目录
一 、常用消息中间件支持模型
二、消费端Push模型优缺点
三、消费端Pull模型优缺点
四、两种模型在实际场景中的优缺点分析
五、常见消息中间Push和Pull实现实战和客户端源码分析
这篇文章前，先抛出个问题
- 1 所谓的推拉模型仅仅是指消费端模型吗？是否需要broker支持这种模型呢？
当然不是，如果没有服务端Broker支持，它如何知道消费端当前选取的消息消费模型，准确讲推拉模型是指消息的消费模型，需要服务端Broker支持，也需要消费端Client支持。（通常服务端Broker和消费端Client都是互相配合工作的，一起开发，一起作用的）。
一、常用消息中间件支持模型
| 中间件 | push模型 | pull模型 |
|---|---|---|
| RabbitMQ | 支持 | 支持 |
| Kafka | --- | 支持（只有） |
| RabbitMQ | 支持 | 支持 |
二、两种模型优缺点对比
Push 和 Pull 的区别
- 所谓 Push 模型，即当 Producer 发出的消息到达后，服务端马上将这条消息投递给 Consumer；
- 而 Pull 则是服务端收到这条消息后什么也不做，只是等着 Consumer 主动到自己这里来读，即 Consumer 这里有一个“拉取”的动作。
举个例子：
消息=食物；服务端Broker=老爸；消费端 = 儿子
如果采用Push模型：
优点：老爸一拿到食物就给儿子吃【食物送达及时】
缺点：儿子已经吃跑了，老爸还强塞儿子吃，可能导致儿子被撑死【儿子不堪重负，撑死了】如果采用Pull模型
优点：儿子饿了，主动找老爸要食物，不饿的时候不要。【儿子根据饥饿程度获取食物】
缺点：儿子饿了，发消息给老爸给我点食物，等老爸收到消息已经过了十分钟了，儿子等不及了饿死了。【食物没有及时送给儿子】
Push模型优缺点
-
Push模型优点
实时（因为服务端Broker一旦收到消息，就会发送给消费者，不管消费这准备好没有，消费者是死是活，缓存到消费端的BlockingQueue中） -
Push缺点
[1]、消息保存在服务端broker，容易造成消息堆积。（如何理解呢？为什么会存在服务端呢？ 因为服务端Broker在和消费端第一次建立通信时就明确了该消费者的消费喜好，他选择的就是Push模型，那就不管三七二十一都发给你的缓存队列中去）。
[2]、服务端broker需要维护每次传输状态，遇到问题需要重试。(如何理解，为什么push模型broker要维护传输状态？Pull模型不需要吗？)
[3]、服务端broker需要依据订阅者消费能力做流控(流转机制)。（这个好理解，消费能力差时就不能疯狂塞消息给消费端，流转机制怎么做呢? RabbitMQ的做法是可以在消费者新建时，设置Qos，对服务端Borker提前表明消费端的消费能力，这样服务端最多推送指定数量的消息给消费者。）
Pull模型优缺点
-
Pull模型优点
[1] 保存在消费端，获取消息方便。（什么保存在消费端）
[2] 传输失败，不需要重试。（如何理解？）
[3] 消费端可以根据自身消费能力决定是否pull(流转机制) （这个好理解） -
Pull缺点
默认的端短询方式的实时性依赖于pull间隔时间，间隔越大，实时性越低，长轮询方式和push一致。（默认的端轮训指的是什么？ 指的当长时间没有消息时，消费端实现的间隔时间去服务端轮训消息的过程）
三、两种模型在实际场景中的优缺点分析
选择 Push 还是 Pull
简要分析下 Push 和 Pull模型，在不同场景下各自存在的利弊。
场景 1：Producer 的速率大于 Consumer 的速率
对于 Producer 速率大于 Consumer 速率的情况，有两种可能性需要讨论:
- 第一种是Producer 本身的效率就要比 Consumer 高（比如说，Consumer 端处理消息的业务逻辑可能很复杂，或者涉及到磁盘、网络等 I/O操作）；
- 另一种则是 Consumer 出现故障，导致短时间内无法消费或消费不畅。
Push方式由于无法得知当前 Consumer 的状态（），所以只要有数据产生，便会不断地进行推送，在以上两种情况下时，可能会导致 Consumer 的负载进一步加重，甚至是崩溃（比如生产者是 flume 疯狂抓日志，消费者是 HDFS+hadoop，处理效率跟不上）。除非Consumer 有合适的反馈机制能够让服务端知道自己的状况。（也可以 通过消费端限流方案，比如RabbitMQ消费者设置Qos，服务端Borker就会限制对消费端的发送流程，但是这个流量设置就需要衡量，不能太大也不能太小）
而采取 Pull 的方式问题就简单了许多，由于 Consumer 是主动到服务端拉取数据，此时只需要降低自己访问频率就好了。举例：如前端是 flume 等日志收集业务，不断往 CMQ 生产消息，CMQ 往后端投递，后端业务如数据分析等业务，效率可能低于生产者。
场景 2：强调消息的实时性
- 采用 Push 的方式时，一旦消息到达，服务端即可马上将其推送给服务端，这种方式的实时性显然是非常好的；
- 而采用 Pull 方式时，为了不给服务端造成压力（尤其是当数据量不足时，不停的轮询显得毫无意义），需要控制好自己轮询的间隔时间，但这必然会给实时性带来一定的影响。（Pull不会频繁拉取，设置一定间隔）。
场景 3：Pull 的长轮询
Pull 模式有什么问题呢？由于主动权在消费方，消费方无法准确地决定何时去拉取最新的消息。如果一次 Pull 取到消息了还可以继续去 Pull，如果没有 Pull 取到消息则需要等待一段时间再重新 Pull。
但等待时间就很难判定了。你可能会说，我可以有xx 动态拉取时间调整算法，但问题的本质在于，有没有消息到来这件事情决定权不在消费方。也许 1 分钟内连续来了 1000 条消息，然后半个小时没有新消息产生，可能你的算法算出下次最有可能到来的时间点是31分钟之后，或者 60 分钟之后，结果下条消息 10 分钟后到了，是不是很让人沮丧？
当然也不是说延迟就没有解决方案了，业界较成熟的做法是从短时间开始（不会对 CMQ broker 有太大负担），然后指数级增长等待。比如开始等 5ms，然后 10ms，然后 20ms，然后 40ms……直到有消息到来，然后再回到 5ms。即使这样，依然存在延迟问题：假设 40ms 到 80ms 之间的 50ms 消息到来，消息就延迟了 30ms，而且对于半个小时来一次的消息，这些开销就是白白浪费的。
总之就是消费端长时间没有消息消费的话，消费端轮训时间间隔如果太长，可能在轮训间隔中让部分消息延时消费，如果轮训时间太短，则频繁的请求在消耗服务端Broker，broker要应答消费端的请求（线程开销等）而造成服务端Broker的负担。
在腾讯云的 CMQ 里，有一种优化的做法-长轮询，来平衡 Pull/Push 模型各自的缺点。
基本方式是：消费者如果尝试拉取失败，不是直接 return，而是把连接挂在那里 wait，服务端如果有新的消息到来，把连接拉起，返回最新消息。
场景 4：部分或全部 Consumer 不在线
在消息系统中，Producer 和 Consumer 是完全解耦的，Producer 发送消息时，并不要求Consumer 一定要在线，对于 Consumer 也是同样的道理，这也是消息通信区别于 RPC 通信的主要特点；但是对于 Consumer不在线的情况，却有很多值得讨论的场景。
-
首先，在 Consumer 偶然宕机或下线的情况下，Producer 的生产是可以不受影响的，Consumer 上线后，可以继续之前的消费，此时消息数据不会丢失；但是如果 Consumer 长期宕机或是由于机器故障无法再次启动，就会出现问题，即服务端需不需要为 Consumer 保留数据，以及保留多久的数据等等。(消费端宕机，服务端Broker数据堆积)
-
采用 Push 方式时，因为无法预知 Consumer 的宕机或下线是短暂的还是持久的，如果一直为该 Consumer 保留自宕机开始的所有历史消息，那么即便其他所有的 Consumer 都已经消费完成，数据也无法清理掉，随着时间的积累，队列的长度会越来越大，此时无论消息是暂存于内存还是持久化到磁盘上（采用 Push 模型的系统，一般都是将消息队列维护于内存中，以保证推送的性能和实时性，这一点会在后边详细讨论），都将对 MQ 服务端造成巨大压力，甚至可能影响到其他 Consumer 的正常消费，尤其当消息的生产速率非常快时更是如此；但是如果不保留数据，那么等该 Consumer 再次起来时，则要面对丢失数据的问题。
折中的方案是：MQ 给数据设定一个超时时间，当 Consumer 宕机时间超过这个阈值时，则清理数据；但这个时间阈值也并太容易确定。
- 在采用 Pull 模型时，情况会有所改善；服务端不再关心 Consumer 的状态，而是采取“你来了我才服务”的方式，Consumer 是否能够及时消费数据，服务端不会做任何保证（也有超时清理时间）。
参考文章：
1 、选择 Push 还是 Pull(腾讯消息中间件CMQ技术文档)
2、 RabbitMQ之Consumer消费模式（Push & Pull）(厮大文章，抓包说明Push模型不会等待消费者是否消费完成前一个消息，就会发送第二个消息)。
网友评论