RabbitMq - Java客户端基础【简单案例 +Work模型】

目录

 1、前置知识

1.1、AMQP怎么理解

1.2、Spring AMQP是什么

1.3、为什么要了解Spring-AMQP?

2、使用Spring-AMQP实现一个发消息案例

3、Work模型

问题:

优化:

小结:Work模型的使用:


 1、前置知识

1.1、AMQP怎么理解

  • 全称:Advance Message Queuing Protocol
  • 用途:用于在应用程序之间传递业务消息的开放标准;
  • 该协议与语言、平台无关,更符合微服务中独立性的要求

1.2、Spring AMQP是什么

  • Spring AMQP是基于AMQP协议定义的一套API规范,提供了模版来发送和接收消息;
  • 包含两部分,其中spring-amqp是基础抽象(接口),spring-rabbit是底层的默认实现(实现)

        也就是说,你在使用中,只需要调用Spring AMQP提供的接口就可以了,而Spring AMQP的底层是使用AMQP的(可以理解为AMQP是一种思想,Spring AMQP是它的实现);

1.3、为什么要了解Spring-AMQP?

        RabbitMq给java提供的原生的一些使用方法,过于的复杂不便于日常开发的使用,而Spring-AMQP对RabbitMQ进行了一层封装,让我们在使用中更加的简洁了~


2、使用Spring-AMQP实现一个发消息案例

案例 - 黑马课程中的一个简单的微服务~

需求如下:

  • 利用控制台创建队列demo1.queue
  • 在publisher服务中,利用SpringAMQP直接向demo1.queue发送消息
  • 在consumer服务中,利用SpringAMQP编写消费者,监听demo1.queue队列
  • 这个案例先不考虑交换机~

准备一个项目,我的项目目录如下:

步骤一:在控制台中新建一个demo1.queue队列

注:不会创建的可以看我的上一篇文章~

步骤二:父工程中引入AMQP的依赖

        <!--AMQP依赖,包含RabbitMQ--><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-amqp</artifactId></dependency>

注:父工程中引入了,他的两个子工程都可以使用~ 

步骤三:配置RabbitMQ服务端信息

需要在每个微服务中引入MQ服务端信息,这样微服务才能连接到RabbitMQ,配置如下:

spring:rabbitmq:host: env-baseport: 5672virtual-host: /username: rootpassword: 1111

具体信息,需要根据你自己电脑的信息修改哦~

步骤四:发送消息

        正常是在业务中发送消息,我们这里为了便于快速看到结果,就在publisher下的单元测试中模拟发送(效果一样)~

@SpringBootTest
public class AMQPTest {@Autowiredprivate RabbitTemplate rabbitTemplate;@Testpublic void testdemo1(){//队列名String queueName = "demo1.queue";//消息String message = "are you ok ?";//发送消息rabbitTemplate.convertAndSend(queueName, message);}
}

步骤五:接收消息

        接收消息是需要长期监控着队列,因此我们写在consumer服务下业务代码中即可~

@Component
public class ListenAMQP {@RabbitListener(queues = "demo1.queue")public void listenDemo1(String msg){System.out.println("接收到消息:" +msg);}
}

步骤六:启动项目(consumer) - 启动后再执行publisher下的单元测试

观察到的结果如下:


3、Work模型

我们使用案例来理解work模型~

模拟WorkQueue,实现一个队列绑定多个消费者

需求如下:

  • 在RabbitMQ的控制台创建一个队列 - work.queue
  • 在publisher服务中定义测试方法,在1秒内产生50条消息,发送到work.queue
  • 在consumer服务中定义两个消息监听者,都监听work.queue队列
  • 消费者1秒处理50条消息,消费者2每秒处理5条消息

创建队列就不说了,我们来看代码:

publisher中的代码(同上,使用单元测试来模拟):

    @Testpublic void testwork() throws InterruptedException {//队列名String queueName = "work.queue";for (int i = 1; i <= 50 ;i++){rabbitTemplate.convertAndSend(queueName, "work消息 --- " + i);Thread.sleep(20);}}

consumer代码:

    @RabbitListener(queues = "work.queue")public void listenwork1(String msg){System.out.println("接收到消息:" + msg);}@RabbitListener(queues = "work.queue")public void listenwork2(String msg){System.err.println("接收到消息:" + msg);}

结果:

上面打印时,我将两个消费者使用不同的颜色打印:

我们会看到消息是一人一个,很均匀有序的划分~

我们把每个消费者处理的速度控制一下:

再观察结果:

虽然顺序不太一样了,还好像依然是一人一个的划分,即使其中一个消费者比另一个消费的更快~

问题:

        消费者的消息推送有一定限制,在默认情况下,RabbitMQ会将消息依次投递给绑定在队列上的每一个消费者,但是这并没有考虑到消费者是否已经处理完消息,可能会出现消息堆积

优化:

        修改application.yml,设置preFetch的值为1,确保同一时刻最多投递给消费者1条消息,一条处理完了,才会收到下一条~

运行结果,能者多劳:

小结:Work模型的使用:

  • 多个消费者绑定到一个队列,可以加快消息处理速度(解决消息堆积问题)
  • 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,处理完一条再处理下一题,实现能者多劳

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/42503.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【WPF】桌面程序开发之xaml页面基础布局方式详解

使用Visual Studio开发工具&#xff0c;我们可以编写在Windows系统上运行的桌面应用程序。其中&#xff0c;WPF&#xff08;Windows Presentation Foundation&#xff09;项目是一种常见的选择。然而&#xff0c;对于初学者来说&#xff0c;WPF项目中xaml页面的布局设计可能是一…

EtherCAT转Profinet网关配置说明第三讲:博图配置

EtherCAT协议转Profinet协议网关模块&#xff08;XD-ECPNS20&#xff09;是实现EtherCAT协议和Profinet协议之间无缝通讯的重要设备。使EtherCAT协议和Profinet协议能够相互转换&#xff0c;进行工控自动化里的互连和传送数据。 EtherCAT作为一种高性能实时以太网通信协议&…

【讲解下iOS语言基础】

&#x1f308;个人主页: 程序员不想敲代码啊 &#x1f3c6;CSDN优质创作者&#xff0c;CSDN实力新星&#xff0c;CSDN博客专家 &#x1f44d;点赞⭐评论⭐收藏 &#x1f91d;希望本文对您有所裨益&#xff0c;如有不足之处&#xff0c;欢迎在评论区提出指正&#xff0c;让我们共…

【Linux详解】进程等待 | 非阻塞轮询

引入&#xff1a; 为什么&#xff1f;是什么&#xff1f;怎么办 是什么&#xff1f; 进程等待是指父进程暂停自己的执行&#xff0c;直到某个特定的子进程结束或发生某些特定的事件。 为什么&#xff1f; 僵尸进程刀枪不入&#xff0c;不可被杀死&#xff0c;存在内存泄露…

Linux_实现简易日志系统

目录 1、认识可变参数 2、解析可变参数 3、打印可变参数 3.1 va_list 3.2 va_start 3.3 va_arg 3.4 va_end 3.5 小结 4、实现日志 4.1 日志左半部分 4.2 日志右半部分 4.3 日志的存档归类 结语 前言&#xff1a; 在Linux下实现一个日志系统&#xff0c;该日…

ffmpeg图片视频编辑器工具的安装与使用

title: ffmpeg图片视频编辑器工具的安装与使用 tags: [ffmpeg, 图片, 音频, 视频, 工具, 流媒体] categories: [工具, ffmpeg] FFmpeg是一个开源的命令行工具&#xff0c;广泛用于处理视频和音频文件&#xff0c;包括转换格式、剪辑、混流、解码、编码等。以下是一些基本的FFmp…

java项目总结6

目录 1.双列集合 2.map的三种遍历方式&#xff1a; 1.键找值 2.键值对 3.lambda遍历map 3.HashMap 例子&#xff1a;统计字符出现次数 4.LinkedHashMap 5.TreeMap 6.可变参数 7.Collections: 1.双列集合 双列集合特点&#xff1a; 定义Map<String&#xff0c;St…

Linux中的管道符‘|‘以及SQL(DQL,DCL)

ls 指令 语法&#xff1a; ls [选项][目录或文件] 功能&#xff1a; 对于目录&#xff0c;该命令列出该目录下的所有子目录与文件。对于文件&#xff0c;将列出文件名以及其他信息。 常用选项&#xff1a; -a 列出目录下的所有文件&#xff0c;包括以 . 开头的隐含文件。 -…

自注意力机制和多头注意力机制区别

Ref&#xff1a;小白看得懂的 Transformer (图解) Ref&#xff1a;一文彻底搞懂 Transformer&#xff08;图解手撕&#xff09; 多头注意力机制&#xff08;Multi-Head Attention&#xff09;和自注意力机制&#xff08;Self-Attention&#xff09;是现代深度学习模型&#x…

昇思25天学习打卡营第19天|Pix2Pix实现图像转换

1. 学习内容复盘 Pix2Pix概述 Pix2Pix是基于条件生成对抗网络&#xff08;cGAN, Condition Generative Adversarial Networks &#xff09;实现的一种深度学习图像转换模型&#xff0c;该模型是由Phillip Isola等作者在2017年CVPR上提出的&#xff0c;可以实现语义/标签到真实…

点胶系统实战1-项目介绍

准备实战开发如下图的多轴点胶系统实战课程&#xff0c;内容设计界面开发、运动板块开发、任务管理、点胶的控制等。我们将和进入这个领域的初学者门一起进步。 有感兴趣的小伙伴&#xff0c;可以关注点赞&#xff0c;或评论区反馈你们的重点关注的内容&#xff0c;那些部分我…

Postman使用指南①网页版使用

postman官网地址&#xff1a;Postman API Platform 进入后点击右上角免费注册&#xff0c;注册后登录 登录之后即可在网页使用&#xff0c;无需下载

线上问题---反思与回顾

线上问题一&#xff1a;麦哲伦2.0 人群配置不生效 发现背景&#xff1a;产品发现三层模型部分计划个别测试计划圈选人群特征与数仓统计数据的人群不一致&#xff0c;向值班人员反馈 根因定位&#xff1a; &#xff08;1&#xff09;用户配置三层模型计划时&#xff0c;配置单…

RNN 交叉熵

RNN善于处理时序 序列数据 简单RNN 展开就是 LSTM 遗忘门f_t决定上期记忆保留多少 隐藏层 在神经网络中&#xff0c;隐藏层指的是除了输入层和输出层之外的层&#xff0c;它们的输出不会直接用于网络的最终输出&#xff0c;而是作为中间步骤用于提取和转换数据。因此&#x…

【网络安全】实验五(身份隐藏与ARP欺骗)

一、本次实验的实验目的 &#xff08;1&#xff09;了解网络攻击中常用的身份隐藏技术&#xff0c;掌握代理服务器的配置及使用方法 &#xff08;2&#xff09;通过实现ARP欺骗攻击&#xff0c;了解黑客利用协议缺陷进行网络攻击的一般方法 二、搭配环境 打开三台虚拟机&#…

SQL Server特性

一、创建表 在sql server中使用create table来创建新表。 create table Customers( id int primary key identity(1,1), name varchar(5) ) 该表名为Customers其中包含了2个字段&#xff0c;分别为id&#xff08;主键&#xff09;以及name。 1、数据类型 整数类型&#xff…

Towards Accurate and Robust Architectures via Neural Architecture Search

基于网络架构搜索的准确性与鲁棒性结构研究 论文链接&#xff1a;https://arxiv.org/abs/2405.05502 项目链接&#xff1a;未开源 Abstract 为了保护深度神经网络免受对抗性攻击&#xff0c;对抗性训练因其有效性而受到越来越多的关注。然而&#xff0c;对抗训练的准确性和鲁…

扩散模型笔记

长参数“T”决定了生成全噪声图像所需的步长。在本文中&#xff0c;该参数被设置为1000&#xff0c;这可能显得很大。我们真的需要为数据集中的每个原始图像创建1000个噪声图像吗?马尔可夫链方面被证明有助于解决这个问题。由于我们只需要上一步的图像来预测下一步&#xff0c…

vue2 webpack使用optimization.splitChunks分包,实现按需引入,进行首屏加载优化

optimization.splitChunks的具体功能和配置信息可以去网上自行查阅。 这边简单讲一下他的使用场景、作用、如何使用&#xff1a; 1、没用使用splitChunks进行分包之前&#xff0c;所有模块都揉在一个文件里&#xff0c;那么当这个文件足够大、网速又一般的时候&#xff0c;首…

【C++】cout.self()函数

&#x1f4e2;博客主页&#xff1a;https://blog.csdn.net/2301_779549673 &#x1f4e2;欢迎点赞 &#x1f44d; 收藏 ⭐留言 &#x1f4dd; 如有错误敬请指正&#xff01; &#x1f4e2;本文作为 JohnKi 学习笔记&#xff0c;借鉴了部分大佬案例 &#x1f4e2;未来很长&#…