RocketMQ 生产端与消费端
参考：
en_oc：
田守枝（rebalance）：https://cloud.tencent.com/developer/article/1554950
官方文档：https://rocketmq.apache.org/zh/docs/
发送消息
RocketMQ中定义了如下三种消息通信的方式：
SYNC：同步发送，生产端会阻塞等待发送结果；- 应用场景：这种方式应用场景非常广泛，如重要业务事件通知。
ASYNC：异步发送，生产端调用发送API之后，立刻返回，在拿到Broker的响应结果后，触发对应的SendCallback回调；- 应用场景：一般用于链路耗时较长，对 RT 较为敏感的业务场景；
ONEWAY：单向发送，发送方只负责发送消息，不等待服务器回应且没有回调函数触发，即只发送请求不等待应答。 此方式发送消息的过程耗时非常短，一般在微秒级别；- 应用场景：适用于耗时非常短，对可靠性要求不高的场景，如日志收集。
Producer 队列选择
RocketMq中所有关于生产者和消费者的代码都在client包下。打开源码，可以看到Procuder下有个selector包
RocketMq提供了3种不同的选择队列方式:
- SelectMessageQueueByHash
- SelectMessageQueueByMachineRoom
- SelectMessageQueueByRandom
它们都实现了 MessageQueueSelector 接口，可以自己实现这个接口，定义自己的队列选择方式
那么默认机制是哪一种呢？
默认选择方式是轮询
消费端负载均衡策略
在 Rocket MQ 5.0 之前，仅支持队列粒度的负载均衡
-
消息粒度负载均衡：5.0 及以后 PushConsumer和SimpleConsumer默认且仅使用消息粒度负载均衡
-
队列粒度负载均衡：5.0 及以后的 PullConsumer默认负载策略。对于历史版本（服务端4.x/3.x版本）的消费者，包括PullConsumer、DefaultPushConsumer、DefaultPullConsumer、LitePullConsumer等，默认且仅能使用队列粒度负载均衡策略。
队列粒度负载均衡
同一消费者分组内的多个消费者将按照队列粒度消费消息，即每个队列只能被一个消费者消费（每个消费者可消费多个队列）。
如上图所示，主题中的三个队列Queue1、Queue2、Queue3被分配给消费者分组中的两个消费者，每个队列只能分配给一个消费者消费，该示例中由于队列数大于消费者数，因此，消费者A2被分配了两个队列。若队列数小于消费者数量，可能会出现部分消费者无绑定队列的情况。
队列粒度的负载均衡，基于队列数量、消费者数量等运行数据进行统一的算法分配，将每个队列绑定到特定的消费者，然后每个消费者按照取消息>提交消费位点>持久化消费位点的消费语义处理消息，取消息过程不提交消费状态，因此，为了避免消息被多个消费者重复消费，每个队列仅支持被一个消费者消费。
队列粒度负载均衡策略保证同一个队列仅被一个消费者处理，该策略的实现依赖消费者和服务端的信息协商机制（Rebal），Apache RocketMQ 并不能保证协商结果完全强一致。因此，在消费者数量、队列数量发生变化时，可能会出现短暂的队列分配结果不一致，从而导致少量消息被重复处理。
策略特点
相对于消息粒度负载均衡策略，队列粒度负载均衡策略分配粒度较大，不够灵活。但该策略在流式处理场景下有天然优势，能够保证同一队列的消息被相同的消费者处理，对于批量处理、聚合处理更友好。
适用场景
队列粒度负载均衡策略适用于流式计算、数据聚合等需要明确对消息进行聚合、批处理的场景。
使用示例
队列粒度负载均衡策略不需要额外设置，对于历史版本（服务端4.x/3.x版本）的消费者类型PullConsumer默认启用。
Rebalance (消费端队列分配)
Rebalance(再均衡)机制指的是：将一个Topic下的多个队列(或称之为分区)，在同一个消费者组(consumer group)下的多个消费者实例(consumer instance)之间进行重新分配。
消费消息
Consumer主要提了下面三种消费策略
- CONSUME_FROM_LAST_OFFSET
这是Consumer默认的消费策略，它分为两种情况，如果Broker的磁盘消息未过期且未被删除，则从最小偏移量开始消费。如果磁盘已过期，并被删除，则从最大偏移量开始消费。
- CONSUME_FROM_FIRST_OFFSET
从最早可用的消息开始消费
- CONSUME_FROM_TIMESTAMP
从指定的时间戳开始消费，这意味着在consumeTimestamp之前生成的消息将被忽略
DefaultLitePullConsumer（拉）
Assign