推荐开源项目:Rqueue - 基于Spring的高效Redis消息队列
2024-05-22 20:14:47作者:邓越浪Henry

Rqueue 是一个专为Spring和Spring Boot设计的Redis驱动的消息队列系统,可作为任务队列和调度队列,提供即时投递、任务调度、唯一性消息处理等多种功能。通过Spring框架的消息传递库,它能够实现轻量级的消息中间件功能,所有服务代码均在Spring环境中运行。
项目简介
Rqueue 提供了以下核心特性:
- 即时投递:背景中立即执行消息。
- 消息调度:按任意时间段计划消息。
- 唯一性消息:基于消息ID的唯一性处理。
- 周期性消息:以特定间隔重复同一消息。
- 优先级任务:高、低、中等优先级的任务。
- 至少一次交付保证:确保消息至少被消费一次(由于应用崩溃或重启等情况可能导致多次消费)。
- 自动消息序列化与反序列化。
- 多播消息:每个消息可以调用多个监听器。
- 批量消息取样:从Redis一次性获取多个消息。
- 监控指标:记录飞行中的消息、等待消费和已计划的消息。
- 竞争消费者:多条消息可由不同工人并行消费。
- 并发控制:监听器的并发配置。
- 队列优先级:组级和子队列级别的优先级。
- 长时间运行作业:长跑作业可以定期检查。
- 执行回退:指数和固定回退策略(默认固定回退)。
- 中间件:添加一个或多个中间件,在监听器方法之前调用。
- 回调函数:死信队列、丢弃等事件的回调。
- 事件:启动事件和任务执行事件。
- Redis连接配置:用于Rqueue的独立Redis设置。
- Redis集群支持:使用Lettuce客户端与Redis集群配合。
- Redis哨兵支持:Rqueue 支持 Redis 哨兵。
- 响应式编程:支持Reactive Redis和Spring WebFlux。
- Web仪表板:管理队列和队列洞察,包括延迟统计。
技术分析
Rqueue 使用Spring框架的强大功能,结合Redis持久化存储,提供了稳定可靠的异步任务处理能力。它利用Redis的数据结构特性来实现消息的存储和排序,通过Spring的消息传递API简化了消息生产和消费的流程。其分布式设计允许在大型微服务架构中轻松集成,而不需要复杂的配置或额外的依赖。
应用场景
- 实时通知:例如发送电子邮件、短信或推送通知。
- 后台数据处理:如图片、视频的转码,或者大数据分析。
- 定时任务:执行日志清理、备份等定时操作。
- 负载均衡:将任务分配到多台服务器上进行并行处理。
- 消息重试机制:对于可能导致失败的操作,Rqueue可以自动重试。
- Web应用扩展:在高流量环境下,利用Rqueue对请求进行缓冲,防止服务器过载。
项目特点
- 简单易用:仅需添加依赖,无需额外配置即可快速启用。
- 灵活配置:支持多队列、优先级、回退策略和中间件定制。
- 监控友好:内置Web仪表盘方便实时查看队列状态,并与Micrometer兼容,可接入Grafana等第三方监控工具。
- 健壮性:确保消息至少被消费一次,支持异常情况下的自动重试。
- 生产就绪:已在多个大型项目中稳定运行,处理大量消息。
总的来说,Rqueue是一个强大且灵活的消息队列解决方案,无论你是新手还是经验丰富的开发人员,都能轻松地将其整合到你的Spring或Spring Boot应用程序中,提升系统的效率和可靠性。现在就开始探索Rqueue,让您的应用享受到更加高效的消息处理体验!
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
615
139
Ascend Extension for PyTorch
Python
165
184
React Native鸿蒙化仓库
JavaScript
240
314
仓颉编译器源码及 cjdb 调试工具。
C++
126
855
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
371
3.16 K
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
257
91
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
646
255