《Java工程师面试突击第一季》学习笔记-消息队列06、07、08
微信公众号,关注:georgezheng
仅做个人学习记录,内容源自石衫码农公众号教学
学习目的:
(1)帮助快速梳理互联网公司的高频Java进阶面试知识点;
(2)帮助快速夯实Java进阶技术栈的知识体系;
(3)学完出去面试,能够hold住一些互联网公司对某个技术点的连环炮问题;
目录:
06 引入消息队列之后如何保证其高可用性?
如何保证消息队列的高可用啊?
07 我的天!我为什么在消息队列里消费到了重复的数据?
如何保证消息不被重复消费(如何保证消息消费时的幂等性)?
08 啥?我发到消息队列里面的数据怎么不见了?
如何保证消息的可靠性传输(如何处理消息丢失的问题)?
-----------------------------------------------------------------正文--------------------------------------------------------------------------------
06 引入消息队列之后如何保证其高可用性?
1.面试题
如何保证消息队列的高可用啊?
(1)rabbitMQ的高可用性
RabbitMQ是比较有代表性的,因为是基于主从做高可用性的,我们就以他为例子讲解第一种MQ的高可用性怎么实现。
rabbitmq有三种模式:
单机模式,普通集群模式,镜像集群模式
1)单机模式
就是demo级别的,一般就是你本地启动了玩玩儿的,没人生产用单机模式
2)普通集群模式
意思就是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。完了你消费的时候,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。
这种方式确实很麻烦,也不怎么好,没做到所谓的分布式,就是个普通集群。
因为这导致你要么消费者每次随机连接一个实例然后拉取数据,要么固定连接那个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。
而且如果那个放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,得等这个实例恢复了,然后才可以继续从这个queue拉取数据。
所以这个事儿就比较尴尬了,这就没有什么所谓的高可用性可言了,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。
3)镜像集群模式
这种模式,才是所谓的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。
这样的话,好处在于,你任何一个机器宕机了,没事儿,别的机器都可以用。坏处在于,第一,这个性能开销也太大了吧,消息同步所有机器,导致网络带宽压力和消耗很重!
第二,这么玩儿,就没有扩展性可言了,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
那么怎么开启这个镜像集群模式呢?
我这里简单说一下,避免面试人家问你你不知道,其实很简单rabbitmq有很好的管理控制台,就是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。
(2)kafka的高可用
kafka一个最基本的架构认识:多个broker组成,每个broker是一个节点;你创建一个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。
这就是天然的分布式消息队列,就是说一个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,他就是传统的消息队列,只不过提供了一些集群、HA的机制而已,因为无论怎么玩儿,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。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。
这么搞,就有所谓的高可用性了,因为如果某个broker宕机了,没事儿,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了。
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。
07 我的天!我为什么在消息队列里消费到了重复的数据?
1.面试题
如何保证消息不被重复消费(如何保证消息消费时的幂等性)?
2.面试官心理分析
其实这是一个常见的问题,这两个问题可以连起来问。既然是消费消息,那肯定要考虑会不会重复消费?能不能避免重复消费?或者重复消费了也别造成系统异常可以吗?这个是MQ领域的基本问题,其实本质上还是在问你使用消息队列如何保证幂等性,这个是你架构中要考虑的问题。
3.面试题剖析
先大概说一说可能会有哪些重复消费的问题。
讲一个kafka的例子。
其实重复消费不可怕,可怕的是你没考虑到重复消费之后,怎么保证幂等性。
举例:假设你有一个系统,消费一条往数据库插入一条,要是你一个消息重复两次,你不就插入了两条,数据不就错了?但是你要是消费到第二条的时候,自己判断一下已经消费过了,直接扔了,不就保留了一条数据?
幂等性:一条数据,或者一个请求,给你重复来多次,你得确保对应的数据是不对改变的,不能出错。
那么第二个问题就来了,怎么保证消息队列消费的幂等性?
其实还是要结合业务来思考,我这里给几个思路:
(1)数据写库,先按主键查,存在做update;
(2)比如你是写redis,那没问题,反正每次set,天然幂等性;
(3)如果不是上面两个场景,那做的稍微复杂一点,你需要让生产者发送每条数据的时候,里面加全局唯一ID,类似订单ID之类的东西,然后到消费者之后,先根据这个ID去比如redis查一下,之前消费过吗?如果没消费过,你就处理,然后这个id写redis。如果消费过了你就别处理,保证别重复处理相同的信息即可。
链接补充学习:一线互联网企业,高并发场景的订单号、ID生成策略
(链接:https://pan.baidu.com/s/1wGeHga802i1Emur76Y4qEg
提取码:lx1x)
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,我们之前线上系统就有这个问题,就是拿到数据的时候,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我们插入的时候,因为有唯一键约束了,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的消息是幂等性的,需要结合具体的业务来看。
08 啥?我发到消息队列里面的数据怎么不见了?
1.面试题
如何保证消息的可靠性传输(如何处理消息丢失的问题)?
2.面试官心理分析
这个是肯定的,用MQ有个基本原则,就是数据不能多一条,也不能少一条,不能多,就是刚才说的重复消费和幂等性问题。不能少就是说数据不能丢。
这个问题必须考虑。
3.面试题剖析
这个丢数据,MQ一般分为两种,要么MQ自己弄丢了,要么是我们消费的时候弄丢了。
我们从rabbitmq和kafka分别来分析一下。
rabbitmq是承载业务核心消息的,是绝对不能丢数据的。
(1)rabbitmq
1)生产者弄丢了数据
生产者将数据发送到rabbitmq的时候,可能数据半路丢了,因为网络啥的问题,都有可能。
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事务(channel.txSelect),然后发消息,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(channnel.txCommit)。但是问题来了,rabbitmq事务机制一搞,基本上吞吐量会下来,因为太耗性能。
所以一般来说,如果你要确保说写rabbitmq的消息别丢,可以【开启confim模式】,在生产者那里设置开启confim模式之后,你每次写的消息都会分配一个唯一的id,然后如果写入了rabbitmq中,rabbitmq会回传一个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接收了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。
(2) rabbitmq弄丢了数据
就是rabitmq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磁盘,哪怕mq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rabbitmq还没持久化自己就挂了,可能导致少量数据会丢失,但是这个概率很小。
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,这样就可以保证rabbitmq持久化queue的数据,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deliverymodel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。
而且持久化可以和生产者那边的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。
(3)消费者弄丢了数据
你打开了消费者的autoAck的机制,你消费到了数据之后,消费者会自动通知rabbitmq,说ok我已经消费完这条消息了;
如果你消费到的这条消息还在处理中,还没处理完此时消费者就自动autoAckl了,通知rabbitmq这条消息已经消费;此时不巧消费者系统宕机,就会使那条消息丢失,还没处理完而且rabbitmq还以为这条消息已经处理了。
考虑优化方案:
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。
(2)kafka
1)消费端弄丢了数据
唯一可能导致消费者弄丢数据的情况,就是说,你那个消费到了这个消息,然后消费者那边自动提交了offset,让kafka以为你已经消费好了这个消息,其实你刚准备处理这个消息,你还没处理,你自己就挂了,此时这条消息就丢咯。
这不是一样么,大家都知道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,比如你刚处理完,还没提交offset,结果自己挂了,此时肯定会重复消费一次,自己保证幂等性就好了。
生产环境碰到的一个问题,就是说我们的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。
然后此时我们重启了系统,就会导致内存queue里还没来得及处理的数据就丢失了
2)kafka弄丢了数据
这块比较常见的一个场景,就是kafka某个broker宕机,然后重新选举partiton的leader时。大家想想,要是此时其他的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,他不就少了一些数据?这就丢了一些数据啊。
生产环境也遇到过,我们也是,之前kafka的leader机器宕机了,将follower切换为leader之后,就会发现说这个数据就丢了
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吧
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,卡在这里了
我们生产环境就是按照上述要求配置的,这样配置之后,至少在kafka broker端就可以保证在leader所在broker发生故障,进行leader切换时,数据不会丢失
3)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。