1.为什么使用消息队列？
核心说起来就是：解耦、异步、削峰。
- 解耦：RPC的调用是强依赖的，系统之间的调用会存在耦合，而通过消息中间件可以将业务上弱依赖、系统调用上的强依赖关系进行解耦。
- 异步：其实还是上一步解耦的延生，原先业务上是同步代码采用中间件进行异步操作以后，系统的响应耗时大大降低。
- 削峰：MQ会提供两种模式消息获取方式：1-server推模式，2-client拉模式，MQ-client根据自己的处理能力，每隔一定时间，或者每次拉取若干条消息，实施流控，达到保护自身的效果。并且这是MQ提供的通用功能，无需上下游修改代码。
- 延时队列：采用轮询db的方式做了太多的无用功，采用Jdk原生的延时队列无法应对应用重启的情况，而MQ自带了延时推送的功能，是延时任务上理想的解决方案。
2.消息队列的不足？
- 引入了MQ中间将势必会增加系统的复杂性，需要考虑更多的问题：如何保证消息没有重复消费？如何处理消息丢失的情况？如何保证消息传递的顺序性。
- 引发业务上一致性的问题：这也是由于异步解耦的，原本A的响应需要BC的成功，用同步操作是没有问题的，但如果为了提高响应在解耦后B成功而C调用失败，而A已经给了客户成功的响应，这里就会有结果处理不一致的问题。
3.各种消息中间件的对比与选型
| 特性 | ActiveMQ | RabbitMQ | RocketMQ | Kafka |
|---|---|---|---|---|
| 单机吞吐量 | 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。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 |
总结：
-
ActiveMQ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；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，适用于小公司业务规模不大的场景。
-
RabbitMQ是由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；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，很难去看懂源码，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。 -
RocketMQ接口简单易用，有阿里背书，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可以，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，文档相对来说简单，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。
-
Kafka的特点明显——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.如何保证消息不被重复消费啊（设计消息消费时的幂等性）？
需要结合具体的业务来看，重启系统重启应用等突发事件发生时可能会无可避免的产生MQ的消息重复推送，这个时候要保证消息消费时，重复的数据在DB里面只有一条：
- 比如数据要写库，可根据主键查一下，如果Primary Key存在则只是update操作。
- 比如redis写操作，每次都是set，天然幂等性
- 复杂一点的情况，则可以让生产者发送每条数据的时候，里面加一个全局唯一的ID，到了消费者这里以后，先根据这个ID去DB里查一下，是否之前消费过吗？如果没有消费过，可以写入DB。如果消费过了，则直接略过！
5.如何保证消息的可靠性传输（如何处理消息丢失的问题）？
这个地方针对不同的消息中间件有不同的确认机制，以RabbitMQ为例，其一般承担的是非常核心的业务数据，必须保证数据不能丢失，从消息链路的每个环节都必须保证可靠性：消息发送，RabbitMQ自身还有消息接收三个环节。消息发送时的事务+确认机制，RabbitMQ持久化机制，还有消费端的手动Ack模式。具体可以参阅：《深入浅出RabbitMQ》
6.如何保证消息的顺序性？
会错乱的场景和对应的解决方案：
-
Rabbitmq：一个Queue，多个Consumer。
拆分多个Queue，每个Queue一个Consumer，就是多一些Queue而已，确实是麻烦点；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，内部多线程也容易错乱。
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
7.消息的高可用
RabbitMQ方面采用的是镜像队列的来保证服务的高可用，基于主从架构。引入RabbitMQ的镜像队列机制，将queue镜像到cluster中其他的节点之上。在该实现下，如果集群中的一个节点失效了，queue能自动地切换到镜像中的另一个节点以保证服务的可用性。在通常的用法中，针对每一个镜像队列都包含一个master和多个slave，分别对应于不同的节点。slave会准确地按照master执行命令的顺序进行命令执行，故slave与master上维护的状态应该是相同的。——可参考《深入浅出RabbitMQ》。
网友评论