RocketMQ在存储架构上的极致追求-技术圈

内容导读：MQ作为一款中间件，就需要承载全公司所有业务系统使用需求，并高效稳定运行。因此，MQ对本身运行效率有着非常苛刻的诉求。
为了实现高效率，其实需要很多方面一起配合来完成。比如存储方式、内存使用、负载均衡等等。
本文就RocketMQ为了实现高效的读写速率在存储架构上所做的努力，进行下阐述。

Part one / 存储结构选型对比

为了更方便的进行数据读写，消息在磁盘底层的文件目录设计，都需要关注和解决什么问题呢：

•首先，最基本的，消息原始记录的写入和存储，且速率要快。•其次，要可以区分topic ，特别是允许消费者按topic进行接收。•再次，分布式集群下的多消费者负载均衡。

那么问题来了，消息文件该怎么设计呢？

如果按topic来拆分文件进行存储，是否可以？

•缺点：生产者写入时选择对应的文件来写入。当数据量逐渐增大之后，定位查询文件地址，对磁盘的寻址所带来的性能损耗，将不再可以忽略。•优点：在消费时，可以直接加载相关文件进行读取，不会产生随机寻址。

如果用一整个文件来存消息呢？

•

优点：所有的topic都被写入一个文件中，这样，写入时，只要将消息按到达顺序序追加到文件尾部即可，很容易实现顺序写入。

•

缺点：消费时，需要根据辅助信息来在文件中定位消息，会产生随机读，损耗性能。

因此，不管是按topic拆开多文件存储，还是一整个文件存储做有利有弊，需要按实际需要进行权衡。

Part two / RocketMQ的存储方案选择

RocketMQ存储原始消息选择的是写同一个文件。

究其原因，是由于RocketMQ一般都是普通业务场景使用居多，生产者和topic众多，如果都独立开各自存储，每次消息生产的磁盘寻址对性能损耗是非常巨大的。

旁证侧引:
kafka的文件存储方式，是按topic拆分成partation来进行的。是什么样的原因，让kafka做出了和RocketMQ相反的选择呢？

个人认为，主要还是使用场景的区别，kafka被优先选择用来进行大数据处理，相对于业务场景，数据维度的topic要少很多，并且kafka的生产者(spark flume binlog等)机器会更加集中，这使得kafka选择按topic拆分文件的缺陷不那么突出，而大数据处理更重要的是消息读取，顺序读的优势得以被充分利用。

"单partation，单cunsumer的kafka，性能异常的优秀" 是经常被提及的一个观点，其原因，相信有了上面的分析应该也差不多有结论了。

Part three / RocketMQ怎样平衡读性能

从第一部分的存储方案对比可以知道，RocketMQ为了保证消息写入效率，在存储结构上选择了顺序写，势必会对消息的读取和消费带来不便。

那么，它是怎么来平衡消费时的读取速率的呢？

关键问题是，找到一种途径，可以快速的在commitLog中定位到所需消息的位置。

从一堆数据中，快速定位想要的数据，这不是索引最擅长的事情么？所以，RocketMQ也为commitLog创建了索引文件，并且是区分topic的结构。

RocketMQ 的消息体构成

•topic 是业务场景的唯一标识，不可缺少；•queueId 在申请topic的时候确定，关联着消费索引consumerQueue中的队列ID；•tags 是消息特殊标签，用于业务系统订阅时提前过滤(这个功能真的是太重要了，吃过苦的同学都清楚)；•keys 是消息的关键字，构建index索引，用于关键字查询用；•msgBody 是真实消息体；

消息由发布者发布，并依次的、顺序的写到commitLog里，消息一旦被写入，是不可以更改顺序和内容的。commitLog规定最大1个G，达到规定大小则写新的一个文件。

索引结构和构建过程

consumerQueue 是一种机制，可以让消费端通过queue和commitLog之间的检索关系，快速定位到commitLog里边的具体消息内容，然后拉取进行消费。

consumerQueue 按 topic的不同，被分为不同的queue，根据queueId来被消费者订阅和消费；

其中每个索引项是一个固定大小为20bytes的记录，由消息在commitLog中的起始偏移量、消息体占用大小、type的hash码三部分构成。可以通过这三个部分快速定位到所需消息位置和类型。

而上述索引的构建过程，是在消息被写入commitLog时，专门的后台服务--putMessageService，将索引信息分发到 consumerQueue 和index文件里，来构建索引项。

建索引的过程，实际上是一种分而治之思维的落地，除了索引，还有redis中的各种指标维护，核心是分散压力到每次请求，避免了大规模集中计算。

消息的消费

消费者对应consumerQueue不一定是一对一的，因此，怎么来让每个新的消费者来了不会重复消费呢？

在消息成功被拉取并消费时，后台任务CommitOffsetManager 会将当前消费者，针对topic的消费位点进行记录，目的是让下一个或者重新启动单饿消费者记住这个消费位点，不至于重复消费。

因此，整个文件目录就一目了然了：

Part four / 读效率的追求

虽然通过上述文件存储结构的分析，我们知道，消费者可以根据索引文件中的索引项来快速定位，但事实上，消息的发布和消费，不可能直接针对磁盘进行读写操作的，这样效率会非常非常低。

实际上，我们的操作基本是针对一块内存进行操作的 。

利用NIO的内存映射机制，我们将commitLog的一部分文件交换到对外内存。然后利用操作系统的pageCache技术，在运行过程中把内存里的信息，与磁盘里的文件信息进行同步，或者交换：

•消息发布者，在发布消息的时候，首先把消息添加到内存里，然后根据刷盘的配置可以来指定是同步刷盘还是异步刷盘，来将内存中的数据同步到磁盘上。•消息的消费者，在消费消息的时候，大多数情况下，会直接命中到内存上，不会进行磁盘读，但极个别的情况下，需要消费的消息，在内存中没法找到，这时候，就需要用换页技术，将相关的信息，拉取到内存中。为什么是相关信息，而不是需要什么拉取什么？这是有一个机制，来保证潜在的即将被消费的信息直接换入内存，来提交效率。

Part five / 总结

整体一套处理流程看下来，其实我们可以看到很多熟悉的身影，比如Mysql的索引，redis的统计信息记录等等，都非常相似。

其实，我们可以这么认为：对于信息存储和查询的处理方案大都如出一辙，只要把握住最核心的部分，然后根据实际业务诉求进行适配优化，基本都是可以达到期望的结果的。

有道无术，术可成；有术无道，止于术

欢迎大家关注Java之道公众号

好文章，我在看❤️