写点什么

把 Redis 当作队列来用,真的合适吗?

用户头像
Kaito
关注
发布于: 2021 年 05 月 15 日
把Redis当作队列来用,真的合适吗?

大家好,我是 Kaito。


我经常听到很多人讨论,关于「把 Redis 当作队列来用是否合适」的问题。


有些人表示赞成,他们认为 Redis 很轻量,用作队列很方便。


也些人则反对,认为 Redis 会「丢」数据,最好还是用「专业」的队列中间件更稳妥。


究竟哪种方案更好呢?


这篇文章,我就和你聊一聊把 Redis 当作队列,究竟是否合适这个问题。


我会从简单到复杂,一步步带你梳理其中的细节,把这个问题真正的讲清楚。


看完这篇文章后,我希望你对这个问题你会有全新的认识。


在文章的最后,我还会告诉你关于「技术选型」的思路,文章有点长,希望你可以耐心读完。



从最简单的开始:List 队列

首先,我们先从最简单的场景开始讲起。


如果你的业务需求足够简单,想把 Redis 当作队列来使用,肯定最先想到的就是使用 List 这个数据类型。


因为 List 底层的实现就是一个「链表」,在头部和尾部操作元素,时间复杂度都是 O(1),这意味着它非常符合消息队列的模型。


如果把 List 当作队列,你可以这么来用。


生产者使用 LPUSH 发布消息:


127.0.0.1:6379> LPUSH queue msg1(integer) 1127.0.0.1:6379> LPUSH queue msg2(integer) 2
复制代码


消费者这一侧,使用 RPOP 拉取消息:


127.0.0.1:6379> RPOP queue"msg1"127.0.0.1:6379> RPOP queue"msg2"
复制代码


这个模型非常简单,也很容易理解。



但这里有个小问题,当队列中已经没有消息了,消费者在执行 RPOP 时,会返回 NULL。


127.0.0.1:6379> RPOP queue(nil)   // 没消息了
复制代码


而我们在编写消费者逻辑时,一般是一个「死循环」,这个逻辑需要不断地从队列中拉取消息进行处理,伪代码一般会这么写:


while true:    msg = redis.rpop("queue")    // 没有消息,继续循环    if msg == null:        continue    // 处理消息    handle(msg)
复制代码


如果此时队列为空,那消费者依旧会频繁拉取消息,这会造成「CPU 空转」,不仅浪费 CPU 资源,还会对 Redis 造成压力。


怎么解决这个问题呢?


也很简单,当队列为空时,我们可以「休眠」一会,再去尝试拉取消息。代码可以修改成这样:


while true:    msg = redis.rpop("queue")    // 没有消息,休眠2s    if msg == null:        sleep(2)        continue    // 处理消息            handle(msg)
复制代码


这就解决了 CPU 空转问题。


这个问题虽然解决了,但又带来另外一个问题:当消费者在休眠等待时,有新消息来了,那消费者处理新消息就会存在「延迟」。


假设设置的休眠时间是 2s,那新消息最多存在 2s 的延迟。


要想缩短这个延迟,只能减小休眠的时间。但休眠时间越小,又有可能引发 CPU 空转问题。


鱼和熊掌不可兼得。


那如何做,既能及时处理新消息,还能避免 CPU 空转呢?


Redis 是否存在这样一种机制:如果队列为空,消费者在拉取消息时就「阻塞等待」,一旦有新消息过来,就通知我的消费者立即处理新消息呢?


幸运的是,Redis 确实提供了「阻塞式」拉取消息的命令:BRPOP / BLPOP,这里的 B 指的是阻塞(Block)。



现在,你可以这样来拉取消息了:


while true:    // 没消息阻塞等待,0表示不设置超时时间    msg = redis.brpop("queue", 0)    if msg == null:        continue    // 处理消息    handle(msg)
复制代码


使用 BRPOP 这种阻塞式方式拉取消息时,还支持传入一个「超时时间」,如果设置为 0,则表示不设置超时,直到有新消息才返回,否则会在指定的超时时间后返回 NULL。


这个方案不错,既兼顾了效率,还避免了 CPU 空转问题,一举两得。


注意:如果设置的超时时间太长,这个连接太久没有活跃过,可能会被 Redis Server 判定为无效连接,之后 Redis Server 会强制把这个客户端踢下线。所以,采用这种方案,客户端要有重连机制。


解决了消息处理不及时的问题,你可以再思考一下,这种队列模型,有什么缺点?


我们一起来分析一下:


  1. 不支持重复消费:消费者拉取消息后,这条消息就从 List 中删除了,无法被其它消费者再次消费,即不支持多个消费者消费同一批数据

  2. 消息丢失:消费者拉取到消息后,如果发生异常宕机,那这条消息就丢失了


第一个问题是功能上的,使用 List 做消息队列,它仅仅支持最简单的,一组生产者对应一组消费者,不能满足多组生产者和消费者的业务场景。


第二个问题就比较棘手了,因为从 List 中 POP 一条消息出来后,这条消息就会立即从链表中删除了。也就是说,无论消费者是否处理成功,这条消息都没办法再次消费了。


这也意味着,如果消费者在处理消息时异常宕机,那这条消息就相当于丢失了。


针对这 2 个问题怎么解决呢?我们一个个来看。

发布/订阅模型:Pub/Sub

从名字就能看出来,这个模块是 Redis 专门是针对「发布/订阅」这种队列模型设计的。


它正好可以解决前面提到的第一个问题:重复消费。


即多组生产者、消费者的场景,我们来看它是如何做的。


Redis 提供了 PUBLISH / SUBSCRIBE 命令,来完成发布、订阅的操作。



假设你想开启 2 个消费者,同时消费同一批数据,就可以按照以下方式来实现。


首先,使用 SUBSCRIBE 命令,启动 2 个消费者,并「订阅」同一个队列。


// 2个消费者 都订阅一个队列127.0.0.1:6379> SUBSCRIBE queueReading messages... (press Ctrl-C to quit)1) "subscribe"2) "queue"3) (integer) 1
复制代码


此时,2 个消费者都会被阻塞住,等待新消息的到来。


之后,再启动一个生产者,发布一条消息。


127.0.0.1:6379> PUBLISH queue msg1(integer) 1
复制代码


这时,2 个消费者就会解除阻塞,收到生产者发来的新消息。


127.0.0.1:6379> SUBSCRIBE queue// 收到新消息1) "message"2) "queue"3) "msg1"
复制代码


看到了么,使用 Pub/Sub 这种方案,既支持阻塞式拉取消息,还很好地满足了多组消费者,消费同一批数据的业务需求。


除此之外,Pub/Sub 还提供了「匹配订阅」模式,允许消费者根据一定规则,订阅「多个」自己感兴趣的队列。


// 订阅符合规则的队列127.0.0.1:6379> PSUBSCRIBE queue.*Reading messages... (press Ctrl-C to quit)1) "psubscribe"2) "queue.*"3) (integer) 1
复制代码


这里的消费者,订阅了 queue.* 相关的队列消息。


之后,生产者分别向 queue.p1 和 queue.p2 发布消息。


127.0.0.1:6379> PUBLISH queue.p1 msg1(integer) 1127.0.0.1:6379> PUBLISH queue.p2 msg2(integer) 1
复制代码


这时再看消费者,它就可以接收到这 2 个生产者的消息了。


127.0.0.1:6379> PSUBSCRIBE queue.*Reading messages... (press Ctrl-C to quit)...// 来自queue.p1的消息1) "pmessage"2) "queue.*"3) "queue.p1"4) "msg1"
// 来自queue.p2的消息1) "pmessage"2) "queue.*"3) "queue.p2"4) "msg2"
复制代码



我们可以看到,Pub/Sub 最大的优势就是,支持多组生产者、消费者处理消息。


讲完了它的优点,那它有什么缺点呢?


其实,Pub/Sub 最大问题是:丢数据


如果发生以下场景,就有可能导致数据丢失:


  1. 消费者下线

  2. Redis 宕机

  3. 消息堆积


究竟是怎么回事?


这其实与 Pub/Sub 的实现方式有很大关系。


Pub/Sub 在实现时非常简单,它没有基于任何数据类型,也没有做任何的数据存储,它只是单纯地为生产者、消费者建立「数据转发通道」,把符合规则的数据,从一端转发到另一端。


一个完整的发布、订阅消息处理流程是这样的:


  1. 消费者订阅指定队列,Redis 就会记录一个映射关系:队列->消费者

  2. 生产者向这个队列发布消息,那 Redis 就从映射关系中找出对应的消费者,把消息转发给它



看到了么,整个过程中,没有任何的数据存储,一切都是实时转发的。


这种设计方案,就导致了上面提到的那些问题。


例如,如果一个消费者异常挂掉了,它再重新上线后,只能接收新的消息,在下线期间生产者发布的消息,因为找不到消费者,都会被丢弃掉。


如果所有消费者都下线了,那生产者发布的消息,因为找不到任何一个消费者,也会全部「丢弃」。


所以,当你在使用 Pub/Sub 时,一定要注意:消费者必须先订阅队列,生产者才能发布消息,否则消息会丢失。


这也是前面讲例子时,我们让消费者先订阅队列,之后才让生产者发布消息的原因。


另外,因为 Pub/Sub 没有基于任何数据类型实现,所以它也不具备「数据持久化」的能力。


也就是说,Pub/Sub 的相关操作,不会写入到 RDB 和 AOF 中,当 Redis 宕机重启,Pub/Sub 的数据也会全部丢失。


最后,我们来看 Pub/Sub 在处理「消息积压」时,为什么也会丢数据?


当消费者的速度,跟不上生产者时,就会导致数据积压的情况发生。


如果采用 List 当作队列,消息积压时,会导致这个链表很长,最直接的影响就是,Redis 内存会持续增长,直到消费者把所有数据都从链表中取出。


但 Pub/Sub 的处理方式却不一样,当消息积压时,有可能会导致消费失败和消息丢失


这是怎么回事?


还是回到 Pub/Sub 的实现细节上来说。


每个消费者订阅一个队列时,Redis 都会在 Server 上给这个消费者在分配一个「缓冲区」,这个缓冲区其实就是一块内存。


当生产者发布消息时,Redis 先把消息写到对应消费者的缓冲区中。


之后,消费者不断地从缓冲区读取消息,处理消息。



但是,问题就出在这个缓冲区上。


因为这个缓冲区其实是有「上限」的(可配置),如果消费者拉取消息很慢,就会造成生产者发布到缓冲区的消息开始积压,缓冲区内存持续增长。


如果超过了缓冲区配置的上限,此时,Redis 就会「强制」把这个消费者踢下线。


这时消费者就会消费失败,也会丢失数据。


如果你有看过 Redis 的配置文件,可以看到这个缓冲区的默认配置:client-output-buffer-limit pubsub 32mb 8mb 60。


它的参数含义如下:


  • 32mb:缓冲区一旦超过 32MB,Redis 直接强制把消费者踢下线

  • 8mb + 60:缓冲区超过 8MB,并且持续 60 秒,Redis 也会把消费者踢下线


Pub/Sub 的这一点特点,是与 List 作队列差异比较大的。


从这里你应该可以看出,List 其实是属于「拉」模型,而 Pub/Sub 其实属于「推」模型


List 中的数据可以一直积压在内存中,消费者什么时候来「拉」都可以。


但 Pub/Sub 是把消息先「推」到消费者在 Redis Server 上的缓冲区中,然后等消费者再来取。


当生产、消费速度不匹配时,就会导致缓冲区的内存开始膨胀,Redis 为了控制缓冲区的上限,所以就有了上面讲到的,强制把消费者踢下线的机制。


好了,现在我们总结一下 Pub/Sub 的优缺点:


  1. 支持发布 / 订阅,支持多组生产者、消费者处理消息

  2. 消费者下线,数据会丢失

  3. 不支持数据持久化,Redis 宕机,数据也会丢失

  4. 消息堆积,缓冲区溢出,消费者会被强制踢下线,数据也会丢失


有没有发现,除了第一个是优点之外,剩下的都是缺点。


所以,很多人看到 Pub/Sub 的特点后,觉得这个功能很「鸡肋」。


也正是以上原因,Pub/Sub 在实际的应用场景中用得并不多。


目前只有哨兵集群和 Redis 实例通信时,采用了 Pub/Sub 的方案,因为哨兵正好符合即时通讯的业务场景。


我们再来看一下,Pub/Sub 有没有解决,消息处理时异常宕机,无法再次消费的问题呢?


其实也不行,Pub/Sub 从缓冲区取走数据之后,数据就从 Redis 缓冲区删除了,消费者发生异常,自然也无法再次重新消费。


好,现在我们重新梳理一下,我们在使用消息队列时的需求。


当我们在使用一个消息队列时,希望它的功能如下:


  • 支持阻塞等待拉取消息

  • 支持发布 / 订阅模式

  • 消费失败,可重新消费,消息不丢失

  • 实例宕机,消息不丢失,数据可持久化

  • 消息可堆积


Redis 除了 List 和 Pub/Sub 之外,还有符合这些要求的数据类型吗?


其实,Redis 的作者也看到了以上这些问题,也一直在朝着这些方向努力着。


Redis 作者在开发 Redis 期间,还另外开发了一个开源项目 disque。


这个项目的定位,就是一个基于内存的分布式消息队列中间件。


但由于种种原因,这个项目一直不温不火。


终于,在 Redis 5.0 版本,作者把 disque 功能移植到了 Redis 中,并给它定义了一个新的数据类型:Stream


下面我们就来看看,它能符合上面提到的这些要求吗?

趋于成熟的队列:Stream

我们来看 Stream 是如何解决上面这些问题的。


我们依旧从简单到复杂,依次来看 Stream 在做消息队列时,是如何处理的?


首先,Stream 通过 XADD 和 XREAD 完成最简单的生产、消费模型:


  • XADD:发布消息

  • XREAD:读取消息


生产者发布 2 条消息:


// *表示让Redis自动生成消息ID127.0.0.1:6379> XADD queue * name zhangsan"1618469123380-0"127.0.0.1:6379> XADD queue * name lisi"1618469127777-0"
复制代码


使用 XADD 命令发布消息,其中的「*」表示让 Redis 自动生成唯一的消息 ID。


这个消息 ID 的格式是「时间戳-自增序号」。


消费者拉取消息:


// 从开头读取5条消息,0-0表示从开头读取127.0.0.1:6379> XREAD COUNT 5 STREAMS queue 0-01) 1) "queue"   2) 1) 1) "1618469123380-0"         2) 1) "name"            2) "zhangsan"      2) 1) "1618469127777-0"         2) 1) "name"            2) "lisi"
复制代码


如果想继续拉取消息,需要传入上一条消息的 ID:


127.0.0.1:6379> XREAD COUNT 5 STREAMS queue 1618469127777-0(nil)
复制代码


没有消息,Redis 会返回 NULL。



以上就是 Stream 最简单的生产、消费。


这里不再重点介绍 Stream 命令的各种参数,我在例子中演示时,凡是大写的单词都是「固定」参数,凡是小写的单词,都是可以自己定义的,例如队列名、消息长度等等,下面的例子规则也是一样,为了方便你理解,这里有必要提醒一下。


下面我们来看,针对前面提到的消息队列要求,Stream 都是如何解决的?


1) Stream 是否支持「阻塞式」拉取消息?


可以的,在读取消息时,只需要增加 BLOCK 参数即可。


// BLOCK 0 表示阻塞等待,不设置超时时间127.0.0.1:6379> XREAD COUNT 5 BLOCK 0 STREAMS queue 1618469127777-0
复制代码


这时,消费者就会阻塞等待,直到生产者发布新的消息才会返回。


2) Stream 是否支持发布 / 订阅模式?


也没问题,Stream 通过以下命令完成发布订阅:


  • XGROUP:创建消费者组

  • XREADGROUP:在指定消费组下,开启消费者拉取消息


下面我们来看具体如何做?


首先,生产者依旧发布 2 条消息:


127.0.0.1:6379> XADD queue * name zhangsan"1618470740565-0"127.0.0.1:6379> XADD queue * name lisi"1618470743793-0"
复制代码


之后,我们想要开启 2 组消费者处理同一批数据,就需要创建 2 个消费者组:


// 创建消费者组1,0-0表示从头拉取消息127.0.0.1:6379> XGROUP CREATE queue group1 0-0OK// 创建消费者组2,0-0表示从头拉取消息127.0.0.1:6379> XGROUP CREATE queue group2 0-0OK
复制代码


消费者组创建好之后,我们可以给每个「消费者组」下面挂一个「消费者」,让它们分别处理同一批数据。


第一个消费组开始消费:


// group1的consumer开始消费,>表示拉取最新数据127.0.0.1:6379> XREADGROUP GROUP group1 consumer COUNT 5 STREAMS queue >1) 1) "queue"   2) 1) 1) "1618470740565-0"         2) 1) "name"            2) "zhangsan"      2) 1) "1618470743793-0"         2) 1) "name"            2) "lisi"
复制代码


同样地,第二个消费组开始消费:


// group2的consumer开始消费,>表示拉取最新数据127.0.0.1:6379> XREADGROUP GROUP group2 consumer COUNT 5 STREAMS queue >1) 1) "queue"   2) 1) 1) "1618470740565-0"         2) 1) "name"            2) "zhangsan"      2) 1) "1618470743793-0"         2) 1) "name"            2) "lisi"
复制代码


我们可以看到,这 2 组消费者,都可以获取同一批数据进行处理了。


这样一来,就达到了多组消费者「订阅」消费的目的。



3) 消息处理时异常,Stream 能否保证消息不丢失,重新消费?


除了上面拉取消息时用到了消息 ID,这里为了保证重新消费,也要用到这个消息 ID。


当一组消费者处理完消息后,需要执行 XACK 命令告知 Redis,这时 Redis 就会把这条消息标记为「处理完成」。


// group1下的 1618472043089-0 消息已处理完成127.0.0.1:6379> XACK queue group1 1618472043089-0
复制代码



如果消费者异常宕机,肯定不会发送 XACK,那么 Redis 就会依旧保留这条消息。


待这组消费者重新上线后,Redis 就会把之前没有处理成功的数据,重新发给这个消费者。这样一来,即使消费者异常,也不会丢失数据了。


// 消费者重新上线,0-0表示重新拉取未ACK的消息127.0.0.1:6379> XREADGROUP GROUP group1 consumer1 COUNT 5 STREAMS queue 0-0// 之前没消费成功的数据,依旧可以重新消费1) 1) "queue"   2) 1) 1) "1618472043089-0"         2) 1) "name"            2) "zhangsan"      2) 1) "1618472045158-0"         2) 1) "name"            2) "lisi"
复制代码


4) Stream 数据会写入到 RDB 和 AOF 做持久化吗?


Stream 是新增加的数据类型,它与其它数据类型一样,每个写操作,也都会写入到 RDB 和 AOF 中。


我们只需要配置好持久化策略,这样的话,就算 Redis 宕机重启,Stream 中的数据也可以从 RDB 或 AOF 中恢复回来。


5) 消息堆积时,Stream 是怎么处理的?


其实,当消息队列发生消息堆积时,一般只有 2 个解决方案:


  1. 生产者限流:避免消费者处理不及时,导致持续积压

  2. 丢弃消息:中间件丢弃旧消息,只保留固定长度的新消息


而 Redis 在实现 Stream 时,采用了第 2 个方案。


在发布消息时,你可以指定队列的最大长度,防止队列积压导致内存爆炸。


// 队列长度最大10000127.0.0.1:6379> XADD queue MAXLEN 10000 * name zhangsan"1618473015018-0"
复制代码


当队列长度超过上限后,旧消息会被删除,只保留固定长度的新消息。


这么来看,Stream 在消息积压时,如果指定了最大长度,还是有可能丢失消息的。


除了以上介绍到的命令,Stream 还支持查看消息长度(XLEN)、查看消费者状态(XINFO)等命令,使用也比较简单,你可以查询官方文档了解一下,这里就不过多介绍了。


好了,通过以上介绍,我们可以看到,Redis 的 Stream 几乎覆盖到了消息队列的各种场景,是不是觉得很完美?


既然它的功能这么强大,这是不是意味着,Redis 真的可以作为专业的消息队列中间件来使用呢?


但是还「差一点」,就算 Redis 能做到以上这些,也只是「趋近于」专业的消息队列。


原因在于 Redis 本身的一些问题,如果把其定位成消息队列,还是有些欠缺的。


到这里,就不得不把 Redis 与专业的队列中间件做对比了。


下面我们就来看一下,Redis 在作队列时,到底还有哪些欠缺?

与专业的消息队列对比

其实,一个专业的消息队列,必须要做到两大块:


  1. 消息不丢

  2. 消息可堆积


前面我们讨论的重点,很大篇幅围绕的是第一点展开的。


这里我们换个角度,从一个消息队列的「使用模型」来分析一下,怎么做,才能保证数据不丢?


使用一个消息队列,其实就分为三大块:生产者、队列中间件、消费者



消息是否会发生丢失,其重点也就在于以下 3 个环节:


  1. 生产者会不会丢消息?

  2. 消费者会不会丢消息?

  3. 队列中间件会不会丢消息?


1) 生产者会不会丢消息?


当生产者在发布消息时,可能发生以下异常情况:


  1. 消息没发出去:网络故障或其它问题导致发布失败,中间件直接返回失败

  2. 不确定是否发布成功:网络问题导致发布超时,可能数据已发送成功,但读取响应结果超时了


如果是情况 1,消息根本没发出去,那么重新发一次就好了。


如果是情况 2,生产者没办法知道消息到底有没有发成功?所以,为了避免消息丢失,它也只能继续重试,直到发布成功为止。


生产者一般会设定一个最大重试次数,超过上限依旧失败,需要记录日志报警处理。


也就是说,生产者为了避免消息丢失,只能采用失败重试的方式来处理。


但发现没有?这也意味着消息可能会重复发送。


是的,在使用消息队列时,要保证消息不丢,宁可重发,也不能丢弃。


那消费者这边,就需要多做一些逻辑了。


对于敏感业务,当消费者收到重复数据数据时,要设计幂等逻辑,保证业务的正确性。


从这个角度来看,生产者会不会丢消息,取决于生产者对于异常情况的处理是否合理。


所以,无论是 Redis 还是专业的队列中间件,生产者在这一点上都是可以保证消息不丢的。


2) 消费者会不会丢消息?


这种情况就是我们前面提到的,消费者拿到消息后,还没处理完成,就异常宕机了,那消费者还能否重新消费失败的消息?


要解决这个问题,消费者在处理完消息后,必须「告知」队列中间件,队列中间件才会把标记已处理,否则仍旧把这些数据发给消费者。


这种方案需要消费者和中间件互相配合,才能保证消费者这一侧的消息不丢。


无论是 Redis 的 Stream,还是专业的队列中间件,例如 RabbitMQ、Kafka,其实都是这么做的。


所以,从这个角度来看,Redis 也是合格的。


3) 队列中间件会不会丢消息?


前面 2 个问题都比较好处理,只要客户端和服务端配合好,就能保证生产端、消费端都不丢消息。


但是,如果队列中间件本身就不可靠呢?


毕竟生产者和消费这都依赖它,如果它不可靠,那么生产者和消费者无论怎么做,都无法保证数据不丢。


在这个方面,Redis 其实没有达到要求。


Redis 在以下 2 个场景下,都会导致数据丢失。


  1. AOF 持久化配置为每秒写盘,但这个写盘过程是异步的,Redis 宕机时会存在数据丢失的可能

  2. 主从复制也是异步的,主从切换时,也存在丢失数据的可能(从库还未同步完成主库发来的数据,就被提成主库)


基于以上原因我们可以看到,Redis 本身的无法保证严格的数据完整性


所以,如果把 Redis 当做消息队列,在这方面是有可能导致数据丢失的。


再来看那些专业的消息队列中间件是如何解决这个问题的?


像 RabbitMQ 或 Kafka 这类专业的队列中间件,在使用时,一般是部署一个集群,生产者在发布消息时,队列中间件通常会写「多个节点」,以此保证消息的完整性。这样一来,即便其中一个节点挂了,也能保证集群的数据不丢失。


也正因为如此,RabbitMQ、Kafka 在设计时也更复杂。毕竟,它们是专门针对队列场景设计的。


但 Redis 的定位则不同,它的定位更多是当作缓存来用,它们两者在这个方面肯定是存在差异的。


最后,我们来看消息积压怎么办?


4) 消息积压怎么办?


因为 Redis 的数据都存储在内存中,这就意味着一旦发生消息积压,则会导致 Redis 的内存持续增长,如果超过机器内存上限,就会面临被 OOM 的风险。


所以,Redis 的 Stream 提供了可以指定队列最大长度的功能,就是为了避免这种情况发生。


但 Kafka、RabbitMQ 这类消息队列就不一样了,它们的数据都会存储在磁盘上,磁盘的成本要比内存小得多,当消息积压时,无非就是多占用一些磁盘空间,相比于内存,在面对积压时也会更加「坦然」。


综上,我们可以看到,把 Redis 当作队列来使用时,始终面临的 2 个问题:


  1. Redis 本身可能会丢数据

  2. 面对消息积压,Redis 内存资源紧张


到这里,Redis 是否可以用作队列,我想这个答案你应该会比较清晰了。


如果你的业务场景足够简单,对于数据丢失不敏感,而且消息积压概率比较小的情况下,把 Redis 当作队列是完全可以的。


而且,Redis 相比于 Kafka、RabbitMQ,部署和运维也更加轻量。


如果你的业务场景对于数据丢失非常敏感,而且写入量非常大,消息积压时会占用很多的机器资源,那么我建议你使用专业的消息队列中间件。

总结

好了,总结一下。这篇文章我们从「Redis 能否用作队列」这个角度出发,介绍了 List、Pub/Sub、Stream 在做队列的使用方式,以及它们各自的优劣。


之后又把 Redis 和专业的消息队列中间件做对比,发现 Redis 的不足之处。


最后,我们得出 Redis 做队列的合适场景。


这里我也列了一个表格,总结了它们各自的优缺点。


后记

最后,我想和你再聊一聊关于「技术方案选型」的问题。


你应该也看到了,这篇文章虽然始于 Redis,但并不止于 Redis。


我们在分析 Redis 细节时,一直在提出问题,然后寻找更好的解决方案,在文章最后,又聊到一个专业的消息队列应该怎么做。


其实,我们在讨论技术选型时,就是一个关于如何取舍的问题。


而这里我想传达给你的信息是,在面对技术选型时,不要不经过思考就觉得哪个方案好,哪个方案不好


你需要根据具体场景具体分析,这里我把这个分析过程分为 2 个层面:


  1. 业务功能角度

  2. 技术资源角度


这篇文章所讲到的内容,都是以业务功能角度出发做决策的。


但这里的第二点,从技术资源角度出发,其实也很重要。


技术资源的角度是说,你所处的公司环境、技术资源能否匹配这些技术方案


这个怎么解释呢?


简单来讲,就是你所在的公司、团队,是否有匹配的资源能 hold 住这些技术方案。


我们都知道 Kafka、RabbitMQ 是非常专业的消息中间件,但它们的部署和运维,相比于 Redis 来说,也会更复杂一些。


如果你在一个大公司,公司本身就有优秀的运维团队,那么使用这些中间件肯定没问题,因为有足够优秀的人能 hold 住这些中间件,公司也会投入人力和时间在这个方向上。


但如果你是在一个初创公司,业务正处在快速发展期,暂时没有能 hold 住这些中间件的团队和人,如果贸然使用这些组件,当发生故障时,排查问题也会变得很困难,甚至会阻碍业务的发展。


而这种情形下,如果公司的技术人员对于 Redis 都很熟,综合评估来看,Redis 也基本可以满足业务 90% 的需求,那当下选择 Redis 未必不是一个好的决策。


所以,做技术选型不只是技术问题,还与人、团队、管理、组织结构有关


也正是因为这些原因,当你在和别人讨论技术选型问题时,你会发现每个公司的做法都不相同。


毕竟每个公司所处的环境和文化不一样,做出的决策当然就会各有差异。


如果你不了解这其中的逻辑,那在做技术选型时,只会趋于表面现象,无法深入到问题根源。


而一旦你理解了这个逻辑,那么你在看待这个问题时,不仅对于技术会有更加深刻认识,对技术资源和人的把握,也会更加清晰。


希望你以后在做技术选型时,能够把这些因素也考虑在内,这对你的技术成长之路也是非常有帮助的。



如果你还想看更多优质原创文章,欢迎关注我的公众号「水滴与银弹」。


我是 Kaito,是一个对于技术有思考的资深后端程序员,在我的文章中,我不仅会告诉你一个技术点是什么,还会告诉你为什么这么做?我还会尝试把这些思考过程,提炼成通用的方法论,让你可以应用在其它领域中,做到举一反三。


微信搜索关注「水滴与银弹」公众号,第一时间获取优质技术干货。7 年资深后端研发,给你呈现不一样的技术视角。


原文链接:https://mp.weixin.qq.com/s/RthQvzLHZRGNo-z6X_7jQQ

发布于: 2021 年 05 月 15 日阅读数: 1140
用户头像

Kaito

关注

公众号「水滴与银弹」,不一样的技术视角。 2017.11.17 加入

坐标北京,7年资深后端研发,从事基础架构和数据库中间件研发。擅长把晦涩难懂的技术,用简单的方式讲清楚。

评论 (1 条评论)

发布
用户头像
如果合适,redis 的作者 antirez 就不会另起一个 disque 项目了。
2021 年 05 月 17 日 08:45
回复
没有更多了
把Redis当作队列来用,真的合适吗?