引言：流处理的简化之道 Flink/Spark Streaming：功能强大，但部署复杂，资源消耗大。
RocketMQ Streams：轻量级，与 RocketMQ 深度集成，开箱即用。
本文目标：
理解 RocketMQ Streams 核心概念 掌握流处理基本操作 实现实时数据分析 对比其他流处理框架 一、RocketMQ Streams 简介 1.1 什么是 RocketMQ Streams？ 定义：基于 RocketMQ 的轻量级流处理框架，提供类似 Kafka Streams 的 API。
架构：
┌─────────────────────────────────────────┐ │ RocketMQ Streams Application │ │ │ │ ┌──────────┐ ┌──────────┐ ┌───────┐ │ │ │ Source │─>│ Process │─>│ Sink │ │ │ │(消费消息)│ │(转换处理)│ │(输出) │ │ │ └────┬─────┘ └──────────┘ └───────┘ │ └───────┼─────────────────────────────────┘ │ ┌───────▼─────────────────────────────────┐ │ RocketMQ Cluster │ │ ┌──────────┐ ┌──────────┐ │ │ │ Topic A │ │ Topic B │ │ │ └──────────┘ └──────────┘ │ └─────────────────────────────────────────┘ 1.2 核心特性 特性 RocketMQ Streams Kafka Streams Flink 轻量级 ✅ 极轻量 ✅ 轻量 ❌ 重量级 部署复杂度 低（无需额外组件） 低 高 学习成本 低 中 高 状态管理 简单 中等 复杂 适用场景 简单流处理 中等复杂度 复杂流处理 二、快速开始 2.1 Maven 依赖 <dependency> <groupId>org.apache.rocketmq</groupId> <artifactId>rocketmq-streams</artifactId> <version>1.1.0</version> </dependency> <dependency> <groupId>org.apache.rocketmq</groupId> <artifactId>rocketmq-client</artifactId> <version>5.0.0</version> </dependency> 2.2 第一个 Streams 应用 import org.apache.rocketmq.streams.core.RocketMQStream; import org.apache.rocketmq.streams.core.topology.TopologyBuilder; public class WordCountExample { public static void main(String[] args) { // 1. 配置 RocketMQ 连接 Properties properties = new Properties(); properties.put("nameserver.address", "127.0.0.1:9876"); properties.put("group.id", "stream_app_group"); // 2. 创建 TopologyBuilder TopologyBuilder builder = new TopologyBuilder(); // 3. 定义流处理逻辑 builder // 从 Topic 读取消息 .source("input_topic") // 分词 .flatMap((key, value) -> { List<KeyValue<String, String>> result = new ArrayList<>(); for (String word : value.toString().split(" ")) { result.add(new KeyValue<>(word, "1")); } return result; }) // 按单词分组计数 .groupBy(kv -> kv.getKey()) .count() // 输出到 Topic .to("output_topic"); // 4. 启动 Streams 应用 RocketMQStream stream = new RocketMQStream(builder.build(), properties); stream.start(); System.out.println("Streams 应用已启动"); } } 三、核心操作 3.1 Source（数据源） // 从单个 Topic 读取 builder.source("input_topic") // 从多个 Topic 读取 builder.source("topic1", "topic2", "topic3") // 指定起始位置 builder.source("input_topic", ConsumeFromWhere.CONSUME_FROM_LAST_OFFSET) 3.2 转换操作 3.2.1 Map（一对一映射） builder .source("user_topic") .map((key, value) -> { User user = JSON.parseObject(value, User.class); return new KeyValue<>(user.getId(), user.getName().toUpperCase()); }); 3.2.2 FlatMap（一对多映射） builder .source("sentence_topic") .flatMap((key, value) -> { List<KeyValue<String, Integer>> words = new ArrayList<>(); for (String word : value.split(" ")) { words.add(new KeyValue<>(word, 1)); } return words; }); 3.2.3 Filter（过滤） builder .source("order_topic") .filter((key, value) -> { Order order = JSON.parseObject(value, Order.class); return order.getAmount() > 100; // 只保留金额 > 100 的订单 }); 3.3 聚合操作 3.3.1 GroupBy + Count builder .source("click_topic") .map((key, value) -> { ClickEvent event = JSON.parseObject(value, ClickEvent.class); return new KeyValue<>(event.getUserId(), 1); }) .groupBy(kv -> kv.getKey()) .count() // 统计每个用户的点击次数 .to("click_count_topic"); 3.3.2 GroupBy + Sum builder .source("order_topic") .map((key, value) -> { Order order = JSON.parseObject(value, Order.class); return new KeyValue<>(order.getUserId(), order.getAmount()); }) .groupBy(kv -> kv.getKey()) .sum() // 统计每个用户的订单总金额 .to("user_amount_topic"); 3.4 窗口操作 3.4.1 滚动窗口（Tumbling Window） builder .source("metric_topic") .groupBy(kv -> kv.getKey()) .window(TumblingWindow.of(Duration.ofMinutes(5))) // 5 分钟窗口 .count() .to("metric_count_topic"); 3.4.2 滑动窗口（Sliding Window） builder .source("traffic_topic") .groupBy(kv -> kv.getKey()) .window(SlidingWindow.of( Duration.ofMinutes(10), // 窗口大小 Duration.ofMinutes(1) // 滑动步长 )) .sum() .to("traffic_sum_topic"); 3.5 Join 操作 // Stream-Stream Join RocketMQStream stream1 = builder.source("order_topic"); RocketMQStream stream2 = builder.source("payment_topic"); stream1 .join(stream2, (order, payment) -> { // 关联订单和支付信息 return new OrderPayment(order, payment); }, JoinWindows.of(Duration.ofMinutes(5)) // 5 分钟时间窗口内关联 ) .to("order_payment_topic"); 四、实战案例 4.1 实时订单金额统计 /** * 需求：实时统计每分钟的订单总金额 */ public class OrderAmountAggregation { public static void main(String[] args) { TopologyBuilder builder = new TopologyBuilder(); builder // 1. 从订单 Topic 读取 .source("order_topic") // 2. 解析订单，提取金额 .map((key, value) -> { Order order = JSON.parseObject(value, Order.class); return new KeyValue<>("total", order.getAmount()); }) // 3. 按 key 分组（这里都是 "total"） .groupBy(kv -> kv.getKey()) // 4. 1 分钟滚动窗口聚合 .window(TumblingWindow.of(Duration.ofMinutes(1))) .reduce((v1, v2) -> v1 + v2) // 5. 输出结果 .map((key, value) -> { Map<String, Object> result = new HashMap<>(); result.put("minute", System.currentTimeMillis() / 60000); result.put("totalAmount", value); return new KeyValue<>(key, JSON.toJSONString(result)); }) .to("order_amount_stat_topic"); // 启动 Properties props = new Properties(); props.put("nameserver.address", "127.0.0.1:9876"); props.put("group.id", "order_amount_app"); RocketMQStream stream = new RocketMQStream(builder.build(), props); stream.start(); } } 4.2 实时用户行为分析 /** * 需求：识别 5 分钟内连续点击超过 100 次的用户（异常行为） */ public class AbnormalUserDetection { public static void main(String[] args) { TopologyBuilder builder = new TopologyBuilder(); builder .source("click_topic") // 解析点击事件 .map((key, value) -> { ClickEvent event = JSON.parseObject(value, ClickEvent.class); return new KeyValue<>(event.getUserId(), 1); }) // 按用户分组 .groupBy(kv -> kv.getKey()) // 5 分钟滚动窗口计数 .window(TumblingWindow.of(Duration.ofMinutes(5))) .count() // 过滤出异常用户 .filter((userId, count) -> count > 100) // 告警 .foreach((userId, count) -> { System.out.println("告警：用户 " + userId + " 5分钟内点击 " + count + " 次"); // 发送告警消息 alertService.sendAlert(userId, count); }); RocketMQStream stream = new RocketMQStream(builder.build(), properties); stream.start(); } } 五、状态管理 5.1 本地状态存储 // 配置本地状态存储 properties.put("state.dir", "/tmp/rocketmq-streams-state"); // 使用状态 builder .source("event_topic") .groupBy(kv -> kv.getKey()) .aggregate( () -> 0, // 初始值 (key, newValue, aggValue) -> aggValue + newValue, // 累加 Materialized.as("event-count-store") // 状态存储名称 ); 5.2 查询状态 // 查询状态存储 ReadOnlyKeyValueStore<String, Long> store = stream.store("event-count-store", QueryableStoreTypes.keyValueStore()); Long count = store.get("user123"); System.out.println("用户 user123 的事件数：" + count); 六、最佳实践 6.1 性能优化 // 1. 批量处理 properties.put("batch.size", 100); // 2. 异步处理 properties.put("async.enabled", true); // 3. 并行度配置 properties.put("parallelism", 4); 6.2 异常处理 builder .source("input_topic") .map((key, value) -> { try { return process(value); } catch (Exception e) { // 记录错误日志 logger.error("处理失败", e); // 发送到错误 Topic sendToErrorTopic(value, e); return null; } }) .filter(Objects::nonNull); // 过滤失败的消息 6.3 监控指标 // 配置监控 properties.put("metrics.enabled", true); properties.put("metrics.reporters", "org.apache.rocketmq.streams.metrics.PrometheusReporter"); // 暴露指标 // - streams_records_consumed_total // - streams_records_produced_total // - streams_process_latency_ms 七、与其他框架对比 对比项 RocketMQ Streams Kafka Streams Flink 部署 无需额外组件 无需额外组件 需独立集群 状态后端 本地 RocksDB 本地 RocksDB 多种选择 Exactly-Once 支持 支持 支持 窗口类型 滚动/滑动 滚动/滑动/会话 全面支持 CEP 支持 ❌ ❌ ✅ SQL 支持 ❌ ✅ ✅ 学习成本 低 中 高 选择建议：
...