RabbitMQ之通信模型之Work模型

网络 通信技术
本文到这里就结束了,主要介绍了RabbitMQ通信模型中的work模型,适用于限流、削峰等应用场景。

大家好,我是指北君。

今天指北君带领大家接着学习RabbitMQ,了解RabbitMQ的五大通信模型之一的Work模型;接下来还会有关于RabbitMQ的系列教程,对你有帮助的话记得关注哦~

回顾

上一篇文章中,简单的介绍了一下RabbitMQ,以及安装和hello world。

有的小伙伴留言说看不懂其中的方法参数,这里先解释一下几个基本的方法参数。

// 声明队列方法
channel.queueDeclare(QUEUE_NAME, false, false, false, null);
/**
* param1:queue 队列的名字
* param2:durable 是否持久化;比如现在发送到队列里面的消息,如果没有持久化,重启这个队列后数 据会丢失(false) true:重启之后数据依然在
* param3:exclusive 是否排外(是否是当前连接的专属队列),排外的意思是:
* 1:连接关闭之后 这个队列是否自动删除(false:不自动删除)
* 2:是否允许其他通道来进行访问这个数据(false:不允许)
* param4:autoDelete 是否自动删除
* 就是当最后一个连接断开的时候,是否自动删除这个队列(false:不删除)
* param5:arguments(map) 声明队列的时候,附带的一些参数
*/
// 发送数据到队列
channel.basicPublish("", QUEUE_NAME, MessageProperties.PERSISTENT_TEXT_PLAIN, "第一个队列消息...".getBytes());
/**
* param1:exchange 交换机 没有就设置为 "" 值就可以了
* param2:routingKey 路由的key 现在没有设置key,直接使用队列的名字
* param3:BasicProperties 发送数据到队列的时候,是否要带一些参数。
* MessageProperties.PERSISTENT_TEXT_PLAIN表示没有带任何参数
* param4:body 向队列中发送的消息数据
*/

Work模型

work模型称为工作队列或者竞争消费者模式,多个消费者消费的数据之和才是原来队列中的所有数据,适用于流量的削峰。

图片

演示

写个简单的测试:

生产者

public class Producer {
private static final String QUEUE_NAME = "queue_work_1";

public static void main(String[] args) throws IOException, TimeoutException {
Connection connection = ConnectionUtils.getConnection();
Channel channel = connection.createChannel();
channel.queueDeclare(QUEUE_NAME, false, false, false, null);
for (int i = 0; i < 100; i++) {
channel.basicPublish("", QUEUE_NAME, null, ("work模型:" + i).getBytes());
}
channel.close();
connection.close();
}

}

消费者

// 消费者1
public class Consumer {
private static final String QUEUE_NAME = "queue_work_1";

public static void main(String[] args) throws IOException, TimeoutException {
Connection connection = ConnectionUtils.getConnection();
Channel channel = connection.createChannel();
channel.queueDeclare(QUEUE_NAME, false, false, false, null);
// channel.basicQos(0, 1, false);
DefaultConsumer defaultConsumer = new DefaultConsumer(channel) {
@Override
public void handleDelivery(String consumerTag, Envelope envelope, AMQP.BasicProperties properties, byte[] body) throws IOException {
System.out.println(System.currentTimeMillis() + "消费者1接收到信息:" + new String(body));
channel.basicAck(envelope.getDeliveryTag(), false);
}
};
channel.basicConsume(QUEUE_NAME, false, defaultConsumer);
}

}
// 消费者2
public class Consumer2 {
private static final String QUEUE_NAME = "queue_work_1";

public static void main(String[] args) throws IOException, TimeoutException {
Connection connection = ConnectionUtils.getConnection();
Channel channel = connection.createChannel();
channel.queueDeclare(QUEUE_NAME, false, false, false, null);
// channel.basicQos(0, 1, false);
DefaultConsumer defaultConsumer = new DefaultConsumer(channel) {
@Override
public void handleDelivery(String consumerTag, Envelope envelope, AMQP.BasicProperties properties, byte[] body) throws IOException {
System.out.println(System.currentTimeMillis() + "消费者2接收到信息:" + new String(body));
channel.basicAck(envelope.getDeliveryTag(), false);
// 这里加了个延迟,表示处理业务时间
try {
Thread.sleep(200);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
};
channel.basicConsume(QUEUE_NAME, false, defaultConsumer);
}
}

结果

图片


图片

可以看出来:100条消息,消费者之间是平分的,消费者1 几乎是瞬间完成,消费者2 则是慢慢吞吞的运行完毕,消费者1大量时间处于空闲状态,消费者2则一直忙碌。这显然是不适用于实际开发中。

我们需要遵从一个原则,就是 能者多劳 ,消费越快的人,消费的越多;

现在我们把消费者1和2的代码中 // channel.basicQos(0, 1, false); 这行代码取消注释,再次运行;

图片

图片

现在的结果就比较符合能者多劳,虽然你干的多,但是工资是一样的呀~

work模型的一个主要的方法是basicQos();这里也解释一下其参数:

// 设置限流机制
channel.basicQos(0, 1, false);
/**
* param1: prefetchSize,消息本身的大小 如果设置为0 那么表示对消息本身的大小不限制
* param2: prefetchCount,告诉rabbitmq不要一次性给消费者推送大于N个消息
* param3:global,是否将上面的设置应用于整个通道,false表示只应用于当前消费者
*/

小结

本文到这里就结束了,主要介绍了RabbitMQ通信模型中的work模型,适用于限流、削峰等应用场景。

责任编辑:武晓燕 来源: Java技术指北
相关推荐

2023-01-11 08:22:22

RabbitMQ通信模型

2012-12-17 09:45:05

统一通信混合通信通信网络

2021-11-11 08:34:54

应用配置模板

2017-09-14 14:43:07

NLP入门模型

2017-03-27 08:56:15

支付风控模型

2011-08-11 17:15:54

iPhone归档

2021-07-09 13:54:31

零信任网络安全网络攻击

2022-03-18 00:12:20

SA系统态势感知

2022-09-06 08:00:00

机器学习金融数据科学

2017-10-09 12:55:29

机器学习KaggleStacking

2015-08-28 10:05:47

数据挖掘

2017-10-23 15:46:37

2012-05-30 15:03:43

ibmdw

2016-09-23 10:20:22

JUnit扩展模型Extension

2009-08-03 11:21:47

ASP.NET编程模型

2020-10-23 18:46:58

C++程序类别

2021-09-03 12:01:07

模型自然语言

2023-01-06 08:18:44

2019-01-15 10:54:03

高性能ServerReactor

2022-12-08 09:10:11

I/O模型Java
点赞
收藏

51CTO技术栈公众号