RocketMQ工作原理_消息的消费

消息的消费

消费者从Broker中获取消息的方式有两种：

• pull拉取方式
• push推送方式

消费者组对于消息消费的模式又分为两种：

• 集群消费Clustering
• 广播消费Broadcasting

获取消费方式

拉去式消费

Consumer主动从Broker中拉取消息，主动权由Consumer控制。一旦获取了批量消息，就会启动消费过程。不过，该方式的实时性较弱，即Broker中有了新的消息时消费者并不能及时发现并消费。

由于拉去时间间隔是由用户指定的，所以以在设置该间隔时需要注意平稳：

• 间隔太短，空请求比例会增加
• 间隔太长，消息的实时性太差

推送式消费

该模式下Broker收到数据后会主动推送给Consumer。该获取方式一般实时性较高。
该获取方式是典型的发布-订阅模式，即Consumer向其关联的Queue注册了监听器，一旦发现有新的消息到来就会触发回调的执行，回调方法是Consumer取Queue拉取消息。

而这些都是基于Consumer与Broker间的长连接。长连接的维护是需要消耗系统资源的。

对比

pull：需要应用去实现对关联Queue的遍历，实时性差；但便于应用控制消息的拉去。
push：封装了对关联Queue的遍历，实时性较强，但会占用较多的系统资源

消费模式

广播模式

广播消费模式下，相同Consumer Group的每个Consumer实例都接受同一个Topic的全量消息。即每条消息都会被发送到Consumer Group中的每个Consumer

集群消费

集群消费模式下，相同Consumer Group的每个Consumer实例平均分摊到同一个Topic的消息。即每条消息只会被发送到Consumer Group 中的某个Consumer

 0：6 ，1 ：7 queueId： 消费组中的消费者，下图是各个broker中的消费进度

消费进度保存

• 广播模式：消费进度保存在consumer端。因为广播模式下consumer group中每个consumer都会消费所有的消息，但他们的消费进度是不同。所以consumer各自保存各自的消费进度。
• 集群模式：消费进度保存在broker中。consumer group中的所有consumer共同消费同一个Topic中的消息，同一条消息只能被消费一次，消费进度会参与到了消费的负载均衡中，故消费进度是需要共享的。

Rebalance机制

Rebalance机制讨论的前提是：集群消费。

Rebalance概念

Rebalance即在均衡，指的是，将一个Toic下的多个Queue在同一个ConsumerGroup中的多个Consumer间进行重新分配的过程。

举例：

原本5个queue全部给consumerGroup中的Consumer1分，但是现在突然消费组又加了个

consumer2，出现了重新分配 3个queue分给Consumer1 ，后面2个queue分给Consumer2。

这一系列变化的过程称为Rebalance

Rebalance机制的本意是为了提高消息的并行消费能力。

一个Topic下5个队列，在只有一个消费者的情况下，这个消费者将负责消费这5哥队列的消息。如果我们此时增加一个消费者，那么就可以给其中一个消费者分配两个队列，给另一个分配3个队列，从而提高消息并行消费能力。

Rebalance限制

由于一个队列最多分配给一个消费者，因此当某个消费者组下的消费者实例数量大于队列的数量时，多余的消费者实例将分配不到任何队列。

Rebalance产生的危害

Rebalance的在提升消费能力的同时，也带来一些问题：

消费暂停

在只有一个Consumer时，其负责消费所有的队列；再新增一个Consumer后，会触发Rebalance的发生。此时原Consumer就需要暂停部分队列的消费，等到这些队列分配给新的Consumer后，这些暂停消费的队列才能继续被消费。

消费重复

Consumer在消费新分配给自己的队列时，必须接着之前Consumer提交的消费进度的offset继续消费。然而默认消费下，offset是异步提交的，这个异步行导致提交到Broker的offset与Consumer实际消费的消息的不一致。这个不一致的插值就是可能重复消息的消息

 例如：异步消费过程中，在第500条突然插进来Consumer2，但是Consumer1已经把500后面的queue的100条进行消费，但是Consumer2插入的时机是500条，这时候出现Rebalance，会出现消息的重复消费

同步提交: consumes提交了其消费完毕的一批消息的 offset:给 roker后,需要等待 broker的成功
ACK。当收到ACK后，consumer才会继续获取并消费下一批消息。在等待ACK期间，consumer是阻塞的。
异步提交：consumer提交了其消费完毕的一批消息的offset给broker后，不需要等待broker的成功
ACK。consumer可以直接获取并消费下一批消息。

对于一次性读取消息的数量,需要根据具体业务场景选择一个相对均衡的是很有必要的。

• 因为数量过大，系统性能提升了，但产生重复消费的消息数量可能会增加
• 数量过小，系统性能会下降，但被重复消费的消息数量可能会减少。

消费突刺

由于Rebalance可能导致重复消费，如果需要重复消费的消息过多，或者因为Rebalance暂停时
间过长从而导致积压了部分消息。那么有可能会导致在Rebalance结束之后瞬间需要消费很多消息。

Rebalance产生的原因

导致Rebalance产生的原因，无非就两个：

• 消费者所订阅的Queue数量发生变化
• 消费者组中消费者的数量发生变化

•  Queue数量发生变化的场景：
  • Broker扩容或缩容
  • Broker升级运维
  • Broker与NameServer间的网络异常
  • Queue扩容或缩容
• 消费者数量发生变化的场景：
  • Consumer Group扩容或缩容
  • Consumer升级运维
  • Consumer-与 NameServer间肉络编醒

 Rebalance过程

在Broker中维护着多个Map集合，这些集合中动态存放着Topic中Queue的消息、Consumer Group中Consumer实例的信息。

一旦发现消费者所订阅的Queue数量发生变化 ，或消费者组中消费者数量发生变化，立即向Consumer Group中每个实例发出Rebalance通知。

TopicConfigManager：key是topic名称，value是TopicConfig，TopicConfig中维护着该Topic中所有Queue的数据
ConsumerManager：key是ConsumerGroupId，Value是ConsumerCroupInfo，Consumer GroupInfo中维护着该Group中所有Consumer示例数据。
ConsumerOffsetMagager：key位Topic与订阅该Topic的Group的组合，value是一个内层Map。内层Map的key为QueueId，内层Map的Value为该Queue的消费进度Offset

Consumer实例在接收到通知后会采用Queue分配算法自己获取到相应的Queue，即由Consumer实例自行进行Rebalance。

与Kafka对比

在Kafka中，一旦发现出现了Rebalance条件，Broker会调用Group Coordinator来完成Rebalance。Coordinator是Broker中的一个进程。Coordinator会在Consumer Group中选出一个Group Leader。

由这个Leader根据自己本身组情况完成Partition分区的再分配。这个再分配结果会上报给Coordinator,并由Coordinator同步给Group中的所有Consumer实例。

Kafka中的Rebalance是由Consumer Leader完成的。而RocketMQ中的Rebalance是由每个Consumer自身完成的，Group中不存在Leader。
 

Queue分配算法

一个Topic中的Queue只能由Consumer Group中的一个Consumer进行消费，

那么他们间的配对关系是如何关系，即Queue要分配给哪个Consumer进行消费？

也要有算法策略的。常见的有四种策略。这些策略是通过在创建Consumer是的构造器进行进去的。

平均分配策略

该算法是要根据avg=QueueCount / ConsumerCount的计算结果进行分配的。如果能够整除，则按顺序将avg哥Queue逐个分配Consumer；如果不能整除，则将多余的Queue按照Consumer顺序逐个分配。

该算法即，先计算好每个Consumer应该分得几个Queue，然后再依次将这些数量的Queue逐个分配Consumer.

环形平均策略

环形平均算法是指，根据消费者的顺序，依次在由queue队列组成的环星图中逐个分配。

该算法不用事先计算每个Consumer需要分配几个Queue，直接一个一个分即可。

一致性hash策略

该算法会将consumer的hash值作为Node节点存放到hash环上，然后将queue的hash值也放到hash环上，通过顺时针方向，距离queue最近的那个consumer就是该queue要分配的consumer

该算法存在问题：分配不均  A 2个 B 1个 C  3个  D 4个

同机房策略

该算法会根据Queue的部署机房和consumer的位置，过滤出当前consumer相同机房的queue。然后按照平均分配策略或者环形平均策略对同机房queue进行分配。如果没有同机房queue，则按照平均策略或者环形分配策略对所有queue进行分配。

对比

两种平均分配策略的分配效率骄较高，一致性hash策略的较低。

因为一致性hash算法较复杂。另外，一致性hash策略分配的结果也很大可能上存在不平均的情况。

平均分配策略可以看出 消费者所订阅的Queue数量发生变化 ，或消费者组中消费者数量发生变化很频繁，很容易发生reblance 。

一致性hash策略当出现缩容的情况下只影响当前消费者之前的queue

一致性hash算法存在的意义：
其可以有效减小由于消费者组扩容或缩容所带来的大量的Rebalance。

一致性hash算法的应用场景：Consumer数量变化比较频繁的场景。

至少一次原则

RocketMQ有一个原则：每条消息必须要被成功消费一次。

那么什么是成功消费？Consumer在消费完消息会向其消费进度记录器提供其消费消息的offset，offset被成功记录到纪录器中，那么这条消费就被成功消费了。

什么是消费进度记录器？

• 对于广播消费模式来说，Consumer本身就是消费进度记录器
• 对于集群消费模式来说，Broker是消费进度记录器

订阅关系的一致性

订阅关系的一致性指的是，同一个消费者组（GroupID相同）下所有Consumer实例所订阅的Topic与Tag及对消息的处理逻辑必须完全一致。否则，消息消费的逻辑就会混乱，甚至导致消息丢失。

正确订阅关系

多个消费者组订阅了多个Topic，并且每个消费者组里的多个消费者实例的订阅关系保持一致。

错误的订阅关系

一个消费者组订阅了多个Topic，但是该消费者组里的多个Consumer实例的订阅关系并没有保持一致。

订阅了不同Topic

该例中的错误在于，同一个消费者组中的两个Consumer实例订阅了不同的Topic。
Consumer实例1-1： 订阅了topic为jodie_test_A, tag为所有的消息

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_1");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_A", "*", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});

 Consumer实例1-2： 订阅了topic为jodie_test_B, tag为所有的消息

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_1");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_B", "*", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});

 订阅了不同Tag

该例中的错误在于，同一个消费者组中的两个Consumer实例订阅了相同Topic不同的Tag。

Consumer实例2-1： 订阅了topic为jodie_test_A, tag为TagA的消息

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_2");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_A", "TagA", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});

 Consumer实例2-1： 订阅了topic为jodie_test_A, tag为所有的消息 

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_2");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_A", "*", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});

订阅了不同数量的Topic

该例中的错误在于，同一个消费者组中的两个Consumer订阅了不同数量的Topic。
Consumer实例3-1：该Consumer订阅了两个Topic

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_3");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_A", "TagA", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});
consumer.subscribe("jodie_test_B", "TagB", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});

 Consumer实例3-2：该Consumer订阅了1个Topic

Properties properties = new Properties();
properties.put(PropertyKeyConst.GROUP_ID, "GID_jodie_test_3");
Consumer consumer = ONSFactory.createConsumer(properties);
consumer.subscribe("jodie_test_A", "TagA", new MessageListener() {
    public Action consume (Message message, ConsumeContext context){
        System. out. printIn(message. getMsgID));
        return Action. CommitMessage;
}
});