使用 RabbitMQ 和 RocketMQ 的人是幸运的，因为这两个 MQ 自身提供了延迟队列的实现，不像用 Kafka 的同学那么苦逼，还要自己实现延迟队列。当然，这都是题外话，今天咱们重点来聊聊

前两天去美团面试的陈同学回来了，看他满脸泄气的样子，准是没拿到 Offer。听了他面试的经过，竟然是被一道面试题拦住了去路：看你简历上写着精通 Redis，请你总结一下Redis中存在的阻塞问题吧。

生产端的应用层或者网络层有问题时，仅仅依靠生产端的回调机制和retries机制，并不能100%确保消息不丢失；如果要解决此问题，可以试试 记录消息发送状态+定时任务扫描+重试的机制

本篇针对消息积压的解决过程进行了极其详尽的记录，从思路、代码、优化一条龙服务，手把手教学，让你看到网上找不到的实操细节，更有多个真实问题解决的案例。

在高并发的场景下，异步是一个极其重要的优化方向。 前段时间，生产环境发生一次事故，笔者认为事故的场景非常具备典型性 。 写这篇文章，笔者想和大家深入探讨该场景的架构优化方案。希望大家读完之后，可以对异

1. Producer 生产者 2. Consumer 消费者 3. Broker 独立的 Kafka 服务器 4. Topic 主题 5. Partition 分区 6. Replicas 副本 7. Offset 偏移量 1. Partition 2. Consumer 1…

Kafka 是个大家伙，本篇将通过40道问答作为路线，由浅入深，最大程度上覆盖整个 Kafka 的问答内容（预习＋复习一步到位）

那在上一篇文章中我们了解了 消费者偏移量__consumer_offsets_,知道了 消费者在消费了消息之后

Consumer通过提交Offset来记录当前消费的最后位置，以便于消费者发生崩溃或者有新的消费者加入消费者组，而引发的分区再均衡操作，每个消费者可能会分到不同的分区。我测试的kafka版本是：0.11.0.2，消费者往一个特殊的主题“_consumer_offset”发送消息…