什么是MQ
# 0.什么是MQ
MQ（message queue），从字面意思上看，本质是个队列，FIFO 先入先出，只不过队列中存放的内容是 message 而已，还是一种跨进程的通信机制，用于上下游传递消息。
在互联网架构中，MQ 是一种非常常见的上下游「逻辑解耦 + 物理解耦」的消息通信服务。使用了 MQ 之后，消息发送上游只需要依赖 MQ，不用依赖其他服务。
例如使用微信给朋友发信息，那么你就是上游，朋友就是下游，中间可以使用MQ来实现。
同理，邮件的收发也有点像上下游，而邮件服务器就类似消息队列。当朋友发送邮件给你后，先是放到邮件服务器中；当你登录邮件客户端后，再从服务器获取信息
# 为什么要用MQ
# 流量消峰
举个例子，如果订单系统最多能处理一万次订单，这个处理能力应付正常时段的下单时绰绰有余，正常时段我们下单一秒后就能返回结果。但是在高峰期，如果有两万次下单操作系统是处理不了的，只能限制订单超过一万后不允许用户下单。
使用消息队列做缓冲，我们可以取消这个限制，把一秒内下的订单分散成一段时间来处理，这时有些用户可能在下单十几秒后才能收到下单成功的操作，但是比不能下单的体验要好。
(https://image.peterjxl.com/blog/image-20230520165602-b1gbno1.png)
# 应用解耦
以电商应用为例，应用中有订单系统、库存系统、物流系统、支付系统。
用户创建订单后，如果耦合调用库存系统、物流系统、支付系统，任何一个子系统出了故障，都会造成下单操作异常。
(https://image.peterjxl.com/blog/image-20230520165725-adyg32w.png)
当转变成基于消息队列的方式后，系统间调用的问题会减少很多，比如物流系统因为发生故障，需要几分钟来修复。在这几分钟的时间里，物流系统要处理的内存被缓存在消息队列中，用户的下单操作可以正常完成。当物流系统恢复后，继续处理订单信息即可，中单用户感受不到物流系统的故障，提升系统的可用性。
(https://image.peterjxl.com/blog/image-20230520165732-6arsu0k.png)
推荐阅读：Java 帝国之消息队列 (opens new window)
# 异步处理
有些服务间调用是异步的，例如 A 调用 B，B 需要花费很长时间执行，但是 A 需要知道 B 什么时候可以执行完
以前一般有两种方式：
- A 过一段时间去调用 B 的查询 api 查询。
- 或者 A 提供一个 callback api，B 执行完之后调用 api 通知 A 服务。
这两种方式都不是很优雅，使用MQ，可以很方便解决这个问题：
- A 调用 B 服务后，只需要监听 B 处理完成的消息
- 当 B 处理完成后，会发送一条消息给 MQ，MQ 会将此消息转发给 A 服务。
- 这样 A 服务既不用循环调用 B 的查询 api，也不用提供 callback api。
- 同样 B 服务也不用做这些操作。A 服务还能及时的得到异步处理成功的消息。
(https://image.peterjxl.com/blog/image-20230520165849-v6h1a5s.png)
# MQ的分类
# ActiveMQ
最早出现的MQ框架
- 优点：单机吞吐量万级，时效性 ms 级，可用性高，基于主从架构实现高可用性，消息可靠性高，丢失数据概率低。
- 缺点：官方社区现在对 ActiveMQ 5.x 维护越来越少，高吞吐量场景较少使用
尚硅谷配套视频：尚硅谷消息中间件之ActiveMQ - 谷粒学苑 (opens new window)
# Kafka
大数据的杀手锏，谈到大数据领域内的消息传输，则绕不开 Kafka，这款为大数据而生的消息中间件，以其百万级 TPS 的吞吐量名声大噪，迅速成为大数据领域的宠儿，在数据采集、传输、存储的过程中发挥着举足轻重的作用。目前已经被 LinkedIn，Uber，Twitter，Netflix 等大公司所采纳。
优点：
- 性能卓越，单机写入 TPS 约在百万条/秒，最大的优点，就是吞吐量高。
- 时效性 ms 级可用性非常高，kafka 是分布式的，一个数据多个副本，少数机器宕机，不会丢失数据，不会导致不可用
- 消费者采用 Pull 方式获取消息，消息有序，通过控制能够保证所有消息被消费且仅被消费一次
- 有优秀的第三方Kafka Web 管理界面 Kafka-Manager
- 在日志领域比较成熟，被多家公司和多个开源项目使用；
- 功能支持：功能 较为简单，主要支持简单的 MQ 功能，在大数据领域的实时计算以及日志采集被大规模使用
缺点
- Kafka 单机超过 64 个队列/分区，Load 会发生明显的飙高现象，队列越多，load 越高，发送消息响应时间变长，使用短轮询方式，实时性取决于轮询间隔时间，消费失败不支持重试；
- 支持消息顺序，但是一台代理宕机后，就会产生消息乱序
- 社区更新较慢
尚硅谷配套视频：尚硅谷大数据技术之Kafka（2019新版） - 谷粒学苑 (opens new window)
# RocketMQ
RocketMQ 出自阿里巴巴的开源产品，用 Java 语言实现，在设计时参考了 Kafka，并做出了自己的一些改进。被阿里巴巴广泛应用在订单，交易，充值，流计算，消息推送，日志流式处理，binglog 分发等场景。
优点：
- 单机吞吐量十万级，可用性非常高，分布式架构，消息可以做到 0 丢失
- MQ 功能较为完善，扩展性好，支持 10 亿级别的消息堆积，不会因为堆积导致性能下降
- 源码是Java，我们可以自己阅读和修改源码，定制自己公司的 MQ
缺点：
- 支持的客户端语言不多，目前是 Java 及 C++，其中 C++ 不成熟；
- 没有在 MQ 核心中去实现 JMS 等接口，有些系统要改为使用它的话，需要修改大量代码
- 社区活跃度一般
# RabbitMQ
2007 年发布，是一个在AMQP（高级消息队列协议）基础上完成的，可复用的企业消息系统，是当前最主流的消息中间件之一。
优点：
- 由于 erlang 语言的高并发特性，性能较好；吞吐量到万级
- MQ 功能比较完备、健壮、稳定、易用、跨平台
- 支持多种语言 如：Python、Ruby、.NET、Java、JMS、C、PHP、ActionScript、XMPP、STOMP 等，支持 AJAX
- 文档齐全；开源提供的管理界面非常棒，用起来很好用
- 社区活跃度高；更新频率相当高
缺点：商业版的话需要收费，学习成本较高
# MQ的选择
# Kafka
Kafka 主要特点是基于 Pull 的模式来处理消息消费，追求高吞吐量，一开始的目的就是用于日志收集和传输，适合产生大量数据的互联网服务的数据收集业务。大型公司建议可以选用，如果有日志采集功能，肯定是首选 Kafka 了。
# RocketMQ
天生为金融互联网领域而生，对于可靠性要求很高的场景，尤其是电商里面的订单扣款，以及业务削峰，在大量交易涌入时，后端可能无法及时处理的情况。
RoketMQ 在稳定性上可能更值得信赖，这些业务场景在阿里双 11 已经经历了多次考验，如果你的业务有上述并发场景，建议可以选择 RocketMQ。
# RabbitMQ
结合 Erlang 语言本身的并发优势，性能好，时效性微秒级，社区活跃度也比较高，管理界面用起来十分方便，如果你的数据量没有那么大，中小型公司优先选择功能比较完备的 RabbitMQ。
# 最后
接下来我们就学习RabbitMQ
