Apache Pulsar 延迟消息投递功能支持订阅类型的演进
2025-05-15 03:12:50作者:郦嵘贵Just
在分布式消息系统中,延迟消息投递是一个非常重要的功能,它允许生产者指定消息在未来的某个时间点被消费者接收。Apache Pulsar作为一款高性能的分布式消息系统,也提供了这一功能。本文将深入探讨Pulsar中延迟消息投递功能对订阅类型的支持演进过程。
延迟消息投递的基本原理
Pulsar通过TypedMessageBuilder接口提供了deliverAfter和deliverAt两个方法来实现延迟消息投递:
- deliverAfter:指定消息在多少时间后投递
- deliverAt:指定消息在具体某个时间点投递
这两个方法底层都是通过设置消息的投递时间戳来实现的,Broker会根据这个时间戳决定何时将消息投递给消费者。
订阅类型支持的演进
最初,Pulsar的延迟消息投递功能仅支持Shared订阅类型。这是因为:
- Exclusive和Failover订阅类型本质上都是单消费者模式,延迟投递的实现相对简单
- Shared订阅类型允许多个消费者共享消费,需要更复杂的协调机制
- Key_Shared订阅类型需要保证相同Key的消息被同一个消费者处理,增加了延迟投递的实现复杂度
随着Pulsar 3.x版本的发布,这一限制被打破。现在延迟消息投递功能不仅支持Shared订阅类型,还支持Key_Shared订阅类型。这一改进使得基于Key的消息分组场景也能使用延迟投递功能,大大扩展了使用场景。
实现机制解析
对于Key_Shared订阅类型的延迟消息投递,Pulsar需要解决以下技术挑战:
- 消息延迟后仍需保证相同Key被同一消费者处理
- 消费者组重新平衡时,延迟消息的正确路由
- 延迟消息的定时触发机制与Key路由的协调
Pulsar通过以下方式实现了这些需求:
- 延迟消息在到达投递时间前仍保留在原始分区
- 使用与普通消息相同的Key路由算法
- 延迟触发器与分区消费者协调工作
最佳实践建议
在使用延迟消息投递功能时,开发者应注意:
- 对于时间敏感度高的场景,建议使用Exclusive或Failover订阅
- Shared和Key_Shared订阅的延迟投递会引入额外的内存开销
- 大量延迟消息可能影响Broker性能,需合理设置TTL
- 监控延迟队列的积压情况,避免内存溢出
总结
Apache Pulsar对延迟消息投递功能的持续改进,特别是对Key_Shared订阅类型的支持,体现了其作为现代消息系统的灵活性和强大功能。开发者现在可以在更复杂的业务场景中利用这一功能,如实现基于Key的延迟任务处理、定时批量操作等。随着Pulsar的不断发展,我们可以期待更多高级消息模式的支持和优化。
登录后查看全文
热门项目推荐
相关项目推荐
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-X1-7BSpark-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
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
268
93
暂无简介
Dart
622
140
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
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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