RocketMQ 工作原理

消息的生产

消息的生产过程

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

• 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 的路由表及 Broker 列表
  • 路由表：实际是一个 Map，key 为 Topic 名称，value 是一个 QueueData 实例列表。QueueData 并不是一个 Queue 对应一个 QueueData，而是一个 Broker 中该 Topic 的所有 Queue 对应一个 QueueData。即，只要涉及到该 Topic 的 Broker，一个 Broker 对应一个 QueueData。QueueData 中包含 brokerName。简单来说，路由表的 key 为 Topic 名称，value 则为所有涉及该 Topic 的 BrokerName 列表。
  • Broker 列表：其实际也是一个 Map。key 为 brokerName，value 为 BrokerData。一个 Broker 对应一个 BrokerData 实例，对吗？不对。一套 brokerName 名称相同的 Master-Slave 小集群对应一个 BrokerData。BrokerData 中包含 brokerName 及一个 map。该 map 的 key 为 brokerId，value 为该 broker 对应的地址。brokerId 为 0 表示该 broker 为 Master，非 0 表示 Slave。
• 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
• Produer 对消息做一些特殊处理，例如，消息本身超过 4M，则会对其进行压缩
• Producer 向选择出的 Queue 所在的 Broker 发出 RPC 请求，将消息发送到选择出的 Queue

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：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，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：消息在 Queue 上的分配不均匀。投递延迟小的 Queue 其可能会存在大量的消息。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。

消息的存储

RocketMQ 中的消息存储在本地文件系统中，这些相关文件默认在当前用户主目录下的 store 目录中。

• 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 的情况下，发现这个文件是存在的，则说明之前 Broker 的关闭是非正常关闭。
• checkpoint：其中存储着 commitlog、consumequeue、index 文件的最后刷盘时间戳
• commitlog：其中存放着 commitlog 文件，而消息是写在 commitlog 文件中的
• con?g：存放着 Broker 运行期间的一些配置数据
• consumequeue：其中存放着 consumequeue 文件，队列就存放在这个目录中
• 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

在很多资料中 commitlog 目录中的文件简单就称为 commitlog 文件。但在源码中，该文件被命名为 mappedFile。

目录与文件

commitlog 目录中存放着很多的 mappedFile 文件，当前 Broker 中的所有消息都是落盘到这些 mappedFile 文件中的。mappedFile 文件大小为 1G（小于等于 1G），文件名由 20 位十进制数构成，表示当前文件的第一条消息的起始位移偏移量。

第一个文件名一定是 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），则第二个文件名就是 00000000001073741824。以此类推，第 n 个文件名应该是前 n-1 个文件大小之和。一个 Broker 中所有 mappedFile 文件的 commitlog offset 是连续的

需要注意的是，一个 Broker 中仅包含一个 commitlog 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了 mappedFile 文件中的。也就是说，这些消息在 Broker 中存放时并没有被按照 Topic 进行分类存放。

mappedFile 文件是顺序读写的文件，所有其访问效率很高。无论是 SSD 磁盘还是 SATA 磁盘，通常情况下，顺序存取效率都会高于随机存取。

消息单元

mappedFile 文件内容由一个个的消息单元构成。每个消息单元中包含消息总长度 MsgLen、消息的物理位置 physicalOffset、消息体内容 Body、消息体长度 BodyLength、消息主题 Topic、Topic 长度 TopicLength、消息生产者 BornHost、消息发送时间戳 BornTimestamp、消息所在的队列 QueueId、消息在 Queue 中存储的偏移量 QueueOffset 等近 20 余项消息相关属性。

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 m+1 个消息单元的 commitlog offset 偏移量

$L(m+1)=L(m)+MsgLen(m)(m>=0)$

consumequeue

目录与文件

为了提高效率，会为每个 Topic 在～/store/consumequeue 中创建一个目录，目录名为 Topic 名称。在该 Topic 目录下，会再为每个该 Topic 的 Queue 建立一个目录，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 consumequeue 定位到具体的消息。

consumequeue 文件名也由 20 位数字构成，表示当前文件的第一个索引条目的起始位移偏移量。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 CommitLog Offset、消息长度、消息 Tag 的 hashcode 值。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。但每条消息的 Tag 可能是不同的。

对文件的读写

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。

• Broker 根据 queueId，获取到该消息对应索引条目要在 consumequeue 目录中的写入偏移量，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 Consumer 来拉取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，计算出其要消费消息的消息 offset
  • 消费 offset 即消费进度，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 发送拉取请求，其中会包含其要拉取消息的 Queue、消息 offset 及消息 Tag。
• Broker 计算在该 consumequeue 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 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大大提升了性能。

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 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。

• 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 PageCache。
  • 写操作：OS 会先将数据写入到 PageCache 中，随后会以异步方式由 pd?ush（page dirty ?ush) 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。

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 IO 调度算法，比如设置调度算法为 Deadline（采用 SSD 固态硬盘的话），随机读的性能也会有所提升。

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 中会包含一组 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 文件由三部分构成：indexHeader，slots 槽位，indexes 索引数据。每个 ndexFile 文件中包含 500w 个 slot 槽。而每个 slot 槽又可能会挂载很多的 index 索引单元。

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 中包含的索引单元个数（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）

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，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。

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。

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，即查询指定时间戳之前存储的最新消息。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 slot 槽位序号：slot 槽位序号 = key 的 hash % 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

  40 为 indexFile 中 indexHeader 的字节数，500w * 4 是所有 slots 所占的字节数

消息的消费

消费者从 Broker 中获取消息的方式有两种：pull 拉取方式和 push 推动方式。消费者组对于消息消费的模式又分为两种：集群消费 Clustering 和广播消费 Broadcasting。

获取消费类型

• 拉取式消费：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。
• 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 去 Queue 中拉取消息。而这些都是基于 Consumer 与 Broker 间的长连接的。长连接的维护是需要消耗系统资源的。

两者对比：

• 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取
• push：封装了对关联 Queue 的遍历，实时性强，但会占用较多的系统资源

消费模式

广播消费

广播消费模式下，相同 Consumer Group 的每个 Consumer 实例都接收同一个 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。

消息进度保存

• 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 都会消费所有消息，但它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，同一条消息只会被消费一次。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。下图是 broker 中存放的各个 Topic 的各个 Queue 的消费进度。

Rebalance 机制

Rebalance 机制讨论的前提是：集群消费。Rebalance 即再均衡，指的是，将⼀个 Topic 下的多个 Queue 在同⼀个 Consumer Group 中的多个 Consumer 间进行重新分配的过程。

Rebalance 机制的本意是为了提升消息的并行消费能力。例如，⼀个 Topic 下 5 个队列，在只有 1 个消费者的情况下，这个消费者将负责消费这 5 个队列的消息。如果此时我们增加⼀个消费者，那么就可以给其中⼀个消费者分配 2 个队列，给另⼀个分配 3 个队列，从而提升消息的并行消费能力。

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 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，其负责消费所有队列；在新增了一个 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。然而默认情况下，offset 是异步提交的，这个异步性导致提交到 Broker 的 offset 与 Consumer 实际消费的消息并不一致。这个不一致的差值就是可能会重复消费的消息。

  同步提交：consumer 提交了其消费完毕的一批消息的 offset 给 broker 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 Topic 的 Queue 数量发生变化，或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 间网络异常

Rebalance 过程

在 Broker 中维护着多个 Map 集合，这些集合中动态存放着当前 Topic 中 Queue 的信息、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的数量发生变化，立即向 Consumer Group 中的每个实例发出 Rebalance 通知。

• TopicConfigManager：key 是 topic 名称，value 是 TopicCon?g。TopicCon?g 中维护着该 Topic 中所有 Queue 的数据。
• ConsumerManager：key 是 Consumser Group Id，value 是 ConsumerGroupInfo。ConsumerGroupInfo 中维护着该 Group 中所有 Consumer 实例数据。
• ConsumerOffsetManager：key 为 Topic 与订阅该 Topic 的 Group 的组合，即 topic@group，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 实例自主进行 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，而一个 Consumer 可以同时消费多个 Queue 中的消息。那么 Queue 与 Consumer 间的配对关系是如何确定的，即 Queue 要分配给哪个 Consumer 进行消费，也是有算法策略的。常见的有四种策略。这些策略是通过在创建 Consumer 时的构造器传进去的。

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 个 Queue 逐个分配 Consumer；如果不能整除，则将多余出的 Queue 按照 Consumer 顺序逐个分配。

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 逐个分配个 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 队列组成的环形图中逐个分配。

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。

该算法存在的问题：分配不均。

同机房策略

该算法会根据 queue 的部署机房位置和 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，则按照平均分配策略或环形平均策略对所有 queue 进行分配。

对比

一致性 hash 算法存在的问题：两种平均分配策略的分配效率较高，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。

一致性 hash 算法存在的意义：其可以有效减少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呢？Consumer 在消费完消息后会向其消费进度记录器提交其消费消息的 offset，offset 被成功记录到记录器中，那么这条消费就被成功消费了。

• 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（Group ID 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了一致。

错误订阅关系

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.println(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.println(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 订阅了相同 Topic 的不同 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.println(message.getMsgID());
      return Action.CommitMessage;
	}
});

Consumer 实例 2-2：（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.println(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.println(message.getMsgID());
      return Action.CommitMessage;
	}
});
consumer.subscribe("jodie_test_B", "TagB", new MessageListener() {
public Action consume(Message message, ConsumeContext context) {
      System.out.println(message.getMsgID());
      return Action.CommitMessage;
	}
});

Consumer 实例 3-2：（该 Consumer 订阅了一个 Topic）

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

offset 管理

消费进度 offset 是用来记录每个 Queue 的不同消费组的消费进度的。根据消费进度记录器的不同，可以分为两种模式：本地模式和远程模式。

offset 本地管理模式

当消费模式为广播消费时，offset 使用本地模式存储。因为每条消息会被所有的消费者消费，每个消费者管理自己的消费进度，各个消费者之间不存在消费进度的交集。

Consumer 在广播消费模式下 offset 相关数据以 json 的形式持久化到 Consumer 本地磁盘文件中，默认文件路径为当前用户主目录下的 .rocketmq_offsets/${clientId}/${group}/Offsets.json 。其中 ${clientId} 为当前消费者 id，默认为 ip@DEFAULT ； ${group} 为消费者组名称。

offset 远程管理模式

当消费模式为集群消费时，offset 使用远程模式管理。因为所有 Cosnumer 实例对消息采用的是均衡消费，所有 Consumer 共享 Queue 的消费进度。

Consumer 在集群消费模式下 offset 相关数据以 json 的形式持久化到 Broker 磁盘文件中，文件路径为当前用户主目录下的 store/config/consumerOffset.json 。

Broker 启动时会加载这个文件，并写入到一个双层 Map（ConsumerOffsetManager）。外层 map 的 key 为 topic@group，value 为内层 map。内层 map 的 key 为 queueId，value 为 offset。当发生 Rebalance 时，新的 Consumer 会从该 Map 中获取到相应的数据来继续消费。

集群模式下 offset 采用远程管理模式，主要是为了保证 Rebalance 机制。

offset 用途

消费者是如何从最开始持续消费消息的？

消费者要消费的第一条消息的起始位置是用户自己通过 consumer.setConsumeFromWhere() 方法指定的。

在 Consumer 启动后，其要消费的第一条消息的起始位置常用的有三种，这三种位置可以通过枚举类型常量设置。这个枚举类型为 ConsumeFromWhere。

• CONSUME_FROM_LAST_OFFSET：从 queue 的当前最后一条消息开始消费
• CONSUME_FROM_FIRST_OFFSET：从 queue 的第一条消息开始消费
• CONSUME_FROM_TIMESTAMP：从指定的具体时间戳位置的消息开始消费。这个具体时间戳是通过另外一个语句指定的 。 consumer.setConsumeTimestamp(“20210701080000”) yyyyMMddHHmmss

当消费完一批消息后，Consumer 会提交其消费进度 offset 给 Broker，Broker 在收到消费进度后会将其更新到那个双层 Map（ConsumerOffsetManager）及 consumerOffset.json 文件中，然后向该 Consumer 进行 ACK，而 ACK 内容中包含三项数据：

• 当前消费队列的最小 offset（minOffset）
• 最大 offset（maxOffset）
• 及下次消费的起始 offset（nextBeginOffset）

重试队列

当 rocketMQ 对消息的消费出现异常时，会将发生异常的消息的 offset 提交到 Broker 中的重试队列。系统在发生消息消费异常时会为当前的 topic@group 创建一个重试队列，该队列以 %RETRY% 开头，到达重试时间后进行消费重试。

offset 的同步提交与异步提交

集群消费模式下，Consumer 消费完消息后会向 Broker 提交消费进度 offset，其提交方式分为两种：

• 同步提交：消费者在消费完一批消息后会向 broker 提交这些消息的 offset，然后等待 broker 的成功响应。若在等待超时之前收到了成功响应，则继续读取下一批消息进行消费（从 ACK 中获取 nextBeginOffset）。若没有收到响应，则会重新提交，直到获取到响应。而在这个等待过程中，消费者是阻塞的。其严重影响了消费者的吞吐量。
• 异步提交：消费者在消费完一批消息后向 broker 提交 offset，但无需等待 Broker 的成功响应，可以继续读取并消费下一批消息。这种方式增加了消费者的吞吐量。但需要注意，broker 在收到提交的 offset 后，还是会向消费者进行响应的。可能还没有收到 ACK，此时 Consumer 会从 Broker 中直接获取 nextBeginOffset。

幂等性

当出现消费者对某条消息重复消费的情况时，重复消费的结果与消费一次的结果是相同的，并且多次消费并未对业务系统产生任何负面影响，那么这个消费过程就是消费幂等的。

幂等：若某操作执行多次与执行一次对系统产生的影响是相同的，则称该操作是幂等的。

在互联网应用中，尤其在网络不稳定的情况下，消息很有可能会出现重复发送或重复消费。如果重复的消息可能会影响业务处理，那么就应该对消息做幂等处理。

消息重复的场景分析

什么情况下可能会出现消息被重复消费呢？最常见的有以下三种情况：

发送时消息重复

当一条消息已被成功发送到 Broker 并完成持久化，此时出现了网络闪断，从而导致 Broker 对 Producer 应答失败。 如果此时 Producer 意识到消息发送失败并尝试再次发送消息，此时 Broker 中就可能会出现两条内容相同并且 Message ID 也相同的消息，那么后续 Consumer 就一定会消费两次该消息。

消费时消息重复

消息已投递到 Consumer 并完成业务处理，当 Consumer 给 Broker 反馈应答时网络闪断，Broker 没有接收到消费成功响应。为了保证消息至少被消费一次的原则，Broker 将在网络恢复后再次尝试投递之前已被处理过的消息。此时消费者就会收到与之前处理过的内容相同、Message ID 也相同的消息。

Rebalance 时消息重复

当 Consumer Group 中的 Consumer 数量发生变化时，或其订阅的 Topic 的 Queue 数量发生变化时，会触发 Rebalance，此时 Consumer 可能会收到曾经被消费过的消息。

通用解决方案

幂等解决方案的设计中涉及到两项要素：幂等令牌，与唯一性处理。只要充分利用好这两要素，就可以设计出好的幂等解决方案。

• 幂等令牌：是生产者和消费者两者中的既定协议，通常指具备唯⼀业务标识的字符串。例如，订单号、流水号。一般由 Producer 随着消息一同发送来的。
• 唯一性处理：服务端通过采用⼀定的算法策略，保证同⼀个业务逻辑不会被重复执行成功多次。例如，对同一笔订单的多次支付操作，只会成功一次。

对于常见的系统，幂等性操作的通用性解决方案是：

1. 首先通过缓存去重。在缓存中如果已经存在了某幂等令牌，则说明本次操作是重复性操作；若缓存没有命中，则进入下一步。
2. 在唯一性处理之前，先在数据库中查询幂等令牌作为索引的数据是否存在。若存在，则说明本次操作为重复性操作；若不存在，则进入下一步。
3. 在同一事务中完成三项操作：唯一性处理后，将幂等令牌写入到缓存，并将幂等令牌作为唯一索引的数据写入到 DB 中。

第 1 步已经判断过是否是重复性操作了，为什么第 2 步还要再次判断？能够进入第 2 步，说明已经不是重复操作了，第 2 次判断是否重复？

当然不重复。一般缓存中的数据是具有有效期的。缓存中数据的有效期一旦过期，就是发生缓存穿透，使请求直接就到达了 DBMS。

以支付场景为例：

1. 当支付请求到达后，首先在 Redis 缓存中却获取 key 为支付流水号的缓存 value。若 value 不空，则说明本次支付是重复操作，业务系统直接返回调用侧重复支付标识；若 value 为空，则进入下一步操作
2. 到 DBMS 中根据支付流水号查询是否存在相应实例。若存在，则说明本次支付是重复操作，业务系统直接返回调用侧重复支付标识；若不存在，则说明本次操作是首次操作，进入下一步完成唯一性处理
3. 在分布式事务中完成三项操作：
   • 完成支付任务
   • 将当前支付流水号作为 key，任意字符串作为 value，通过 set (key, value, expireTime) 将数据写入到 Redis 缓存
   • 将当前支付流水号作为主键，与其它相关数据共同写入到 DBMS

消费幂等的实现

消费幂等的解决方案很简单：为消息指定不会重复的唯一标识。因为 Message ID 有可能出现重复的情况，所以真正安全的幂等处理，不建议以 Message ID 作为处理依据。最好的方式是以业务唯一标识作为幂等处理的关键依据，而业务的唯一标识可以通过消息 Key 设置。

以支付场景为例，可以将消息的 Key 设置为订单号，作为幂等处理的依据。具体代码示例如下：

Message message = new Message();
message.setKey("ORDERID_100");
SendResult sendResult = producer.send(message);

消费者收到消息时可以根据消息的 Key 即订单号来实现消费幂等：

consumer.registerMessageListener(new MessageListenerConcurrently() {
    @Override
    public ConsumeConcurrentlyStatus consumeMessage(List<MessageExt>
            msgs,
            ConsumeConcurrentlyContext
            context) {
        for (MessageExt msg : msgs) {
            String key = msg.getKeys();
            // 根据业务唯一标识Key做幂等处理
            // ……
        }
        return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;
    }
});

RocketMQ 能够保证消息不丢失，但不能保证消息不重复。

消息堆积与消费延迟

消息处理流程中，如果 Consumer 的消费速度跟不上 Producer 的发送速度，MQ 中未处理的消息会越来越多（进的多出的少），这部分消息就被称为堆积消息。消息出现堆积进而会造成消息的消费延迟。以下场景需要重点关注消息堆积和消费延迟问题：

• 业务系统上下游能力不匹配造成的持续堆积，且无法自行恢复。
• 业务系统对消息的消费实时性要求较高，即使是短暂的堆积造成的消费延迟也无法接受。

产生原因分析

Consumer 使用长轮询 Pull 模式消费消息时，分为以下两个阶段：

• 消息拉取：Consumer 通过长轮询 Pull 模式批量拉取的方式从服务端获取消息，将拉取到的消息缓存到本地缓冲队列中。对于拉取式消费，在内网环境下会有很高的吞吐量，所以这一阶段一般不会成为消息堆积的瓶颈。
• 消息消费：Consumer 将本地缓存的消息提交到消费线程中，使用业务消费逻辑对消息进行处理，处理完毕后获取到一个结果。这是真正的消息消费过程。此时 Consumer 的消费能力就完全依赖于消息的消费耗时和消费并发度了。如果由于业务处理逻辑复杂等原因，导致处理单条消息的耗时较长，则整体的消息吞吐量肯定不会高，此时就会导致 Consumer 本地缓冲队列达到上限，停止从服务端拉取消息。

消息堆积的主要瓶颈在于客户端的消费能力，而消费能力由消费耗时和消费并发度决定。注意，消费耗时的优先级要高于消费并发度。即在保证了消费耗时的合理性前提下，再考虑消费并发度问题。

消费耗时

影响消息处理时长的主要因素是代码逻辑。而代码逻辑中可能会影响处理时长代码主要有两种类型：CPU 内部计算型代码和外部 I/O 操作型代码。

通常情况下代码中如果没有复杂的递归和循环的话，内部计算耗时相对外部 I/O 操作来说几乎可以忽略。所以外部 IO 型代码是影响消息处理时长的主要症结所在。

外部 IO 操作型代码举例：

• 读写外部数据库，例如对远程 MySQL 的访问
• 读写外部缓存系统，例如对远程 Redis 的访问
• 下游系统调用，例如 Dubbo 的 RPC 远程调用，Spring Cloud 的对下游系统的 Http 接口调用

关于下游系统调用逻辑需要进行提前梳理，掌握每个调用操作预期的耗时，这样做是为了能够判断消费逻辑中 IO 操作的耗时是否合理。通常消息堆积是由于下游系统出现了服务异常或达到了 DBMS 容量限制，导致消费耗时增加。

消费并发度

一般情况下，消费者端的消费并发度由单节点线程数和节点数量共同决定，其值为单节点线程数 * 节点数量。不过，通常需要优先调整单节点的线程数，若单机硬件资源达到了上限，则需要通过横向扩展来提高消费并发度。

• 单节点线程数：即单个 Consumer 所包含的线程数量
• 节点数量：即 Consumer Group 所包含的 Consumer 数量

对于普通消息、延时消息及事务消息，并发度计算都是单节点线程数 * 节点数量。但对于顺序消息则是不同的。顺序消息的消费并发度等于 Topic 的 Queue 分区数量。

• 全局顺序消息：该类型消息的 Topic 只有一个 Queue 分区。其可以保证该 Topic 的所有消息被顺序消费。为了保证这个全局顺序性，Consumer Group 中在同一时刻只能有一个 Consumer 的一个线程进行消费。所以其并发度为 1。
• 分区顺序消息：该类型消息的 Topic 有多个 Queue 分区。其仅可以保证该 Topic 的每个 Queue 分区中的消息被顺序消费，不能保证整个 Topic 中消息的顺序消费。为了保证这个分区顺序性，每个 Queue 分区中的消息在 Consumer Group 中的同一时刻只能有一个 Consumer 的一个线程进行消费。即，在同一时刻最多会出现多个 Queue 分区有多个 Consumer 的多个线程并行消费。所以其并发度为 Topic 的分区数量。

对于一台主机中线程池中线程数的设置需要谨慎，不能盲目直接调大线程数，设置过大的线程数反而会带来大量的线程切换的开销。理想环境下单节点的最优线程数计算模型为：$C\ast （T1+T2）/T1。$

• C：CPU 内核数
• T1：CPU 内部逻辑计算耗时
• T2：外部 IO 操作耗时

$\text{最优线程数}=C\ast （T1+T2）/T1=C\ast T1/T1+C\ast T2/T1=C+C\ast T2/T1$

如何避免

为了避免在业务使用时出现非预期的消息堆积和消费延迟问题，需要在前期设计阶段对整个业务逻辑进行完善的排查和梳理。其中最重要的就是梳理消息的消费耗时和设置消息消费的并发度。

梳理消息的消费耗时

通过压测获取消息的消费耗时，并对耗时较高的操作的代码逻辑进行分析。梳理消息的消费耗时需要关注以下信息：

• 消息消费逻辑的计算复杂度是否过高，代码是否存在无限循环和递归等缺陷。
• 消息消费逻辑中的 I/O 操作是否是必须的，能否用本地缓存等方案规避。
• 消费逻辑中的复杂耗时的操作是否可以做异步化处理。如果可以，是否会造成逻辑错乱。

设置消费并发度

对于消息消费并发度的计算，可以通过以下两步实施：

• 逐步调大单个 Consumer 节点的线程数，并观测节点的系统指标，得到单个节点最优的消费线程数和消息吞吐量。
• 根据上下游链路的流量峰值计算出需要设置的节点数
  • 节点数 = 流量峰值 / 单个节点消息吞吐量

消息的清理

消息被消费过后会被清理掉吗？

不会的。消息是被顺序存储在 commitlog 文件的，且消息大小不定长，所以消息的清理是不可能以消息为单位进行清理的，而是以 commitlog 文件为单位进行清理的。否则会急剧下降清理效率，并实现逻辑复杂。

commitlog 文件存在一个过期时间，默认为 72 小时，即三天。除了用户手动清理外，在以下情况下也会被自动清理，无论文件中的消息是否被消费过：

• 文件过期，且到达清理时间点（默认为凌晨 4 点）后，自动清理过期文件
• 文件过期，且磁盘空间占用率已达过期清理警戒线（默认 75%）后，无论是否达到清理时间点，都会自动清理过期文件
• 磁盘占用率达到清理警戒线（默认 85%）后，开始按照设定好的规则清理文件，无论是否过期。默认会从最老的文件开始清理
• 磁盘占用率达到系统危险警戒线（默认 90%）后，Broker 将拒绝消息写入

需要注意以下几点：

1. 对于 RocketMQ 系统来说，删除一个 1G 大小的文件，是一个压力巨大的 IO 操作。在删除过程中，系统性能会骤然下降。所以，其默认清理时间点为凌晨 4 点，访问量最小的时间。也正因如果，我们要保障磁盘空间的空闲率，不要使系统出现在其它时间点删除 commitlog 文件的情况。
2. 官方建议 RocketMQ 服务的 Linux 文件系统采用 ext4。因为对于文件删除操作，ext4 要比 ext3 性能更好