实战：RocketMQ消息丢失如何排查？

消息丢失如何排查？

当我们在使用mq的时候，经常会遇到消息消费异常的问题，原因有很多种，比如

1. producer发送失败

2. consumer消费异常

3. consumer根本就没收到消息

「那么我们该如何排查了?」

其实借助RocketMQ-Dashboard就能高效的排查，里面有很多你想象不到的功能

首先我们先查找期望消费的消息，查找的方式有很多种，根据消息id，时间等

「消息没找到？」

说明proder发送异常，也有可能是消息过期了，因为rocketmq的消息默认保存72h，此时到producer端的日志进一步确认即可

「消息找到了！」

接着看消息的消费状态，如下图消息的消费状态为NOT_ONLINE

「NOT_ONLINE代表什么含义呢？」

别着急，我们一步步来分析，先看看TrackType到底有多少种状态

public enum TrackType {
    CONSUMED,
    CONSUMED_BUT_FILTERED,
    PULL,
    NOT_CONSUME_YET,
    NOT_ONLINE,
    UNKNOWN
}

每种类型的解释如下

类型	解释
CONSUMED	消息已经被消费
CONSUMED_BUT_FILTERED	消息已经投递但被过滤
PULL	消息消费的方式是拉模式
NOT_CONSUME_YET	目前没有被消费
NOT_ONLINE	CONSUMER不在线
UNKNOWN	未知错误

「怎么判定消息已经被消费？」

上一节我们讲到，broker会用一个map来保存每个queue的消费进度，「如果queue的offset大于被查询消息的offset则消息被消费，否则没有被消费」（NOT_CONSUME_YET）

我们在RocketMQ-Dashboard上其实就能看到每个队列broker端的offset（代理者位点）以及消息消费的offset（消费者位点），差值就是没有被消费的消息

当消息都被消费时，差值为0，如下图所示

「CONSUMED_BUT_FILTERED表示消息已经投递，但是已经被过滤掉了」。例如producer发的是topicA，tagA，但是consumer订阅的却是topicA，tagB

「CONSUMED_BUT_FILTERED（消息已经被投递但被过滤）是怎么发生的呢？」

这个就不得不提到RocketMQ中的一个概念，「消息消费要满足订阅关系一致性，即一个consumerGroup中的所有消费者订阅的topic和tag必须保持一致，不然就会造成消息丢失」

如下图场景，发送了4条消息，consumer1订阅了topica-taga，而consumer2订阅了topica-tab。consumer1消费q0中的数据，consumer2消费q1中的数据

投递到q0的msg-1和msg-3只有msg-1能被正常消费，而msg-3则是CONSUMED_BUT_FILTERED。因为msg-3被投递到q0，但是consumer1不消费tagb的消息导致消息被过滤，造成消息丢失

同理msg-2这条消息也会丢失

「注意，还有一个非常重要的点」

虽然消息消费失败了，但是消息的offset还会正常提交，即 「消息消费失败了，但是状态也会是CONSUMED」

「RocketMQ认为消息消费失败需要重试的场景有哪些？」

1. 返回ConsumeConcurrentlyStatus.RECONSUME_LATER

2. 返回null

3. 主动或被动抛出异常

「那么消费失败的消息去哪了呢？」

当消息消费失败，会被放到重试队列中，Topic名字为%RETRY% + consumerGroup

「Consumer没订阅这个topic啊，怎么才能消费到重试消息？」

其实在Consumer启动的时候，框架内部帮你订阅了这个topic，所以重试消息能被消费到

「另外消息不是一直重试，而是每隔1段时间进行重试」

第几次重试	与上次重试的间隔时间	第几次重试	与上次重试的间隔时间
1	10 秒	9	7 分钟
2	30 秒	10	8 分钟
3	1 分钟	11	9 分钟
4	2 分钟	12	10 分钟
5	3 分钟	13	20 分钟
6	4 分钟	14	30 分钟
7	5 分钟	15	1 小时
8	6 分钟	16	2 小时

当消息超过最大消费次数16次，会将消息投递到死信队列中，死信队列的topic名为%DLQ% + consumerGroup。

「因此当你发现消息状态为CONSUMED，但是消费失败时，去重试队列和死信队列中找就行了」

消息消费异常排查实战

这个问题发生的背景是这样的，就是我们有2个系统，中间通过mq来保证数据的一致性，结果有一天数据不一致了，那肯定是consumer消费消息有问题，或者producer发送消息有问题

先根据时间段找到了消息，确保了发送没有问题，接着看消息的状态为NOT_CONSUME_YET，说明consumer在线但是没有消息

「NOT_CONSUME_YET表明消息没有被消费」，但是消息发送都过了好长时间了，consumer不应该没消费啊，查日志consumer确实没有消费。

用RocketMQ-Dashboard查看一下代理者位点和消费者位点，0队列正常消费，其他队列没有被消费

「感觉这个负载均衡策略有点问题啊，怎么0队列这么多消息，别的队列都怎么没消息，问一波中间件的同学，是不是又改负载均衡策略了？」

确实改了！测试环境下，采用队列纬度区分多环境，0是基准环境，我们团队目前还没有用多环境，所以收发消息都会在队列0上，其他队列不会用到（「你可以简单认为测试环境发送和消费消息只会用到0队列」）

「那么问题来了！」

首先消息的状态是NOT_CONSUME_YET，说明消息肯定被投递到0队列之外了，但是中间件的小伙伴却说消息不会被投递到0队列

要想验证我的想法首先需要证明没有被消费的消息确实被投递到0队列之外的队列了

中间走的弯路就不说了，直到我看了看RocketMQ-Dashboard的源码，「发现Dashboard其实返回了消息的很多信息，但是并没有在页面展示出来，直接看接口返回」

乖乖，发现了新世界，消息的所有属性都在这了，看到queuId为14，果然验证了我的想法。

再看bornHost居然是我们办公室的网段

「难道本地启动的负载均衡策略和测试环境的负载均衡策略不一样？」

本地debug一波代码，果然是本地的producer会往所有的队列发送消息，并且consumer也会消费所有队列的消息

「至此找出问题了！」

producer在本地启了一个服务，注册到测试环境的zk，测试环境的部分请求打到本地，往0队列之外的队列发了消息，但是测试环境的consumer只会消费0队列中的消息，导致消息迟迟没有被消费。