深入理解和应用RabbitMQ的Work Queues模型

当你在处理消息时，可能会遇到这样的问题：消息的生产速度远远大于消费速度，导致消息堆积。这时候，Work Queues（工作队列）模型就能派上用场。简单来说，Work Queues 让多个消费者绑定到一个队列，共同消费队列中的消息，从而加快消息处理速度。

1. 场景模拟

我们来模拟一个这样的场景。首先，在控制台创建一个名为 work.queue 的队列。

2. 消息发送

我们通过循环发送大量消息来模拟消息堆积的现象。在 publisher 服务中的 SpringAmqpTest 类中添加一个测试方法：

@Test
public void testWorkQueue() throws InterruptedException {// 队列名称String queueName = "simple.queue";// 消息String message = "hello, message_";for (int i = 0; i < 50; i++) {// 发送消息，每20毫秒发送一次，相当于每秒发送50条消息rabbitTemplate.convertAndSend(queueName, message + i);Thread.sleep(20);}
}

3. 消息接收

为了模拟多个消费者绑定同一个队列，我们在 consumer 服务的 SpringRabbitListener 中添加两个新的方法：

@RabbitListener(queues = "work.queue")
public void listenWorkQueue1(String msg) throws InterruptedException {System.out.println("消费者1接收到消息：【" + msg + "】" + LocalTime.now());Thread.sleep(20);
}@RabbitListener(queues = "work.queue")
public void listenWorkQueue2(String msg) throws InterruptedException {System.err.println("消费者2........接收到消息：【" + msg + "】" + LocalTime.now());Thread.sleep(200);
}

注意到这两个消费者都设置了 Thread.sleep 来模拟任务耗时：

• 消费者1：Thread.sleep(20)，相当于每秒处理50个消息。
• 消费者2：Thread.sleep(200)，相当于每秒处理5个消息。

4. 测试

启动 ConsumerApplication 后，执行 publisher 服务中编写的发送测试方法 testWorkQueue。结果如下：

消费者1接收到消息：【hello, message_0】21:06:00.869555300
消费者2........接收到消息：【hello, message_1】21:06:00.884518
...
消费者1接收到消息：【hello, message_48】21:06:01.920702500
消费者2........接收到消息：【hello, message_49】21:06:05.723106700

可以看到，消费者1和消费者2各自消费了25条消息：

• 消费者1快速完成了任务。
• 消费者2则缓慢处理任务。

消息是平均分配给每个消费者的，并没有考虑到各个消费者的处理能力，导致一个消费者空闲，另一个忙碌。这显然是低效的。

5. 能者多劳

在 spring 中，可以通过简单配置解决这个问题。修改 consumer 服务的 application.yml 文件，添加如下配置：

spring:rabbitmq:listener:simple:prefetch: 1 # 每次只能获取一条消息，处理完成才能获取下一个消息

再次测试，结果如下：

消费者1接收到消息：【hello, message_0】21:12:51.659664200
消费者2........接收到消息：【hello, message_1】21:12:51.680610
...
消费者2........接收到消息：【hello, message_49】21:12:52.746299900

这次，消费者1处理了更多的消息，消费者2则处理了较少的消息，总耗时在1秒左右，大大提升了效率。这充分利用了每一个消费者的处理能力，有效避免了消息积压问题。

6. 总结

Work Queues 模型的使用要点：

• 多个消费者绑定到一个队列，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。

这样可以更高效地利用资源，提高消息处理速度。