RocketMQ工作原理_消息的生产

小涂学编程

已于 2024-03-21 17:40:19 修改

阅读量614

点赞数 21

分类专栏： RocketMQ 文章标签： rocketmq

于 2024-03-02 19:52:54 首次发布

本文链接：https://blog.csdn.net/qq_45905724/article/details/136400734

版权

RocketMQ 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

消息的生产

消息的生产过程

Producer可以将消息写入到某Broker中的Queue中，其经历了如下过程：

首先他会把所有的naneServer列表写到Broker配置文件里面
- 优点：nameServer集群搭建非常简单
- 缺点：Broker,必须明确指出所有 NameServer地址
启动NameServer,开始监听端口,等待Broker，Consumer，Producer连接
启动Broker，Broker会与所有的NameServer建立长连接，然后每30秒向NameServer定时发送心跳包
Producer发送消息之前，会先向NameServer发出获取消息Topic的路由信息的请求
Nameserver返回该Topic的路由表和Broker列表
- 路由表: key为Topic名称，value是一个QueueData(所有queue)实例列表的map
  - 一个Broker中该Topic的所有Queue对应一个QueueData
  - 只要涉及到该Topic的Broker，一个Broker对应一个Queue
  - QueueData中包含brokerName
- Broker列表：key为brokerName，value为BrokerData
  - 一个Broker对应一个Broker实例。对吗？不对。
  - 一个BrokerData对应着BrokerName相同的Master-slave集群。
  - BrokerData其中包含BrokerName及一个map
    - 该map的key为brokerId，value为broker对应的地址，
      - brokerId为0表示该Broker为Master
      - 非0为salve。
- RPC请求：远程过程调用 (RPC) 是一种协议，程序可使用这种协议向网络中的另一台计算机上的程序请求服务。
Producer根据代码中指定的Queue选择策略，从Queue列表中选出一个队列，用于后续存储消息
Producer对消息进行一些特殊处理，例如，消息本身超过4M，则会对其进行压缩
Producer想选择出的Queue所在的Broker发出RPC请求，将消息发送到选择的Queue上

Queue选择算法

对于无序消息，其Queue选择算法，也称为消息投递算法，常见的有两种：

轮询算法

轮询，一个接着一个。默认选择算法。该算法保证了每个Queue中可以均匀的获取到消息：

该算法存在一个问题：

由于某些原因（上一个消息投递延迟，下一个迟迟无法投递），在某些Broker上的Queue可能投递延迟较严重。从而导致Producer的缓存队列中出现较大的消息积压，影响消息的投递性能。

最小投递延迟算法

该算法会统计每次消息投递的时间延迟，然后根据统计出的结果将消息投递到时间延迟最小的Queue。如果延迟相同，则采用轮询算法投递。该算法可以有效提升消息的投递性能。

该算法也存在一个问题：消息再Queue上的分配不均匀。投递延迟小的Queue其可能存在大量的消息。（queue内消息分配不均匀导致消费者组中的消费者忙的忙死闲的闲死）而对该Queue的消费者压力会增大，降低消息的消费能力，可能会导致MQ中消息的堆积。

消息的储存

abort：该文件在Broker启动后会自动创建，正常关闭Broker，该文件会自动消失。若在没有启动Broker情况下，发现这个文件是存在的，则说明之前Broker的关闭时非正常关闭。
checkpoint：其中存放着commintlog、consumerqueue、index文件的最后沙盘时间
commitlog：其中存放着commitlog文件，而消息是写在commitlog文件中的
config：存放着Broker运行期间的一些配置数据
consumequeue：其中存放着consumer queue文件，队列就放在这个目录中
index：其中存放着消息索引文件indexFile
lock：运行期间使用到的全局资源锁

Commitlog文件

目录与文件

commitlog目录中存放着很多的mappedFile文件，当前Broker中所有消息都是落盘到这些mappedFiel文件中的。

mappedFile文件容量为1G（其中存放的数据可能会小于1G，因为该文件剩余的容量不足以储存下一条消息，此时下一条消息就会储存到另一个mappedFile文件中），文件由20位十进制数构成，表示当前文件的第一条消息的起始唯一偏移量。

第一个mappedFile文件名一定为20位0构成的。因为第一个文件的第一条消息的偏移量commitlog offset为0。
当第一个文件放满时,则会自动生成第二个文件继续存放消息。假设第一个文件大小是
1073741820字节(1G=1073741824字节），第二个文件的大小为10字节，则第二个文件名就是00000000001073741824。以此类推，第n个文件就为前n-1个文件大小之和
（如果第一个文件储存了不足1G的消息，第二个文件的的偏移量就是第一个文件存放消息的大小）

需要注意的是，一个Broker中仅包含着一个commit log目录，所有的mappedFile文件都是存放在该目录中的。即无论当前Broker中存放着多少Topic的消息，这些消息都是被顺序写入到mappedFile文件中的。也就是说，这些消息在Broker中存放时并没有按照Topic进行分类存放。

一个Broker = 一个commit log目录 = n个mappedFile文件

mappedFile文件是顺序读写的文件，所以其访问效率很高

消息单元

mappedFile文件内容有一个个的消息单元构成。每个消息单元中包含如下：

MsgLen ：消息总长度MsgLen
PhysicalOffset ：消息的物理地址（物理偏移量）
Body ：消息体内容真正的内容
BodyLength ：消息体长度
BornHost ：消息生产者
BonTimestamp : 消息发送时间戳
Topic : 消息的主题
Queueld ：消息所在的队列QueueId
QueueOffset ：消息在Queue中储存的偏移量
。。。。。。等近20项详细相关属性

需要注意到，消息单元中是包含 Queue相关属性的。所以，我们在后续的学习中，就需要十分留意commitlog与queue间的关系是什么？

一个mappedFile文件中第n+1个消息单元的commitlog offset偏移量
L（n + 1） = L（n） + MsgLen（n）（n>0)

L1 = Ln + MsgLen（n）

ConsumeQueue文件

上图 0 1 2 3 叫做queueId

点击进去查看consumequeue文件

首先生产者把消息发送到broker里面的Commit Log文件里面的Body，保存消息的内容，同时也会Topic创建相应的Comsume Queue，存储消息在Commit Log的位置信息。
重点：

为了提高效率，会为每个在~/store/consumeQueue中创建一个目录，目录名为Topic名称。
在该Topic目录下，会在为每个该Topic的Queue创建一个目录，目录名为queueId。
每个目录中存放着若干consumequeue文件，consumequeue文件是commitlog的索引文件，可以根据consume queue定位到具体的消息。

consumequeue文件名也是由20位数字构成，表示当前文件的第一个索引条目的起始偏移量。与mappedFile文件名不同的是，其后续文件名是固定的。因为consumequeue文件大小是固定不变的。

索引条目

每个consumequeue文件可以包含30W个索引条目，每个索引条目包含了三个消息重要属性：

消息在mappedFile文件中的
- 偏移量CommitLogOffset
- 消息长度
- 消息Tag的hashCode置

这三个属性占20个字节，所以每个文件的大小是固定的30W*20字节

一个consumequeue文件中所有消息的Topic一定是相同的。但每条消息Tag可能不同的

（RocketMq存在根据tag进行查询，消息可以根据消息Tag的hashCode置去查询在Topic内的CommitLog目录下的ComsumeQueue里面索引目录进行查询）

对文件的写入

消息写入

一条消息进入到Broker后经历了以下几个过程才最终被持久化。

Borker会根据queueId获取到该消息对应索引条目要在consumequeue目录的写入偏移量，即QueueOffset
将queueId、queueOffset等数据，与消息一起封装为消息单元
将消息单元写入到commitlog
同时形成消息索引条目
将消息索引条目分发到相应的consumequeue

消息拉取

当Conusmer来拉去消息时会经历以下几个步骤：

Consumer获取到其要消费消息所在Queue的消费偏移量offset计算出要消费消息的消息offset
- 消费offset及消费进度，consumer对某个Queue的消费offset，即消费到了该Queue的第几条消息
- 消息offset = 消费offset + 1
Consumer向Broker发送拉去请求，其中会包含其拉取消息的Queue、消息offset以及消息Tag
Broker计算在该consume queue中的queueOffset
- queueOffset = 消息offset * 20字节
从该queueOffset处开始向后查找第一个指定Tag的索引条目
解析该索引条目的前8个字节，即可定位到该消息在commitlog中的commitlog offset
从对应的commitlog offset中读取消息单元，并发送给Consumer

性能提升

RocketMQ中，无论是消息本身还是消息索引，都是存储在磁盘上的。其不会影响消息的消费吗？当然不会。

其实RocketMQ的性能在目前的MQ产品中性能是非常高的。因为系统通过一系列相关机制人大提升了性能。

首先，RocketMQ对文件的读写操作是通过mmap零拷贝进行的，将对文件的操作转化为直接对内存地址进行操作，从而极大地提高了文件的读写效率。
其次，consumequeue中的数据是顺序存放的，还引入了PageCache的预读取机制，使得对consumequeue
- PageCache机制，页缓存机制，是OS对文件的缓存机制，用于加速对文件的读写操作。一般来说，程序对文件进行顺序读写的速度几乎接近于内存读写速度，主要原因是由于OS使用PageCache机制对读写访问操作进行性能优化，将一部分的内存用作PgeCache。
  - 写操作：OS会先将数据写入到PageCache中，随后会以异步方式由pdflush (page dirtyflush)内核线程将Cache中的数据刷盘到物理磁盘
  - 读操作：若用户要读取数据，其首先会从PageCache中读取，若没有命中，则OS在从物理磁盘上加载该数据到PageCache的同时，也会顺序对其相邻数据块中的数据进行预读取。

文件的读取几乎接近于内存读取，即使在有消息堆积情况下也不会影响性能。

RocketMQ中可能会影响性能的是对commitlog文件的读取。因为对commitlog文件来说，读取消息时会产生大量的随机访问，而随机访问会严重影响性能。不过，如果选择合适的系统10调度算法，比如没置调度算法为Deadline(采用SSD固态硬盘的话)，随机读的性能也会有所提升。

深入理解

“读操作：若用户要读取数据，其首先会从PageCache中读取，若没有命中，则OS在从物理磁盘上加载该数据到PageCache的同时，也会顺序对其相邻数据块中的数据进行预读取。”

当用户要读取数据时，操作系统首先会检查PageCache（页面缓存），这是一个位于内存中的缓存，用于存储最近访问过的数据页。如果用户请求的数据在PageCache中已经存在（命中），则操作系统可以直接从PageCache中读取数据，而无需访问物理磁盘，这样可以提高读取速度。

如果用户请求的数据不在PageCache中（未命中），操作系统就需要从物理磁盘上加载该数据到PageCache中。在这个过程中，除了加载用户请求的数据，操作系统还会顺序预读取相邻数据块中的数据到PageCache中。

预读取相邻数据块的操作是为了利用空间局部性原理，即一旦访问了某个数据块，可能会接下来访问其相邻的数据块。通过预读取相邻数据块，操作系统可以提前将这些数据加载到内存中，以便在用户访问时能够更快地响应请求。

这种预读取的机制有助于减少对物理磁盘的实际访问次数，提高数据读取的效率和性能。通过在加载用户请求数据的同时预读取相邻数据块，操作系统可以优化数据访问过程，使得后续访问相邻数据块时能够更快地获取数据。这种优化有助于提高系统整体的读取性能。

举个简单的例子来说明相邻数据块中的数据块：

假设物理磁盘上存储了一些学生的信息，每个数据块包含多个学生的记录。

当用户请求读取第一个数据块中的学生信息时，操作系统会加载这个数据块到PageCache中。

在这种情况下，相邻数据块可能是指与第一个数据块相邻的其他数据块，这些数据块可能包含接下来的学生信息记录。

例如，如果学生信息按照学号的顺序存储在磁盘上，用户请求读取学号为1001-2000的学生信息，那么操作系统可能会顺序加载包含学号为2001-3000的数据块到PageCache中，因为这些数据块与用户请求的数据块相邻，操作系统预测用户可能会继续访问这些相邻数据块中的信息。

这样，在用户访问相邻数据块时，可以直接从PageCache中获取数据，而不必再次从物理磁盘上读取，从而提高数据访问的效率和性能。

与Kafka的对比

RocketMQ的很多思想来源于Kafka，其中commitlog与consumequeue就是。
RocketMQ中的commitlog目录与consumequeue的结合就类似于Kafka中的partition分区目录。
mappedFile文件就类似于Kafka中的segment段。

Kafka中的Topic的消息被分割为一个或多个partition。partition是一个物理概念，对应到系统上就是topic目录下的一个或多个目录。每个partition中包含的文件称为segment，是具体存放消息的文件。
Kafka中消息存放的目录结构是：

topic目录下有partition目录
partition目录下有segment文件
Kafka中没有二级分类标签Tag这个概念
Kafka中无需索引文件。

因为生产者是将消息直接写在了partition中的，消费者也是直接从partition中读取数据的

indexFile

除了通过通常的指定Topic进行消息消费外
RocketMQ还提供了根据key进行消息查询的功能

该查询是通过store目录中的index子目录中的indexFile进行索引实现的快速查询。当然，这个indexFile中的索引数据是在包含了key的消息被发送到Broker时写入的。如果消息中没有包含key，则不会写入。

索引条目结构

每个Broker中包含一组indexFile，每个indexFile都是以一个时间戳命名的（这个indexFile被创建时的时间戳）。每个indexFile由三部分构成：

indexHeader
slots槽位
indexes索引单元。

每个indexFile文件中包含500W个slot槽【这个数量可能是根据系统的需求、性能要求以及资源限制等因素综合考虑得出的最佳选择】。而每个slot槽又可能会挂在很多的index索引单元。

indexHeader

indexHeader固定40个字节，其中存放着如下数据：

beginTimestamp:该indexFile中第一条消息的存储时间
endTimestamp:该indexFile中最后一条消息存储时间
beginPhyoffset：该indexFile中第一条消息在commitlog中的偏移量commitlog offset
endPhyoffset：该indexFile中最后一条消息在commitlog中的偏移量commitlog offset
hashSlotCount:已经填充有index的slot数量（并不是每个slot槽下都挂载有index索引单元，这里统计的是所有挂载了index索引单元的slot槽的数量)
indexCount:该indexFile中包含的索引个数（统计出当前indexFile中所有slot槽下挂载的所有index索引单元的数量之和)

slots槽位

indexFile中最复杂的是Slots与Indexes间的关系。在实际存储时，Indexes是在Slots后面的，但为了便于理解，将它们的关系展示为如下形式：

key的hash值%500w的结果即为slot槽位，然后将该slot值修改为该index索引单元的indexNo

indexNo是一个在indexFile中的流水号，从0开始依次递增。即在一个indexFile中所有indexNo是以此递增的。indexNo在 index索引单元中是没有体现的,其是通过 indexes中依次数出来的。

根据这个indexNo可以计算出该index单元在indexFile中的位置。
- 不过，该取模结果的重复率是很高的，为了解决该问题，在每个index索引单元中增加了preIndexNo,用于指定该slot中当前index索引单元的前一个index索引单元。
而slot中始终存放的是其下最新的index索引单元的indexNo,这样的话，只要找到了slot。就可以找到其最新的index索引单元，而通过这个index索引单元就可以找到其之前的所有index索引单元

index索引单元

index索引单元默写20个字节，其中存放着以下四个属性：

keyHash:消息中指定的业务key的hash值
phyOffset：当前key对应的消息在commitlog中的偏移量commitlog offset
timeDiff:当前key对应消息的存储时间与当前indexFile创建时间的时间差
preIndexNo：当前slot下当前index索引单元的前一个index索引单元的indexNo

indexFile 的创建

indexFile的文件名为当前文件被创建时的时间戳。这个时间戳有什么用处呢？

根据业务key进行查询时，查询条件除了key之外，还需要指定一个要查询的时间戳，表示要查询不大于该时间戳的最新的消息。这个时间戳文件名可以简化查询，提高查询效率。具体后面会详细讲解。

indexFile文件是何时创建的？其创建的条件（时机）有两个：

·当第一条带key的消息发送来后，系统发现没有indexFile,此时会创建第一个indexFile文件
·当一个indexFile中挂载的index索引单元数量超出2000w个时，会创建新的indexFile。当带key的消息发送到来后，系统会找到最新的indexFile,并从其indexHeader的最后4字节中读取到indexCount。若indexCount >=2000w时，会创建新的indexFile。

由于可以推算出，一个indexFile的最大大小是：(40+500w*4+2000w*20)字节

查询流程

当消费者通过业务key来查询相应的消息时，其需要经过一个相对较复杂的查询流程。不过，在分析查询流程之前，首先要清楚几个定位计算式子：

计算指定消息key的s1ot槽位序号	slot槽位序号 = keyhash % 500w
计算槽位序号为n的slot在indexFile中的起始位置	slot(n)位置 = 40 + (n-1) * 4
计算indexNo为m的index在indexFile中的位置	index(m)位置 = 40 + 500w * 4 +( m-1) * 20