做app简单还是网站,设计标志公司,在线设计师平台,网页广告WorkQueues模型
Work queues#xff0c;任务模型。简单来说就是让多个消费者绑定到一个队列#xff0c;共同消费队列中的消息。
当消息处理比较耗时的时候#xff0c;可能生产消息的速度会远远大于消息的消费速度。长此以往#xff0c;消息就会堆积越来越多#xff0c;…WorkQueues模型
Work queues任务模型。简单来说就是让多个消费者绑定到一个队列共同消费队列中的消息。
当消息处理比较耗时的时候可能生产消息的速度会远远大于消息的消费速度。长此以往消息就会堆积越来越多无法及时处理。 此时就可以使用work 模型多个消费者共同处理消息处理消息处理的速度就能大大提高了。
接下来我们就来模拟这样的场景。 首先我们在控制台创建一个新的队列命名为work.queue
3.3.1.消息发送
这次我们循环发送模拟大量消息堆积现象。 在publisher服务中的SpringAmqpTest类中添加一个测试方法
/*** workQueue* 向队列中不停发送消息模拟消息堆积。*/
Test
public void testWorkQueue() throws InterruptedException {// 队列名称String queueName work.queue;// 消息String message hello, message_;for (int i 0; i 50; i) {// 发送消息每20毫秒发送一次相当于每秒发送50条消息rabbitTemplate.convertAndSend(queueName, message i);Thread.sleep(20);}
}3.3.2.消息接收
要模拟多个消费者绑定同一个队列我们在consumer服务的SpringRabbitListener中添加2个新的方法
RabbitListener(queues work.queue)
public void listenWorkQueue1(String msg) throws InterruptedException {System.out.println(消费者1接收到消息【 msg 】 LocalTime.now());Thread.sleep(20);
}RabbitListener(queues work.queue)
public void listenWorkQueue2(String msg) throws InterruptedException {System.err.println(消费者2........接收到消息【 msg 】 LocalTime.now());Thread.sleep(200);
}注意到这两消费者都设置了Thead.sleep模拟任务耗时
消费者1 sleep了20毫秒相当于每秒钟处理50个消息消费者2 sleep了200毫秒相当于每秒处理5个消息
3.3.3.测试
启动ConsumerApplication后在执行publisher服务中刚刚编写的发送测试方法testWorkQueue。 最终结果如下
消费者1接收到消息【hello, message_0】21:06:00.869555300
消费者2........接收到消息【hello, message_1】21:06:00.884518
消费者1接收到消息【hello, message_2】21:06:00.907454400
消费者1接收到消息【hello, message_4】21:06:00.953332100
消费者1接收到消息【hello, message_6】21:06:00.997867300
消费者1接收到消息【hello, message_8】21:06:01.042178700
消费者2........接收到消息【hello, message_3】21:06:01.086478800
消费者1接收到消息【hello, message_10】21:06:01.087476600
消费者1接收到消息【hello, message_12】21:06:01.132578300
消费者1接收到消息【hello, message_14】21:06:01.175851200
消费者1接收到消息【hello, message_16】21:06:01.218533400
消费者1接收到消息【hello, message_18】21:06:01.261322900
消费者2........接收到消息【hello, message_5】21:06:01.287003700
消费者1接收到消息【hello, message_20】21:06:01.304412400
消费者1接收到消息【hello, message_22】21:06:01.349950100
消费者1接收到消息【hello, message_24】21:06:01.394533900
消费者1接收到消息【hello, message_26】21:06:01.439876500
消费者1接收到消息【hello, message_28】21:06:01.482937800
消费者2........接收到消息【hello, message_7】21:06:01.488977100
消费者1接收到消息【hello, message_30】21:06:01.526409300
消费者1接收到消息【hello, message_32】21:06:01.572148
消费者1接收到消息【hello, message_34】21:06:01.618264800
消费者1接收到消息【hello, message_36】21:06:01.660780600
消费者2........接收到消息【hello, message_9】21:06:01.689189300
消费者1接收到消息【hello, message_38】21:06:01.705261
消费者1接收到消息【hello, message_40】21:06:01.746927300
消费者1接收到消息【hello, message_42】21:06:01.789835
消费者1接收到消息【hello, message_44】21:06:01.834393100
消费者1接收到消息【hello, message_46】21:06:01.875312100
消费者2........接收到消息【hello, message_11】21:06:01.889969500
消费者1接收到消息【hello, message_48】21:06:01.920702500
消费者2........接收到消息【hello, message_13】21:06:02.090725900
消费者2........接收到消息【hello, message_15】21:06:02.293060600
消费者2........接收到消息【hello, message_17】21:06:02.493748
消费者2........接收到消息【hello, message_19】21:06:02.696635100
消费者2........接收到消息【hello, message_21】21:06:02.896809700
消费者2........接收到消息【hello, message_23】21:06:03.099533400
消费者2........接收到消息【hello, message_25】21:06:03.301446400
消费者2........接收到消息【hello, message_27】21:06:03.504999100
消费者2........接收到消息【hello, message_29】21:06:03.705702500
消费者2........接收到消息【hello, message_31】21:06:03.906601200
消费者2........接收到消息【hello, message_33】21:06:04.108118500
消费者2........接收到消息【hello, message_35】21:06:04.308945400
消费者2........接收到消息【hello, message_37】21:06:04.511547700
消费者2........接收到消息【hello, message_39】21:06:04.714038400
消费者2........接收到消息【hello, message_41】21:06:04.916192700
消费者2........接收到消息【hello, message_43】21:06:05.116286400
消费者2........接收到消息【hello, message_45】21:06:05.318055100
消费者2........接收到消息【hello, message_47】21:06:05.520656400
消费者2........接收到消息【hello, message_49】21:06:05.723106700
可以看到消费者1和消费者2竟然每人消费了25条消息
消费者1很快完成了自己的25条消息消费者2却在缓慢的处理自己的25条消息。
也就是说消息是平均分配给每个消费者并没有考虑到消费者的处理能力。导致1个消费者空闲另一个消费者忙的不可开交。没有充分利用每一个消费者的能力最终消息处理的耗时远远超过了1秒。这样显然是有问题的。
3.3.4.能者多劳prefetch
在spring中有一个简单的配置可以解决这个问题。我们修改consumer服务的application.yml文件添加配置
spring:rabbitmq:listener:simple:prefetch: 1 # 每次只能获取一条消息处理完成才能获取下一个消息再次测试发现结果如下
消费者1接收到消息【hello, message_0】21:12:51.659664200
消费者2........接收到消息【hello, message_1】21:12:51.680610
消费者1接收到消息【hello, message_2】21:12:51.703625
消费者1接收到消息【hello, message_3】21:12:51.724330100
消费者1接收到消息【hello, message_4】21:12:51.746651100
消费者1接收到消息【hello, message_5】21:12:51.768401400
消费者1接收到消息【hello, message_6】21:12:51.790511400
消费者1接收到消息【hello, message_7】21:12:51.812559800
消费者1接收到消息【hello, message_8】21:12:51.834500600
消费者1接收到消息【hello, message_9】21:12:51.857438800
消费者1接收到消息【hello, message_10】21:12:51.880379600
消费者2........接收到消息【hello, message_11】21:12:51.899327100
消费者1接收到消息【hello, message_12】21:12:51.922828400
消费者1接收到消息【hello, message_13】21:12:51.945617400
消费者1接收到消息【hello, message_14】21:12:51.968942500
消费者1接收到消息【hello, message_15】21:12:51.992215400
消费者1接收到消息【hello, message_16】21:12:52.013325600
消费者1接收到消息【hello, message_17】21:12:52.035687100
消费者1接收到消息【hello, message_18】21:12:52.058188
消费者1接收到消息【hello, message_19】21:12:52.081208400
消费者2........接收到消息【hello, message_20】21:12:52.103406200
消费者1接收到消息【hello, message_21】21:12:52.123827300
消费者1接收到消息【hello, message_22】21:12:52.146165100
消费者1接收到消息【hello, message_23】21:12:52.168828300
消费者1接收到消息【hello, message_24】21:12:52.191769500
消费者1接收到消息【hello, message_25】21:12:52.214839100
消费者1接收到消息【hello, message_26】21:12:52.238998700
消费者1接收到消息【hello, message_27】21:12:52.259772600
消费者1接收到消息【hello, message_28】21:12:52.284131800
消费者2........接收到消息【hello, message_29】21:12:52.306190600
消费者1接收到消息【hello, message_30】21:12:52.325315800
消费者1接收到消息【hello, message_31】21:12:52.347012500
消费者1接收到消息【hello, message_32】21:12:52.368508600
消费者1接收到消息【hello, message_33】21:12:52.391785100
消费者1接收到消息【hello, message_34】21:12:52.416383800
消费者1接收到消息【hello, message_35】21:12:52.439019
消费者1接收到消息【hello, message_36】21:12:52.461733900
消费者1接收到消息【hello, message_37】21:12:52.485990
消费者1接收到消息【hello, message_38】21:12:52.509219900
消费者2........接收到消息【hello, message_39】21:12:52.523683400
消费者1接收到消息【hello, message_40】21:12:52.547412100
消费者1接收到消息【hello, message_41】21:12:52.571191800
消费者1接收到消息【hello, message_42】21:12:52.593024600
消费者1接收到消息【hello, message_43】21:12:52.616731800
消费者1接收到消息【hello, message_44】21:12:52.640317
消费者1接收到消息【hello, message_45】21:12:52.663111100
消费者1接收到消息【hello, message_46】21:12:52.686727
消费者1接收到消息【hello, message_47】21:12:52.709266500
消费者2........接收到消息【hello, message_48】21:12:52.725884900
消费者1接收到消息【hello, message_49】21:12:52.746299900
可以发现由于消费者1处理速度较快所以处理了更多的消息消费者2处理速度较慢只处理了6条消息。而最终总的执行耗时也在1秒左右大大提升。 正所谓能者多劳这样充分利用了每一个消费者的处理能力可以有效避免消息积压问题。
3.3.5.总结如何解决消息堆积的问题
Work模型的使用
多个消费者绑定到一个队列同一条消息只会被一个消费者处理通过设置prefetch来控制消费者预取的消息数量
