博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
ActiveMQ:初见&安装试运行
阅读量:2240 次
发布时间:2019-05-09

本文共 1623 字,大约阅读时间需要 5 分钟。

官网:http://activemq.apache.org/

 

ActiveMQ是一个消息中间件,在大型互联网应用中有广泛的使用。

当前最新版本:5.15.4,发布于2018-05-22,开源、Apache 2.0许可证。

来自Apache基金会,是一个流行且强大的 开源 消息和继承模式服务器(messaging and Integration Patterns server)。

 

关于Integration Patterns,笔者是第一次听到,之前只了解消息中间件。ActiveMQ的官文介绍:通过使用Apache Camel库,ActiveMQ从5.0版本开始就支持全部的企业级集成模式。开发者可以添加任何支持的企业级集成模式到ActiveMQ中,用于支持smart routing、transformation和a whole host of other powerful patternns。

 

ActiveMQ响应速度很快,支持多种语言客户端和协议,可以轻松使用企业级集成模式以及许多高级特性,比如,全面支持JMS 1.1和J2EE 1.4。

 

关于简介:

ActiveMQ使用Java编写;

支持JMS、REST、WebSocket(HTML5)接口,并且还支持AMQP、MQTT、OpenWire和STOMP协议,这意味着它可以被各种语言的应用使用。

各种语言的开发库(libraries):

.NET, C, C++, Erlang, Go, Node.js, Python, Ruby on Rails, etc.(部分)

在官文中,还有各种用各种语言开发的示例(Python和Java):

 

关于AMQP、MQTT、OpenWire和STOMP的简介:

-AMQP

Advanced Message Queuing Protocol,,2014年成为OASIS标准。

-MQTT

最后更新时间是2014年11月7日的MQTT v3.1.1,是一个OASIS标准,见。

-OpenWire

OpenWire是一个跨语言的线协议(Wire Protocol),允许从一些语言或平台在本地访问ActiveMQ。Java OpenWire传输层是ActiveMQ 4.0及以后版本的默认传输层。NMS用于C#,CMS用于C++。

注意:OpenWire是设计用于高性能和特性使用,它是ActiveMQ内部使用的协议。如果要使用更简单的协议,尝试使用STOMP。

-STOMP

the Simple (or Streaming) Text Orientated Messaging Protocol,最新版本1.2,最后更新时间为 2012年10月22日,。

ActiveMQ支持STOMP,并且支持STOMP-JMS映射,这使得它很容易使用纯Ruby, Perl, Python或PHP编写与之工作的客户端

 

官文介绍的ActiveMQ支持的所有协议列表:

 

ActiveMQ的:里面有安装、启动、初步测试的内容。下面是笔者的示范:

Windows 10家庭中文版

概述:下载,解压,命令行进入解压目录,使用bin目录下的activemq的start命令启动,打开浏览器访问本机的8161端口即可进入ActiveMQ的管理页面,其中,Queues为空、Topics中有一个默认的。

默认账号/密码:admin/admin

 

之后,就是学习ActiveMQ的配置了,两种方式:

-

-

更多关于配置的内容,请参考。

 

问题:

要发送什么消息到Broker呢?

生产者、消费者怎么建立呢?

生产消息、消费消息会是个什么样子?

哪些消息的传递会用到ActiveMQ等消息中间件呢?看了一篇文章,和业务逻辑没有强依赖的~看来,还是经验不够啊,

来句加油,

 

转载于:https://www.cnblogs.com/luo630/p/9187361.html

你可能感兴趣的文章
seq2seq 的 keras 实现
查看>>
seq2seq 入门
查看>>
什么是 Dropout
查看>>
用 LSTM 做时间序列预测的一个小例子
查看>>
用 LSTM 来做一个分类小问题
查看>>
详解 LSTM
查看>>
按时间轴简述九大卷积神经网络
查看>>
详解循环神经网络(Recurrent Neural Network)
查看>>
为什么要用交叉验证
查看>>
用学习曲线 learning curve 来判别过拟合问题
查看>>
用验证曲线 validation curve 选择超参数
查看>>
用 Grid Search 对 SVM 进行调参
查看>>
用 Pipeline 将训练集参数重复应用到测试集
查看>>
PCA 的数学原理和可视化效果
查看>>
机器学习中常用评估指标汇总
查看>>
什么是 ROC AUC
查看>>
Bagging 简述
查看>>
详解 Stacking 的 python 实现
查看>>
简述极大似然估计
查看>>
用线性判别分析 LDA 降维
查看>>