这是我参与「第三届青训营 -后端场」笔记创作活动的第2篇笔记。
之前讲的内容感觉有的些像课内的知识，有的又太多脱离目前的水平，记起笔记来感觉不好归纳，这次消息队列的课程感觉引入的比较好，能让我这个菜鸡能够听懂， 打算等把知识点补齐一点，把之前的知识点串起来在补上前面的笔记。
消息队列技术在实际生产中应用广泛，但是在大学教学课程中少有提及。
引入
课程用了几个案例
第一个案例是系统崩溃
第二个案例是服务能力有限。
第三个案例是链路耗时长尾：客户体验不佳。
第四个案例是日志存储。
这四个场景分别有对应的消息队列解决方案
对于场景1则是在通过消息队列来记录存储
对于场景2则是通过消息队列来削峰
对于场景3则是通过消息队列来进行异步处理
场景4是日志处理（不是很了解就贴个图把）
随后的介绍：
消息队列MQ：保存消息的一个容器 本质是一个队列，需要支持高吞吐高并发、高可用。
Kafka
可程介绍了如何使用Kafka： 创建集群、新增Topic、编写生产者逻辑和编写消费者逻辑。
总结了可以帮助Kafka提高吞吐或者稳定性的功能： Producer：批量发送、数据压缩。 Broker：顺序写，消息索引，零拷贝。 Consumer：Rebalance。 数据复制问题、重启操作、替换、扩容、缩容、负载不均衡。
关于Kafka的问题总结：运维成本高、对于负载不均衡的场景，解决方案复杂，没有自己的缓存，完全依赖Page Cache Controller 和Coordinator 和Broker 在同一进程中。大量IO会造成其性能下降。
BMQ
对比了BMQ和Kafka的运维操作，体现了BMQ的优势。
HDFS写文件流程：随机选择DataNode写入。
Broker-Partition状态机 保证对于任意分片在同一时刻只能在一个Broker上存活。
介绍了Broker写文件流程、 Proxy、 多机房部署、BMQ的高级特性和泳道消息等
Databus直接使用原生SDK问题：客户端配置较为复杂；不支持动态配置，更改配置需要停掉服务；对于latency不是很敏感的业务，batch效果不佳。
Mirror：通过多机房部署方式，解决跨Region读写问题。 通过最终一致的方式。
Index：直接在BMQ中将数据结构化，配置索引DDL，异步构建索引后，通过Index Query 服务读出数据。
Parquet： Apache Parquet 是Hadoop 生态圈中一种新型列式存储格式，可以兼容Hadoop生态圈中大多数计算框架，被多种查询引擎支持，可以直接在BMQ中将数据结构化，通过Parquet Engine 可以使用不同的方式构建Parquet格式文件。
使用场景：针对电商业务线，其业务涉及广泛，如注册、订单、库存、物流等，同时也涉及许多业务峰值时刻，如秒杀活动、定期特惠等
RocketMQ
介绍了基本概念、架构、高级特性：事务场景、事务消息、延迟发送、延迟消息、消费重试和死信队列。
干货很多，慢慢学习！
