消息过滤

在MQ模型中，一般都会有Topic模型，Topic表示一类消息的集合。

在实际应用中，往往对一个Topic下的消息还会有不同的细分，消费方会根据细分的类型消费Topic中特定的一部分消息，这就涉及到了消息过滤。

比如对于交易的Topic，内部可能有下单消息、支付消息。其中支付系统只希望消费到交易Topic下的支付消息，面对这个需求，我们应该如何在自己的MQ中去满足呢？

(图片引用自阿里云)

业界实现

RocketMQ

RocketMQ支持在发送消息的时候给消息增加Tag（Tag可以理解为sub-topic，即在Topic下再对消息类型进行区分）。

大多数场景下tag使用起来非常简单，如：

DefaultMQPushConsumer consumer = new DefaultMQPushConsumer("CID_EXAMPLE");
consumer.subscribe("TOPIC", "TAGA || TAGB || TAGC");

Consumer将收到Topic下Tag包含TAGA或TAGB或TAGC的消息。

对于Tag过滤的限制是一条消息只能有一个Tag，这在一些复杂场景下可能没办法满足需求。

RocketMQ提供另一种过滤方式：SQL92

DefaultMQPushConsumer consumer = new DefaultMQPushConsumer("please_rename_unique_group_name_4");

// only subsribe messages have property a, also a >=0 and a <= 3
consumer.subscribe("TopicTest", MessageSelector.bySql("a between 0 and 3");

consumer.registerMessageListener(new MessageListenerConcurrently() {
    @Override
    public ConsumeConcurrentlyStatus consumeMessage(List<MessageExt> msgs, ConsumeConcurrentlyContext context) {
        return ConsumeConcurrentlyStatus.CONSUME_SUCCESS;
    }
});
consumer.start();

仅消费消息属性包含a，且a的值在0-3之间的消息。

RocketMQ对消息过滤的支持比较完善了，通过SQL92这种方式可以满足各种复杂场景的需求了。

Kafka

Kafka目前并没有支持消息过滤，即没有在Topic下提供细分的类型来区分消息。

用户可以在Kafka Streams中实现过滤。

问题分析

大致了解消息过滤的定义和业界的支持情况之后，回头再思考一下，为什么MQ需要做消息过滤、MQ的过滤应该做到什么程度（用使者需要怎么样的过滤方式呢）？试着回答以下的一些问题来弄清楚需求，划清楚问题边界。

1. 为什么需要消息过滤？

业务方（MQ使用方）过滤数据的需求是天然存在的，比如Topic模型也是一种过滤，从众多的数据中订阅自己需要的一部分数据。

在上面这个前提下，逆向考虑这个问题：如果MQ不支持消息过滤（这里的过滤只Topic下的消息细分）但使用方又有过滤的需求，那么会出现什么情况？或者说业务方会怎么去解决这个问题？

可以猜想大致会出现以下两种情况：

1. 细分Topic，即将Topic再拆分的细一些，把二级类型直接作为Topic
2. 在Consumer的消费逻辑中根据消息的属性或者内容决定是否过滤消息

第一种情况在一些场景下实际上是无法做到的，比如本文开头的交易场景的例子。一旦对Topic进行了拆分，那么细分后的数据之间的消息顺序就无法保证了，但对于一个订单，它的下单、支付等操作显然是需要顺序被处理的。

对于第二种情况，这也是业务方唯一能做的事情了。当然，也是最灵活的过滤方式了，业务方可以根据自己的需求制定过滤策略。但是带来的问题是所有的消息都需要从服务端先取回到客户端，这里的带宽浪费是比较严重的（取了大量客户端不需要的数据）。

2. MQ对于过滤的需求需要支持到什么程度呢？

对于这个问题，我在思考的时候考虑的是以下几个点：

1. 业务方的过滤需求有哪些类型，是否可以穷举
2. MQ的过滤功能能否覆盖掉用户的所有需求
3. 以及支持消息过滤的成本

显然，用户的过滤需求难以穷举，且业务在不断的变化。但是通过像SQL这样的方式，我们可以认为覆盖了用户所有的过滤需求（就像查MySQL数据，可以组合各种SQL来完成目标数据的获取）。然而还需要去考虑成本的问题，比如机器成本、过滤对消息RT的影响等等。

所以在MQ的消息过滤中，我们期望能在成本和过滤能力之间找到一个平衡点，既能较好的支撑业务的过滤需求同时付出的成本在可接受范围内。

上面这句话的具体含义可以这样理解：

1. 对消息的写入和消费的RT影响可以忽略
2. 没有额外的资源需求（业务量不变的情况下，过滤功能不需要额外的机器资源投入）
3. 覆盖业务的日常过滤需求（满足业务方90%以上的过滤需求）

站在巨人的肩膀上

在理解完需求且清除的知道我们要做什么之后，再来看一下业界“大佬”是怎么解决这个问题的。

RocketMQ Tag过滤

Message包含一个Tag属性，String类型，发送方可以进行设置，通常我们称为打标。

服务端在进行消息存储时，会将消息的Tag属性添加到消息索引中。Rocket的索引结构如下图：

索引元素包含三项内容：

• offset：消息在存储文件中的偏移量
• size：消息在存储文件中的大小
• tag hashcode：消息的Tag属性的HashCode值

为什么这里存的是Tag的哈希值而不是Tag本身的值呢？

索引本身是为了加快消息的查询速度，所以它的元素是定长的，这就决定了无法在索引中直接存储Tag的值。

因为索引中存储了Tag的哈希值，那么在进行消息读取时就可以根据用户的订阅请求进行消息匹配（可以在不读取存储文件的情况下完成消息的匹配，且开销可以不计）。

但是因为这里比较的是HashCode，所以在消息返回到Consumer之后需要再进行一次真实值得比较，以避免消费到非期望的数据。

那么增加了Tag之后，消息的读取流程如下：

1. 获取用户读取消息的请求中期望的Tag的HashCode（可以是多个且进行||或者&&的运算）
2. 读取索引元素，对比HashCode是否满足用户的过滤需求
3. 从存储文件读取满足HashCode过滤条件的消息内容返回给Consumer
4. Consumer反序列化消息，对比Tag值进一步确认消息是否期望数据

RocketMQ SQL92过滤

1. Broker通过Consumer的心跳，在ConsumerFilterManager组件中保存Consumer的过滤信息（Expression）
2. 当Consumer尝试读取消息时，Broker构造MessageFilter来过滤需要的数据

RocketMQ SQL92过滤文档

Tag VS SQL92

结论：

• SQL覆盖场景更多，满足用户所有需求
• Tag覆盖场景少，但是无论从实现成本或者使用成本上都要小一些

所以在开发资源有限的情况下（比如没有足够的人手）要实现MQ中的过滤功能的话，Tag方式是一个更好的选择，SQL则作为不断完善的一个补充（没有也可以接受，有就最好了）。

“万恶”的业务方

“消息能不能支持多个Tag，这样发送的时候一条消息从不同的维度打上Tag来实现灵活的过滤需求”——from业务方

比如一条订单消息可以按照支付方式打标，也可以按照商品品类打表，这样订阅时可以灵活的过滤出目标数据。

message0.setTags(TagA);
message1.setTags(TagB);
message2.setTags(TagA,TagB,TagC);

consumer0.subscribe(topic, TagA&&TagB);==>message2
consumer1.subscribe(topic, TagA||TagC);==>message0, message2

一是用户提出了这样的需求，二是在支持Tag之后我们也会去考虑Tag的方式还有没有优化空间。

能不能支持一条消息有多个Tag？

消息多Tag的问题其实和索引中无法存储Tag原始值的问题是一致的，都是导致索引结构的变化：索引存Tag值或者存多个Tag的HashCode都会导致索引元素的长度不固定，进而无法快速定位消息。

此时最容易想到的方案就是扩展索引。

扩展实现多Tag

扩展索引的方式能保持消息索引依旧是定长的，把Tag相关的数据单独存储，只在有必要的时候读取Tag信息（用户有过滤需求时），如下图所示：

• 索引定长的，那么读消息时依旧可以快速定位到消息
• 只要过滤的情况下读取Tag信息，对于读流程多了一次读Tag的操作
• 对于写流程，除了原本的写存储文件和写索引文件外，另外需要写一份Tag文件

这种方式实现多Tag需求是最直观的，缺陷也是最明显的：读写操作都多了一次Tag的操作。

更进一步，有没有办法在多Tag的情况下避免掉这一次Tag的读写操作呢？

不定长索引实现多Tag

既然不能独立出Tag的存储文件，那么只能直接扩展原来的索引文件了，直接将多个Tag的HashCode存到索引中。

面临的问题也非常清晰：不定长索引如何解决读取消息时索引的定位问题？

因为每个索引元素的长度是不确定的，当用户需要读Msg2时，就无法通过2*element size来计算索引位置。只能遍历索引了吗？但是遍历显然又是无法接受的！

思考一下写消息的过程，我们是怎么确定消息在文件中的写入位置的呢？——追加到末尾。追加的过程其实是记录上一条消息写入后的位置，那么当前的消息就从之前的位置继续写。

其实消息读取的过程也是一样的，虽然索引是不定长的，但是只要知道了上一条索引的位置和大小，就能定位到下一条消息索引的位置了。

• 读第0条消息时，直接从索引的开头文件读取即可
• 读第1条消息时，只需要知道第0条消息的大小即可：0 + msg0 size
• 读第2条消息时，只需要知道第1条消息末尾的位置即可：msg1 offset + msg1 size
• 读第N条消息时，只需知道第N-1条消息的索引的位置和大小即可

那么，在读取第N条消息时其实只要知道第N-1条消息的索引位置就能快速定位出第N条消息的索引。

而在消息的场景中，99.999%的情况下读完第N条消息时，下一次都会读取第N+1条。

只有在少数异常的情况下需要修改offset的信息来读取之前或者之后的消息（而这种异常的场景下，可以通过一些优化的手段减少扫描的索引未见的数量来查找速度）。

不定长索引的寻址过程如下：

此方案虽然解决了上一种扩展索引的方案带来的问题，但是并不能做到和RocketMQ通过SQL的方式支持灵活的过滤需求。

总结

本文从消息过滤的问题出发，介绍了RocketMQ的过滤功能实现，分析了消息过滤的需求，然后总结了不同的多Tag功能的实现方案。

对于消息过滤的实现，没有哪一种方案是完美的，我们应当从自身的场景出发，考虑现实面对的成本等问题，综合考虑，选择一种最适用于自身业务场景的方案。