服务端开发博客 | 后端架构 · 高并发 · 性能优化 · 微服务实战 👋🏼

引言 "线上有个订单，用户付款成功了，但一直没收到发货通知。查了订单系统，状态是已付款；查了通知系统，根本没收到这条消息。消息就这么……没了？" 这是上周三凌晨收到的一起线上事故。最终定位下来，不是什么高深的 Bug，而是一个不起眼的参数配错了——sendMsgTimeout 设成了 200ms。 但排查过程值得记录，因为每一步都是 RocketMQ 消息可靠性的实战教科书。本文完整复盘这次排查全过程，附排查命令速查表和消息可靠性配置模板。 一、问题现象 1.1 故障描述 维度描述 故障时间周三凌晨 2:00-2:30（高峰期） 影响范围37 笔订单付款后未触发发货通知 用户反馈"我付款半小时了，怎么还没发货？" 业务影响用户投诉 + 客服介入 + 需手动补发 1.2 系统架构 RocketMQ ┌──────────┐ ┌──────────┐ │ Topic: │ ┌──────────────┐ │ 订单系统 │──│ order- │──│ 通知系统 │ │ Order-Svc│ │ notify │ │ Notify-Svc │ └──────────┘ └──....

公司做物流系统，订单状态变更通过 RocketMQ 广播。刚开始只有一个消费者，所有消息照单全收。后来业务拆分，多了十几个微服务各自订阅感兴趣的消息。问题来了——每个服务都从 Broker 拉全量消息，然后自己过滤。一天几千万条消息，每个服务实际需要的不到 10%，90% 拉过来就扔了。内网带宽跑满，消息堆积，消费延迟越来越大。 这个问题特别容易被忽视。因为消息队列用起来太简单了，Producer 发、Consumer 收，中间不用管。但当你有了十几个 Consumer 各自只需要不同子集的消息时，全量拉取就是在用带宽换便利。 今天聊聊 RocketMQ 的 Tag 和 SQL92 两种 Broker 端过滤方式，把过滤逻辑从消费端前移到 Broker，让不需要的消息根本不出 Broker 的门。 客户端过滤的问题在哪 默认的 Push Consumer 模式，客户端从 Broker 拉消息的流程是这样的： Broker ──拉取──→ Consumer（全量消息） │ ├─ 需要的消息（10%）→ 处理 └─ 不需要的消息（90%）→ 丢弃 看起来没什么问题？你丢你的，又不占硬盘....

做过分布式事务开发的朋友肯定都遇到过这个问题：使用 RocketMQ 的事务消息时，由于网络抖动、服务宕机、消费者超时等原因，部分 Half Message（半消息）无法被正确处理，导致在 Broker 上不断堆积。这不仅占用磁盘空间，严重时还会触发磁盘告警，影响整个消息队列的稳定性。 我之前就遇到过这样一个案例：某天凌晨，监控告警显示 RocketMQ Broker 的磁盘使用率突然飙升至 85%，马上就要触达 90% 的告警阈值。排查后发现，是某个服务的数据库在凌晨进行大批量数据迁移时，部分事务消息的本地事务执行失败，但由于网络重试机制的问题，相关的 Half Message 没有被正确回滚，大批量堆积在了 Broker 上。 今天我们就来聊聊 RocketMQ 事务消息 Half Message 的自动清理方案，让您的系统远离磁盘告警的困扰。 Half Message 的产生与堆积原因 1. 事务消息的执行流程 首先，让我们回顾一下 RocketMQ 事务消息的完整流程： ┌─────────────────────────────────────────────────────....

在高并发场景下，消息发送的性能直接影响系统的整体吞吐量。传统单条消息发送模式存在以下问题： 每次发送都需要网络往返，RT（响应时间）高 broker 压力增大， TPS 上不去 服务器资源利用率低 RocketMQ 的批量发送和异步处理机制可以有效解决这些问题。本文将详细介绍如何在 SpringBoot 中实现 RocketMQ 异步批量发送优化，让生产端吞吐提升 5 倍，RT 降低 80%。 为什么需要批量发送？ 先看一下单条发送和批量发送的对比： 单条发送模式： ┌─────────────────────────────────────────────────────────────┐ │ Msg1 ──→ Broker ──→ ACK │ │ ↓ │ │ Msg2 ──→ Broker ──→ ACK │ │ ↓ │ │ Msg3 ──→ Broker ──→ ACK │ │ │ │ 3次网络往返，3次broker处理，RT = N × RTT │ └─────────────────────────────────────────────────────────────┘....

在高并发的业务场景中，消息队列的性能直接影响整个系统的吞吐量和响应时间。特别是在订单处理、日志收集、数据同步等场景下，如何高效地发送消息成为系统性能的关键因素。 RocketMQ 作为一款高性能的消息中间件，在默认配置下已经表现出色，但在极端情况下，单条消息的同步发送仍然会成为性能瓶颈。今天我就跟大家分享一套基于 SpringBoot 的 RocketMQ 异步批量发送优化方案，通过批量发送和异步处理，实现生产端吞吐提升 5 倍，响应时间降低 80% 的显著效果。 为什么需要 RocketMQ 发送优化？ 先来说说我们面临的挑战。在高并发场景下，使用默认的 RocketMQ 发送方式会遇到以下问题： 同步发送延迟高：每次发送都需要等待 broker 响应，在网络延迟较大时会严重影响系统性能 频繁网络请求：单条消息发送会产生大量网络请求，增加网络开销 资源消耗大：每个消息都需要独立的线程处理，线程资源消耗大 吞吐量受限：单线程同步发送的吞吐量有限，难以满足高并发需求 以一个电商系统为例，在秒杀活动中，订单创建的峰值可能达到每秒数万个，此时消息发送的性能直接决定了系统能否扛住流量冲击。....

引言：为什么你需要掌握 RocketMQ？ 还记得去年双十一，我们公司核心交易系统因为消息队列性能瓶颈导致订单处理延迟，差点酿成重大事故。事后复盘发现，问题的根源在于团队对消息队列的理解停留在"会用"层面，缺乏深入原理和调优经验。 消息队列作为分布式系统的核心组件，承载着异步解耦、流量削峰、数据分发等关键职责。RocketMQ 作为阿里巴巴开源的分布式消息中间件，凭借其高吞吐量、高可用性、丰富的消息特性，已成为国内互联网公司的首选方案。 本文将从入门到原理，从实战到面试，带你全面掌握 RocketMQ。 一、RocketMQ 入门：10分钟快速上手 1.1 什么是 RocketMQ？ RocketMQ 是阿里巴巴于2012年开源的第三代分布式消息中间件，2016年成为 Apache 顶级项目。它借鉴了 Kafka 的高吞吐设计，同时解决了 Kafka 在事务消息、延迟消息、消息轨迹等方面的不足。 核心特点： 高吞吐量：单机写入性能可达10万+ TPS 高可用性：支持多 Master 多 Slave 架构，自动故障切换 丰富的消息类型：普通消息、顺序消息、事务消息、延迟消息 消息轨迹....

为什么订单超时取消这么重要？ 在电商系统中，用户下单后通常有30分钟的支付时间。如果用户未在规定时间内支付，系统需要自动取消订单并释放占用的商品库存。这看似简单的功能，实际上涉及多个技术难点： 时间精确控制：必须在指定时间准确触发取消操作 消息可靠性：确保取消指令能被可靠传递和执行 状态一致性：保证订单在整个生命周期中的状态一致性 高并发处理：在大促期间可能有大量订单需要处理 传统的定时轮询方案存在明显缺点：资源消耗大、实时性差、难以处理突发流量。我们需要一个更高效可靠的解决方案。 技术选型：为什么选择RocketMQ + 事务状态机？ RocketMQ：可靠的延时消息 RocketMQ提供了强大的延时消息功能，支持预设的延时等级（从秒级到小时级），非常适合处理订单超时场景。其高可用性、高吞吐量的特性，确保了消息的可靠传递。 事务状态机：状态转换的守护者 通过明确定义的状态和转换规则，事务状态机确保订单在任何情况下都保持一致状态，防止非法状态转换。 核心实现：三步走策略 第一步：订单创建时发送延时消息 当用户下单成功后，我们立即发送一条延时消息，指定在30分钟后执行订单检查： //....