分类： 分为push和pull两种方式，push为被动消费类型，pull为主动消费类型
区别：
①Push方式：由消息中间件主动地将消息推送给消费者；
②Pull方式：由消费者主动向消息中间件拉取消息。
优缺点：
两种方式的缺点与不足：
| Push方式： | 优点是可以尽可能快地将消息发送给消费者，缺点是如果消费者处理能力跟不上，消费者的缓冲区可能会溢出。 |
| Pull方式： | 优点是消费端可以按处理能力进行拉去，缺点是会增加消息延迟。 |
市面上常见消息中间件默认的方式：
RabbitMQ 消费者默认是推模式（也支持拉模式）。
RocketMQ 消费者默认是推模式（也支持拉模式）（从严格意义上说，RocketMQ并没有实现真正的消息消费的Push模式，而 是对Pull模式进行了一定的优化）
Kafka 默认是拉模式。
处理 性能上： Kafka>RocketMQ>RabbitMQ。
各种消息中间件使用场景：
Kafka 是 高吞吐量消息中间件的行业老大。主要特点是基于Pull的模式来处理消息消费，支持数据持久化，
高效的磁盘顺序读写（这主要在于它的队列模式保证了写磁盘的过程是线性IO 即磁盘顺序读写。）Kafka 还支持batch 操作，
适合产生海量数据的互联网服务的数据收集业务。
RabbitMQ 基于AMQP协议来实现，对数据一致性、稳定性和可靠性要求很高的场景
AMQP协议更多用在企业级系统内，目前在 传统的信息系统项目中使用的多
RocketMQ 思路起源于Kafka，但并不是Kafka的一个Copy，它对消息的可靠传输及事务性做了优化
**（**RocketMQ是阿里开源的消息中间件 在淘宝系统中大量使用）
ActiveMQ: 基于JMS协议的消息队列，现在很少使用，处理性能不如以上3个
消息中间件相关的技术选型总结：
消息中间件RocketMQ执行原理：
目前企业消息中间件使用：
总体来讲Kafka特别适合的场景是 吞吐量的要求很大，实时数据分析，log分析等场景。但是如果用来做业务事件的分发，也非常适合。
如果业务场景压力不大，又比较传统，需要那些传统的JMS协议，用Active MQ完全够用，但同时也可以考虑一下RabbitMQ
电商类：RocketMQ
传统企业：RabbitMQ 、ActiveMQ
大数据行业：Kafka
一般满足如下场景都可以考虑使用：
当不需要立即获得结果，但是并发量又需要进行控制的时候，差不多就是需要使用消息队列的时候。
消息队列主要解决了应用耦合、异步处理、流量削锋等问题。
消息中间件具体使用场景：
1. 分布式环境下事务：
思路：通过中间件，ack机制 协调多个事物的一致性
A账户向B账户进行转账为例：
A、B账户不在同一个DB中，此时无法像在单机情况下使用事物来实现。此时可以通过一下方式实现，将 转账操作分成 两个操作。通过消息中间件发送数据变更记录与ACK机制返回处理状态来做事物的提交与回滚
具体流程：
a） A账户
| 步骤 | 动作 |
| — | — |
| 1 | 锁定A的账户 |
| 2 | 检查A账户是否有1元 |
| 3 | A的账户扣减1元 |
| 4 | 解锁A的账户 |
b) MQ消息
自我介绍一下，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。
深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。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！
因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！**
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-V4EUh2Hh-1712900687226)]
扫一扫
242
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
