然后消费者会自动提交offset。

然后此时重启了系统，就会导致内存queue里还没来得及处理的数据就丢失了。

kafka会自动提交offset，那么只要关闭自动提交offset，在处理完之后自己手动提交offset，就可以保证数据不会丢。但是此时确实还是会重复消费，比如消费者刚处理完，还没提交offset，结果消费者挂了，此时肯定会重复消费一次，消费者自己需要保证幂等性。

• kafka弄丢了数据

kafka某个broker宕机，然后重新选举partiton的leader时。此时其他的follower刚好还有些数据没有同步，结果此时leader挂了，然后选举某个follower成leader之后，缺失了一些数据。

所以此时一般是要求起码设置如下4个参数：

给这个topic设置replication.factor参数：这个值必须大于1，要求每个partition必须有至少2个副本

在kafka服务端设置min.insync.replicas参数：这个值必须大于1，这个是要求一个leader至少感知到有至少一个follower还跟自己保持联系，没掉队，这样才能确保leader挂了还有一个follower。

在producer端设置acks=all：这个是要求每条数据，必须是写入所有replica之后，才能认为是写成功了。

在producer端设置retries=MAX（很大很大很大的一个值，无限次重试的意思）：这个是要求一旦写入失败，就无限重试，卡在这里。

• 生产者会不会弄丢数据

如果按照上述的思路设置了ack=all，一定不会丢，要求是，你的leader接收到消息，所有的follower都同步到了消息之后，才认为本次写成功了。如果没满足这个条件，生产者会自动不断的重试，重试无限次。

7. 如何保证消息的顺序性

• rabbitmq：拆分多个queue，每个queue一个consumer；或者就一个queue但是对应一个consumer，然后这个consumer内部用内存队列做排队，然后分发给底层不同的worker来处理。

• kafka：一个topic，一个partition，一个consumer，内部单线程消费，写N个内存queue，然后N个线程分别消费一个内存queue即可。

8. 大量消息长时间挤压问题

• 大量消息在mq里积压了几个小时了还没解决

  一个消费者一秒是1000条，一秒3个消费者是3000条，一分钟是18万条，1000多万条。

  所以如果积压了几百万到上千万的数据，即使消费者恢复了，也需要大概1小时的时间才能恢复过来。

  一般这个时候，只能操作临时紧急扩容了，具体操作步骤和思路如下：

  1）先修复consumer的问题，确保其恢复消费速度，然后将现有cnosumer都停掉

  2）新建一个topic，partition是原来的10倍，临时建立好原先10倍或者20倍的queue数量

  3）然后写一个临时的分发数据的consumer程序，这个程序部署上去消费积压的数据，消费之后不做耗时的处理，直接均匀轮询写入临时建立好的10倍数量的queue

  4）接着临时征用10倍的机器来部署consumer，每一批consumer消费一个临时queue的数据

  5）这种做法相当于是临时将queue资源和consumer资源扩大10倍，以正常的10倍速度来消费数据

  6）等快速消费完积压数据之后，得恢复原先部署架构，重新用原先的consumer机器来消费消息

• 大量的消息由于过期时间丢失

  假设你用的是rabbitmq，rabbitmq是可以设置过期时间的，就是TTL，如果消息在queue中积压超过一定的时间就会被rabbitmq给清理掉，这个数据就没了。这就不是说数据会大量积压在mq里，而是大量的数据会直接搞丢。

  这个情况下，我们可以采取一个方案，就是批量重导。就是大量积压的时候，就直接丢弃数据了，然后等过了高峰期以后，用户访问量少时。

  这个时候我们就开始写程序，将丢失的那批数据，写个临时程序，一点一点的查出来，然后重新灌入mq里面去，把白天丢的数据给他补回来。也只能是这样了。

  假设1万个订单积压在mq里面，没有处理，其中1000个订单都丢了，只能手动写程序把那1000个订单给查出来，手动发到mq里去再补一次。

• MQ快要写满

  如果走的方式是消息积压在mq里，如果很长时间都没处理掉，此时导致mq都快写满。这个时候你临时写程序，接入数据来消费，消费一个丢弃一个，都不要了，快速消费掉所有的消息。然后到用户访问量少时，进行第二个方案。

9. 消息队列的架构设计

我们来从以下几个角度来考虑一下

1. 首先这个mq得支持可伸缩性，就是需要的时候快速扩容，就可以增加吞吐量和容量.设计个分布式的系统，参照一下kafka的设计理念，broker -> topic -> partition，每个partition放一个机器，就存一部分数据。如果现在资源不够了，给topic增加partition，然后做数据迁移，增加机器，不就可以存放更多数据，提供更高的吞吐量。

2. 其次考虑mq的数据持久化问题。按顺序写，这样就没有磁盘随机读写的寻址开销，磁盘顺序读写的性能是很高的，这就是kafka的思路。

3. 其次考虑一下你的mq的可用性。具体参考前文kafka的高可用保障机制。多副本 -> leader & follower -> broker挂了重新选举leader即可对外服务。

4. 支持数据0丢失。参考前文kafka数据零丢失方案。