文章目录
1、RabbitMQ
1.1 RabbitMQ-如何保证消息不丢失
- 开启
生产者确认机制，确保生产者的消息能到达队列 - 开启
持久化功能，确保消息未消费前在队列中不会丢失 - 开启
消费者确认机制为auto，由spring确认消息处理成功后完成ack - 开启
消费者失败重试机制，多次重试失败后将消息投递到异常交换机，交由人工处理
首先需要知道消息会在什么地方会丢失
消息从生产者发送到消费者消费的整个流程都可能丢失消息
生产者确认机制（生产者阶段）
RabbitMQ提供了publisher confirm机制来避免消息发送到MQ过程中丢失。消息发送到MQ以后，会返回一个结果给发送者，表示消息是否处理成功
消息失败之后如何处理呢？
回调方法即时重发记录日志- 保存到数据库然后
定时重发，成功发送后即刻删除表中的数据
消息持久化（mq阶段）
MQ默认是内存存储消息，开启持久化功能可以确保缓存在MQ中的消息不丢失。
在配置 MQ的时候，对交换机、队列可以设置持久化
消费者确认
RabbitMQ支持消费者确认机制，即：消费者处理消息后可以向MQ发送ack回执，MQ收到ack回执后才会删除该消息。而SpringAMQP则允许配置三种确认模式：
manual：手动ack，需要在业务代码结束后，调用api发送ack。auto：自动ack，由spring监测listener代码是否出现异常，没有异常则返回ack；抛出异常则返回nacknone：关闭ack，MQ假定消费者获取消息后会成功处理，因此消息投递后立即被删除
我们可以利用Spring的retry机制，在消费者出现异常时利用本地重试，设置重试次数，当次数达到了以后，如果消息依然失败，将消息投递到异常交换机，交由人工处理
1.2 RabbitMQ消息的重复消费问题如何解决的
首先要知道为什么会重复消费？
如果在消费者消费完消息之后要给mq发送ack确认消息的时候，突然因为网络抖动，或者消费者宕机了，使得消息没有被确认消费，就不会再mq中剔除，造成别的消费者也能拿到消息然后消费
解决办法有两种：
-
每条消息设置一个唯一的标识id（效率高）
每次消费者消费的时候，都要检查数据库里面是否已经有了这个数据（根据唯一标识id），有代表消费过了，就不让消费 -
幂等方案：【 redis分布式锁、数据库锁（悲观锁、乐观锁） 】（枷锁效率不高）
1.3 RabbitMQ中死信交换机 ? (RabbitMQ延迟队列有了解过嘛)
延迟队列：进入队列的消息会被延迟消费的队列
场景：超时订单、限时优惠、定时发布
延迟队列就是由死信交换机+TTL（生存时间）组成的
死信交换机
当一个队列中的消息满足下列情况之一时，可以成为死信（dead letter）：
- 消费者使用basic.reject或 basic.nack声明消费失败，并且消息的requeue参数设置为false
- 消息是一个过期消息，超时无人消费
- 要投递的队列消息堆积满了，最早的消息可能成为死信
如果该队列配置了dead-letter-exchange属性，指定了一个交换机，那么队列中的死信就会投递到这个交换机中，而这个交换机称为死信交换机（Dead Letter Exchange，简称DLX）。
TTL
TTL，也就是Time-To-Live。如果一个队列中的消息TTL结束仍未消费，则会变为死信，ttl超时分为两种情况：
- 消息所在的队列设置了存活时间
- 消息本身设置了存活时间
延迟队列插件
DelayExchange的本质还是官方的三种交换机，只是添加了延迟功能。因此使用时只需要声明一个交换机，交换机的类型可以是任意类型，然后设定delayed属性为true即可。
1.4 RabbitMQ如果有100万消息堆积在MQ , 如何解决(消息堆积怎么解决)
解决消息堆积有三种种思路：
增加更多消费者，提高消费速度- 在
消费者内开启线程池加快消息处理速度 扩大队列容积，提高堆积上限，采用惰性队列
在声明队列的时候可以设置属性x-queue-mode为lazy，即为
惰性队列 基于磁盘存储，消息上限高
性能比较稳定，但基于磁盘存储，受限于磁盘IO，时效性会降低
为什么会出现消息堆积，无非就是消费速度赶上不消费速度
就会导致队列中的消息堆积，直到队列存储消息达到上限。之后发送的消息就会成为死信，可能会被丢弃
惰性队列
惰性队列的特征如下：
- 接收到消息后直接
存入磁盘而非内存 - 消费者要消费消息时才会
从磁盘中读取并加载到内存 - 支持数
百万条的消息存储
1.5 RabbitMQ的高可用机制有了解过嘛
高可用无非就是做集群，一个节点宕机了，别的节点还能使用，使得数据不被丢失
普通集群(不推荐）
- 会在集群的各个节点间共享部分数据，包括：交换机、队列元信息。不包含队列中的消息。
- 当访问集群某节点时，如果队列不在该节点，会从数据所在节点传递到当前节点并返回
- 队列所在节点宕机，队列中的消息就会丢失
镜像集群（也会造成数据丢失）
镜像集群：本质是主从模式，具备下面的特征：
- 交换机、队列、队列中的消息会在各个mq的镜像节点之间同步备份。
- 创建队列的节点被称为该队列的主节点，备份到的其它节点叫做该队列的镜像节点。
- 一个队列的主节点可能是另一个队列的镜像节点
- 所有操作都是主节点完成，然后同步给镜像节点
- 主宕机后，镜像节点会替代成新的主
若主节点还没给镜像节点同步就宕机了，还是会造成数据丢失
仲裁队列
仲裁队列：仲裁队列是3.8版本以后才有的新功能，用来替代镜像队列，具备下列特征：
- 与镜像队列一样，都是主从模式，支持主从数据同步
- 使用非常简单，没有复杂的配置
- 主从同步基于Raft协议，强一致
2、Kafka
2.1 Kafka是如何保证消息不丢失
需要从三个层面去解决这个问题：
- 生产者发送消息到Brocker丢失
设置异步发送，发送失败使用回调进行记录或重发
失败重试，参数配置，可以设置重试次数
- 消息在Brocker中存储丢失
发送确认acks，选择all，让所有的副本都参与保存数据后确认
- 消费者从Brocker接收消息丢失
关闭自动提交偏移量，开启手动提交偏移量
提交方式，最好是同步+异步提交
首先得知道消息在传递过程中经历过哪些阶段：
所以在生产者、kafka的Brocker、消费者都会出现消息丢失现象
生产者发送消息到Brocker丢失
解决办法：1、异步发送，发送失败记录日志。2、开启失败重试
消息在Brocker中存储丢失
解决办法就是，Brocker收到消息之后，给生产者发送一个ack确认，告诉生产者消息接收到了，至于这个消息是leader发还是leader和follower一起发取决于ack的参数值
像acks=all 就需要所有的追随者（follower）都同步消息了才会给生产者发送ack确认，效率就很慢，一般设置ack=1，由leader发送确认消息就行了
消费者从Brocker接收消息丢失
消费者消费消息是根据分区中的偏移量来按位消费的
消费者默认是自动按期
提交已经消费的偏移量，默认是每隔5s提交一次
如果出现重平衡的情况，可能会重复消费或丢失数据
正常消费：
重平衡： 会导致消息丢失或者消息重读
消息重读
若此刻consumer2消费消息之后，还没有将偏移量更新同步到分区当中，突然宕机了，此刻consumer1会继承consumer2的分区继续跟着原来的偏移量消费，此刻就会造成重复消费。
消息丢失
也就是提交偏移量和实际消费的消息有偏差，本来要消费3个，结果只消费了1个，然后偏移量也提交到了3，然后突然宕机了，这个时候别的消费者继承分区之后，会从3之后开始消费，这时候2,3位置的消息就丢失了
解决办法就是把自动设置偏移量设置为手动
禁用自动提交偏移量，改为手动
同步提交
异步提交
同步+异步组合提交
幂等方案（根据全局唯一id来判断重复提交，或者加分布式锁）
例如：
2.2 Kafka中消息的重复消费问题如何解决的
参考2.1重平衡，消息重读
- 关闭自动提交偏移量，开启手动提交偏移量
- 提交方式，最好是同步+异步提交
- 幂等方案
2.3 Kafka是如何保证消费的顺序性
问题原因：
一个topic的数据可能存储在不同的分区中，每个分区都有一个按照顺序的存储的偏移量，如果消费者关联了多个分区不能保证顺序性
解决方案：
topic分区中消息只能由消费者组中的唯一一个消费者处理，所以消息肯定是按照先后顺序进行处理的。但是它也仅仅是保证Topic的一个分区顺序处理，不能保证跨分区的消息先后处理顺序。 所以，如果你想要顺序的处理Topic的所有消息，那就只提供一个分区。
发送消息时指定分区号
（主要）发送消息时按照相同的业务设置相同的key
首先得知道kafka默认是不确保消费的顺序性的，因为一个消费者可能负责几个分区，而消费者又是根据偏移量来消费的，不同分区的偏移量自然是不同的
假设用户先充值，再转账，那么必须先充值，才能去转账，这样就要保证消费的顺序性
转账和充值消息在不同分区
转账和充值消息在同一分区
这样就能保证转账操作一定是在充值动作的后面执行，也就保证了消费的顺序性
可以直接指定分区，或者根据key的hashCode来计算分区位置保证需要顺序消费的信息在同一分区
2.4 Kafka的高可用机制有了解过嘛
集群：
一个kafka集群由多个broker实例组成，即使某一台宕机，也不耽误其他broker继续对外提供服务
复制机制：
一个topic有多个分区，每个分区有多个副本，有一个leader，其余的是follower，副本存储在不同的broker中所有的分区副本的内容是都是相同的，如果leader发生故障时，会自动将其中一个follower提升为leader，保证了系统的容错性、高可用性
集群模式
- Kafka 的服务器端由被称为 Broker 的服务进程构成，即
一个 Kafka 集群由多个 Broker 组成- 这样如果集群中某
一台机器宕机，其他机器上的Broker也依然能够对外提供服务。这其实就是 Kafka 提供高可用的手段之一
分区备份机制
主负责读写，从只负责当做副本，在主宕机了就上去当主
- 一个topic有多个分区，每个分区有多个副本，其中有一个leader，其余的是follower，副本存储在不同的broker中
- 所有的分区副本的内容是都是相同的，如果leader发生故障时，会自动将其中一个follower提升为leader
其实里面的follower从节点也分为两种，一种ISR节点（同步复制），一种普通副本节点（异步复制）
参考本文 2.6
2.5 解释一下复制机制中的ISR
ISR（in-sync replica）需要同步复制保存的follower
如果leader失效后，需要选出新的leader，选举的原则如下：
- 第一：选举时优先从ISR中选定，因为这个列表中follower的数据是与leader同步的
- 第二：如果ISR列表中的follower都不行了，就只能从其他follower中选取
所以ISR类型的节点设置也需要根据实际设置，太多影响效率，太少当主节点宕机可能会出现不够用，
ISR-follower和主节点复制是同步的，数据完整性强，普通follower是异步复制完成的，数据的完整性肯定不如ISR-follower，若都设置为ISR节点，虽然数据完整性强，同步必然导致阻塞，所以只有在ISR节点不够用的情况下，才会去考虑拿普通的节点来充当为主节点
2.6 Kafka数据清理机制了解过嘛
Kafka存储结构
- Kafka中topic的数据存储在分区上，分区如果文件过大会分段存储segment
- 每个分段都在磁盘上以索引(xxxx.index)和日志文件(xxxx.log)的形式存储
- 分段的好处是，第一能够减少单个文件内容的大小，查找数据方便，第二方便kafka进行日志清理。
日志的清理策略有两个：
- 根据消息的保留时间，当消息保存的时间超过了指定的时间，就会触发清理，默认是168小时（ 7天）
- 根据topic存储的数据大小，当topic所占的日志文件大小大于一定的阈值（默认1G），则开始删除最久的消息。（默认关闭）
首先得知道kafka的数据存储结构：
为什么分段：
删除无用文件方便，提高磁盘利用率
查找数据便捷
文件的命令基本上都是按照偏移量来命名的，查找方便
数据清理机制
- List item
2.7 Kafka中实现高性能的设计有了解过嘛
-
消息分区：不受单台服务器的限制，可以不受限的处理更多的数据
-
顺序读写：磁盘顺序读写，提升读写效率
-
页缓存：把磁盘中的数据缓存到内存中，把对磁盘的访问变为对内存的访问（访问内存自然比直接访问磁盘快）
-
零拷贝：减少上下文切换及数据拷贝
-
消息压缩：减少磁盘IO和网络IO
-
分批发送：将消息打包批量发送，减少网络开销
顺序读写：磁盘顺序读写，提升读写效率
零拷贝：减少上下文切换及数据拷贝（关键）
一般的消费者去消费的过程包含4次拷贝（因为消费者和生产者一般不处于一个服务器，需要由网卡转发给别的服务器的消费者）
零拷贝就省略了从页缓存取出数据，由kafka交给网卡转发给消费者，而是直接由页缓存把数据交给网卡，再转交给消费者
既减少了用户态和内核态的切换（上下文切换）也减少了IO拷贝带来的开销
更新中
参考来自黑马程序员
4907
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
