消息队列高手课
李玥
京东零售技术架构部资深架构师
立即订阅
8426 人已学习
课程目录
已完结 41 讲
0/4登录后，你可以任选4讲全文学习。
课前必读 (2讲)
开篇词 | 优秀的程序员，你的技术栈中不能只有“增删改查”
免费
预习 | 怎样更好地学习这门课？
基础篇 (8讲)
01 | 为什么需要消息队列？
02 | 该如何选择消息队列？
03 | 消息模型：主题和队列有什么区别？
04 | 如何利用事务消息实现分布式事务？
05 | 如何确保消息不会丢失?
06 | 如何处理消费过程中的重复消息？
07 | 消息积压了该如何处理？
08 | 答疑解惑（一） : 网关如何接收服务端的秒杀结果？
进阶篇 (21讲)
09 | 学习开源代码该如何入手？
10 | 如何使用异步设计提升系统性能？
11 | 如何实现高性能的异步网络传输？
12 | 序列化与反序列化：如何通过网络传输结构化的数据？
13 | 传输协议：应用程序之间对话的语言
14 | 内存管理：如何避免内存溢出和频繁的垃圾回收？
加餐 | JMQ的Broker是如何异步处理消息的？
15 | Kafka如何实现高性能IO？
16 | 缓存策略：如何使用缓存来减少磁盘IO？
17 | 如何正确使用锁保护共享数据，协调异步线程？
18 | 如何用硬件同步原语（CAS）替代锁？
19 | 数据压缩：时间换空间的游戏
20 | RocketMQ Producer源码分析：消息生产的实现过程
21 | Kafka Consumer源码分析：消息消费的实现过程
22 | Kafka和RocketMQ的消息复制实现的差异点在哪？
23 | RocketMQ客户端如何在集群中找到正确的节点？
24 | Kafka的协调服务ZooKeeper：实现分布式系统的“瑞士军刀”
25 | RocketMQ与Kafka中如何实现事务？
26 | MQTT协议：如何支持海量的在线IoT设备?
27 | Pulsar的存储计算分离设计：全新的消息队列设计思路
28 | 答疑解惑（二）：我的100元哪儿去了？
案例篇 (7讲)
29 | 流计算与消息（一）：通过Flink理解流计算的原理
30 | 流计算与消息（二）：在流计算中使用Kafka链接计算任务
31 | 动手实现一个简单的RPC框架（一）：原理和程序的结构
32 | 动手实现一个简单的RPC框架（二）：通信与序列化
33 | 动手实现一个简单的RPC框架（三）：客户端
34 | 动手实现一个简单的RPC框架（四）：服务端
35 | 答疑解惑（三）：主流消息队列都是如何存储消息的？
测试篇 (2讲)
期中测试丨10个消息队列热点问题自测
免费
期末测试 | 消息队列100分试卷等你来挑战！
结束语 (1讲)
结束语 | 程序员如何构建知识体系？
消息队列高手课
登录|注册
29 | 流计算与消息（一）：通过Flink理解流计算的原理
李玥 2019-10-01
你好，我是李玥。
在上节课中，我简单地介绍了消息队列和流计算的相关性。在生产中，消息队列和流计算往往是相互配合，一起来使用的。而流计算也是后端程序员技术栈中非常重要的一项技术。在接下来的两节课中，我们一起通过两个例子来实际演练一下，如何使用消息队列配合流计算框架实现一些常用的流计算任务。
这节课，我们一起来基于 Flink 实现一个流计算任务，通过这个例子来感受一下流计算的好处，同时我还会给你讲解流计算框架的实现原理。下一节课中，我们会把本节课中的例子升级改造，使用 Kafka 配合 Flink 来实现 Exactly Once 语义，确保数据在计算过程中不重不丢。
无论你之前是否接触过像 Storm、Flink 或是 Spark 这些流计算框架都没有关系，因为我们已经学习了消息队列的实现原理，以及实现消息队列必备的像异步网络传输、序列化这些知识。在掌握了这些知识和底层的原理之后，再来学习和理解流计算框架的实现原理，你会发现，事情就变得非常简单了。
为什么这么说，一个原因是，对于很多中间件或者说基础框架这类软件来说，它们用到很多底层的技术都是一样；另外一个原因是，流计算和消息队列处理的都实时的、流动的数据，很多处理流数据的方法也是一样的。
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《消息队列高手课》，如需阅读全部文章，
请订阅文章所属专栏。
请订阅文章所属专栏。
立即订阅
登录 后留言
精选留言(6)
张天屹老师你好，请教个概念，虽然处理统计的程序叫做“流”计算，但是比如每5秒或者1分钟这样的时间间隔统计一次，那么对于有向无环图的每个节点，其实还是按照“批处理的”吗，即必须等这一分钟的结果汇集为一批处理完了，才传输到协议个Task节点。作者回复: 不是这样的，每条数据是实时流过的，并不会等待。
只有做按时间汇聚的那个节点，它会记录汇总的中间结果（注意，它只记录汇总的中间结果，并不知把所有数据都攒起来），在每个时间窗口结束后会在流中产生一条新的数据（也就是统计结果），流往下游。
比如，每分钟统计数据条数，汇聚的这个节点每流过一条数据，统计值就+1，它不会保存流过的数据，等到时间窗口结束，这个统计就做完了，它直接生成一条统计结果数据，发往下游。2019-10-04 6
囊子老师您好，采用时序数据库比如prometheus，然后用grafana去做展示监控指标信息。感觉从表现形式上和流计算有些类似，时序数据库也支持统计功能。这两种形式的架构和使用场景，老师有什么看法呢？（除了并行计算这个点）作者回复: 场景不太一样，这种场景更在乎的是海量吞吐，快速查询，对于数据可靠性和一致性的要求没那么高，毕竟一个图标上少一两个点也没什么关系。
2019-10-09 2
DFighting上一篇留言无意提交了，文章具体内容可以谷歌搜索Streaming 101,Streaming 102作者回复: Streaming 101 这篇博文就是Flink的理论基础。
2019-10-28- DFightingtaskmanager.numberOfTaskSlots表示TaskManager可以支配的CPU内核数，和并行度并不是一个层次的概念，一个基础配置，一个是运行时可以从集群中分配到多少资源。
ps:关于流计算的相关知识有两篇文章可以学习下，我觉得他们是最好的Flink入门papper了2019-10-28 
川杰如果服务端在处理过程是失败了呢？所以，需要客户端收到服务端明确的告知：”数据我收到并且处理成功了“，才能保证数据不会丢失。
老师您好，对于上一问题，我还有疑问。
对于服务端处理过程中的失败，假设场景: 业务A处理完毕后，数据需要落地，结果数据保存时出现异常，无法正常落地。
对于这种场景，应该是业务处理完毕后就发送确认给消息产生者吧？
我想表达的意思是，对于服务端这种业务场景，是否使用ACK，应该还是要具体问题具体分析的吧？作者回复: 一般应该是数据持久化完成后在发送消费成功确认。
2019-10-02- 川杰老师，请问网上说的ACK机制，在消息队列中到底什么场景下要使用呢？
我理解，异步线程发送消息后，虽然主线程没法捕获异常，但子线程也可以判断出是否发送成功。那么为什么还要等待接收方返回一个数据处理完的结果呢？作者回复: 这个原因很简单，你想一下，客户端发送成功并不等于服务端处理成功，如果数据在网络传输过程中丢了呢？如果服务端在处理过程是失败了呢？所以，需要客户端收到服务端明确的告知：”数据我收到并且处理成功了“，才能保证数据不会丢失。
2019-10-01
收起评论