你在使用消息队列的时候关注过吞吐量吗?
思考过吞吐量的影响因素吗?
考虑过怎么提高吗?
总结过最佳实践吗?
本文带你一起探讨下消息队列消费端高吞吐的 Go 框架实现. Let's go!
关于吞吐量的一些思考
写入消息队列吞吐量取决于以下两个方面
网络带宽
消息队列 (比如 Kafka) 写入速度
最佳吞吐量是让其中之一打满, 而一般情况下内网带宽都会非常高, 不太可能被打满, 所以自然就是讲消息队列的写入速度打满, 这就就有两个点需要平衡
批量写入的消息量大小或者字节数多少
延迟多久写入
go-zero 的 PeriodicalExecutor 和 ChunkExecutor 就是为了这种情况设计的
从消息队列里消费消息的吞吐量取决于以下两个方面
消息队列的读取速度, 一般情况下消息队列本身的读取速度相比于处理消息的速度都是足够快的
处理速度, 这个依赖于业务
这里有个核心问题是不能不考虑业务处理速度, 而读取过多的消息到内存里, 否则可能会引起两个问题:
内存占用过高, 甚至出现 OOM,pod 也是有 memory limit 的
停止 pod 时堆积的消息来不及处理而导致消息丢失
解决方案和实现
借用一下 Rob Pike 的一张图, 这个跟队列消费异曲同工. 左边 4 个 gopher 从队列里取, 右边 4 个 gopher 接过去处理. 比较理想的结果是左边和右边速率基本一致, 没有谁浪费, 没有谁等待, 中间交换处也没有堆积.
我们来看看 go-zero 是怎么实现的:
Producer 端
- for {
- select {
- case <-q.quit:
- logx.Info("Quitting producer")
- return
- default:
- if v, ok := q.produceOne(producer); ok {
- q.channel <- v
- }
- }
- }
没有退出事件就会通过 produceOne 去读取一个消息, 成功后写入 channel. 利用 chan 就可以很好的解决读取和消费的衔接问题.
Consumer 端
- for {
- select {
- case message, ok := <-q.channel:
- if ok {
- q.consumeOne(consumer, message)
- } else {
- logx.Info("Task channel was closed, quitting consumer...")
- return
- }
- case event := <-eventChan:
- consumer.OnEvent(event)
- }
- }
这里如果拿到消息就去处理, 当 ok 为 false 的时候表示 channel 已被关闭, 可以退出整个处理循环了. 同时我们还在 Redis queue 上支持了 pause/resume, 我们原来在社交场景里大量使用这样的队列, 可以通知 consumer 暂停和继续.
启动 queue, 有了这些我们就可以通过控制 producer/consumer 的数量来达到吞吐量的调优了
- func (q *Queue) Start() {
- q.startProducers(q.producerCount)
- q.startConsumers(q.consumerCount)
- q.producerRoutineGroup.Wait()
- close(q.channel)
- q.consumerRoutineGroup.Wait()
- }
这里需要注意的是, 先要停掉 producer, 再去等 consumer 处理完.
到这里核心控制代码基本就讲完了, 其实看起来还是挺简单的, 也可以到 去看完整实现.
如何使用
基本的使用流程:
创建 producer 或 consumer
启动 queue
生产消息 / 消费消息
对应到 queue 中, 大致如下:
创建 queue
- // 生产者创建工厂
- producer := newMockedProducer()
- // 消费者创建工厂
- consumer := newMockedConsumer()
- // 将生产者以及消费者的创建工厂函数传递给 NewQueue()
- q := queue.NewQueue(func() (Producer, error) {
- return producer, nil
- }, func() (Consumer, error) {
- return consumer, nil
- })
我们看看 NewQueue 需要什么参数:
producer 工厂方法
consumer 工厂方法
将 producer & consumer 的工厂函数传递 queue , 由它去负责创建. 框架提供了 Producer 和 Consumer 的接口以及工厂方法定义, 然后整个流程的控制 queue 实现会自动完成.
生产 message
我们通过自定义一个 mockedProducer 来模拟:
- type mockedProducer struct {
- total int32
- count int32
- // 使用 waitgroup 来模拟任务的完成
- wait sync.WaitGroup
- }
- // 实现 Producer interface 的方法: Produce()
- func (p *mockedProducer) Produce() (string, bool) {
- if atomic.AddInt32(&p.count, 1) <= p.total {
- p.wait.Done()
- return "item", true
- }
- time.Sleep(time.Second)
- return "", false
- }
queue 中的生产者编写都必须实现:
Produce(): 由开发者编写生产消息的逻辑
AddListener(): 添加事件 listener
消费 message
我们通过自定义一个 mockedConsumer 来模拟:
- type mockedConsumer struct {
- count int32
- }
- func (c *mockedConsumer) Consume(string) error {
- atomic.AddInt32(&c.count, 1)
- return nil
- }
启动 queue
启动, 然后验证我们上述的生产者和消费者之间的数据是否传输成功:
- func main() {
- // 创建 queue
- q := NewQueue(func() (Producer, error) {
- return newMockedProducer(), nil
- }, func() (Consumer, error) {
- return newMockedConsumer(), nil
- })
- // 启动 panic 了也可以确保 stop 被执行以清理资源
- defer q.Stop()
- // 启动
- q.Start()
- }
以上就是 queue 最简易的实现示例. 我们通过这个 core/queue 框架实现了基于 Redis 和 kafka 等的消息队列服务, 在不同业务场景中经过了充分的实践检验. 你也可以根据自己的业务实际情况, 实现自己的消息队列服务.
整体设计
整体流程如上图:
全体的通信都由 channel 进行
Producer 和 Consumer 的数量可以设定以匹配不同业务需求
Produce 和 Consume 具体实现由开发者定义, queue 负责整体流程
总结
本篇文章讲解了如何通过 channel 来平衡从队列中读取和处理消息的速度, 以及如何实现一个通用的消息队列处理框架, 并通过 mock 示例简单展示了如何基于 core/queue 实现一个消息队列处理服务. 你可以通过类似的方式实现一个基于 rocketmq 等的消息队列处理服务.
关于 go-zero 更多的设计和实现文章, 可以关注『微服务实践』公众号.
项目地址
https://github.com/tal-tech/go-zero
欢迎使用 go-zero 并 star 支持我们!
微信交流群
关注『微服务实践』公众号并点击 进群 获取社区群二维码.
go-zero 系列文章见『微服务实践』公众号
来源: https://segmentfault.com/a/1190000039990949