通过这三个文件彻底搞懂Rocketmq的存储原理

RocketMQ是通过阿里开发的一个高性能的消息队列，支持各种消息类型，个文而且支持事务消息，底搞懂可以说是存储现在的很多系统中的香饽饽了，所以呢，原理怎么使用大家肯定是通过要学习的。

我们作为一个有梦想的个文程序员，在学习一门技术的底搞懂时候，肯定是存储不能光知其然，这是原理远远不够的，我们必须要知其所以然，通过这样才能在面试的个文时候侃侃而谈，啊呸，底搞懂不对，存储这样我们才能在工作中遇到问题的原理时候，理性的去思考如何解决问题。

我们知道RocketMQ的架构是IT技术网producer、NameServer、broker、Consumer，producer是生产消息的，NameServer是路由中心，负责服务的注册发现以及路由管理这些。

Consumer是属于消费消息的，broker则属于真正的存储消息，以及进行消息的持久化，也就是存储消息的文件和索引消息的文件都在broker上。

消息队列的主要作用是解耦异步削峰，也就意味着消息队列中的存储功能是必不可少的，而随着时代的发展，业务量的增加也对消息队列的免费信息发布网存储功能的强度的要求越来越高了。

也就是说你不能光性能好，你得存储的消息也得足够支撑我的业务量，你只能存储100MB的消息，我这系统每分钟的消息业务量可能500MB了，那肯定不够使啊，那还削个啥的峰啊，峰来了你自己都顶不住。

RocketMQ凭借其强大的存储能力和强大的消息索引能力，以及各种类型消息和消息的特性脱颖而出，于是乎，我们这些有梦想的程序员学习RocketMQ的存储原理也变得尤为重要。

而要说起这个存储原理，则不得不说的就是RocketMQ的消息存储文件commitLog文件，消费方则是凭借着巧妙的云服务器提供商设计Consumerqueue文件来进行高性能并且不混乱的消费，还有RocketMQ的强大的支持消息索引的特性，靠的就是indexfile索引文件。

我们这篇文章就从这commitLog、Consumerqueue、indexfile这三个神秘的文件说起，搞懂这三个文件，RocketMQ的核心就被你掏空了。

先上个图，写入commitLog文件时commitLog和Consumerqueue、indexfile文件三者的关系：

01 Commitlog文件

大小和命名规则

RocketMQ中的消息存储文件放在${ROCKET_HOME}/store 目录下，当生产者发送消息时，broker会将消息存储到Commit文件夹下，文件夹下面会有一个commitLog文件，但是并不是意味着这个文件叫这个，文件命名是根据消息的偏移量来决定的。

文件有自己的生成规则，每个commitLog文件的大小是1G，一般情况下第一个 CommitLog 的起始偏移量为 0，第二个 CommitLog 的起始偏移量为 1073741824 (1G = 1073741824byte)。

也正是因为该文件的文件名字规则，所以也可以更好的知道消息处于哪个文件中，假设物理偏移量是1073741830，则相对的偏移量是6(6 = 1073741830 - 1073741824)，于是判断出该消息位于第二个commitLog文件上，下面要说的Consumerqueue文件和indexfile文件都是通过偏移量来计算出消息位于哪个文件，进行更为精准的定位，减少了IO次数。

文件存储规则和特点

commitLog文件的最大的一个特点就是消息的顺序写入，随机读写，关于commitLog的文件的落盘有两种，一种是同步刷盘，一种是异步刷盘，可通过 flushDiskType 进行配置。

在写入commitLog的时候内部会有一个mappedFile内存映射文件，消息是先写入到这个内存映射文件中，然后根据刷盘策略写到硬盘中，对于producer的角度来说就是，同步就是当消息真正的写到硬盘的时候才会给producer返回成功，而异步就是当消息到达内存的时候就返回成功了，然后异步的去刷盘。

跑题了，最大的特点顺序写入，所有的topic的消息都存储到commitLog文件中，顺序写入可以充分的利用磁盘顺序减少了IO争用数据存储的性能，kafka也是通过硬盘顺序存盘的。

大家都常说硬盘的速度比内存慢，其实这句话也是有歧义的，当硬盘顺序写入和读取的时候，速度不比内存慢，甚至比内存速度快，这种存储方式就好比数组，我们如果知道数组的下标，则可以直接通过下标计算出位置，找到内存地址，众所周知，数组的读取是很快的，但是数组的缺点在于插入数据比较慢，因为如果在中间插入数据需要将后面的数据往后移动。

而对于数组来说，如果我们只会顺序的往后添加，数组的速度也是很快的，因为数组没有后续的数据的移动，这一操作很耗时。

回到RocketMQ中的commitLog文件，也是同样的道理，顺序的写入文件也就不需要太多的去考虑写入的位置，直接找到文件往后放就可以了，而取数据的时候，也是和数组一样，我们可以通过文件的大小去精准的定位到哪一个文件，然后再精准的定位到文件的位置。

当然，至于这个索引位置就是靠下面的Consumerqueue文件和indexfile文件来找到消息的位置的，也就是索引地址。

哦对了，数组的元素大小是一样的，并不意味这commitLog文件的各个消息存储空间一样。

简单看下源码

这部分源码在DefaultMessageStore.putMessage。

@Override   public PutMessageResult putMessage(MessageExtBrokerInner msg) {       if (this.shutdown) {           log.warn("message store has shutdown, so putMessage is forbidden");           return new PutMessageResult(PutMessageStatus.SERVICE_NOT_AVAILABLE, null);       }       // 从节点不允许写入       if (BrokerRole.SLAVE == this.messageStoreConfig.getBrokerRole()) {           long value = this.printTimes.getAndIncrement();           if ((value % 50000) == 0) {               log.warn("message store is slave mode, so putMessage is forbidden ");           }           return new PutMessageResult(PutMessageStatus.SERVICE_NOT_AVAILABLE, null);       }       // store是否允许写入       if (!this.runningFlags.isWriteable()) {           long value = this.printTimes.getAndIncrement();           if ((value % 50000) == 0) {               log.warn("message store is not writeable, so putMessage is forbidden " + this.runningFlags.getFlagBits());           }           return new PutMessageResult(PutMessageStatus.SERVICE_NOT_AVAILABLE, null);       } else {           this.printTimes.set(0);       }       // topic过长       if (msg.getTopic().length() > Byte.MAX_VALUE) {           log.warn("putMessage message topic length too long " + msg.getTopic().length());           return new PutMessageResult(PutMessageStatus.MESSAGE_ILLEGAL, null);       }       // 消息附加属性过长       if (msg.getPropertiesString() != null && msg.getPropertiesString().length() > Short.MAX_VALUE) {           log.warn("putMessage message properties length too long " + msg.getPropertiesString().length());           return new PutMessageResult(PutMessageStatus.PROPERTIES_SIZE_EXCEEDED, null);       }       if (this.isOSPageCacheBusy()) {           return new PutMessageResult(PutMessageStatus.OS_PAGECACHE_BUSY, null);       }       long beginTime = this.getSystemClock().now();       // 添加消息到commitLog       PutMessageResult result = this.commitLog.putMessage(msg);       long eclipseTime = this.getSystemClock().now() - beginTime;       if (eclipseTime > 500) {           log.warn("putMessage not in lock eclipse time(ms)={}, bodyLength={}", eclipseTime, msg.getBody().length);       }       this.storeStatsService.setPutMessageEntireTimeMax(eclipseTime);       if (null == result || !result.isOk()) {           this.storeStatsService.getPutMessageFailedTimes().incrementAndGet();       }       return result;   } 

中间的commitLog.putMessage就是负责实现消息写入commitLog文件，这个太长了，我就不给大家截了。

大致流程就是组装消息，放入属性，然后通过MappedFile对象写入文件，紧接着根据刷盘策略刷盘，最后进行主从同步。

02 consumerQueue文件

RocketMQ是分为多个topic，消息所属主题，属于消息类型，每一个topic有多个queue，每个queue放着不同的消息，在同一个消费者组下的消费者，可以同时消费同一个topic下的不同queue队列的消息。不同消费者下的消费者，可以同时消费同一个topic下的相同的队列的消息。而同一个消费者组下的消费者，不可以同时消费不同topic下的消息。

而每个topic下的queue队列都会对应一个Consumerqueue文件，例如Topic中有三个队列，每个队列中的消息索引都会有一个编号，编号从0开始，往上递增。并由此一个位点offset的概念，有了这个概念，就可以对Consumer端的消费情况进行队列定义。

消息消费完成后，需要将消费进度存储起来，即前面提到的offset。广播模式下，同消费组的消费者相互独立，消费进度要单独存储;集群模式下，同一条消息只会被同一个消费组消费一次，消费进度会参与到负载均衡中，故消费进度是需要共享的。

消费进度，也就是由Broker管理每一个消费者消费Topic的进度，包含正常提交消费进度和重置消费进度，消费进度管理的目的是保证消费者在正常运行状态、重启、异常关闭等状态下都能准确续接“上一次”未处理的消息。

在RocketMQ中，实现的消费语义叫“至少投递一次”，也就是所有的消息至少有一次机会消费不用担心会丢消息。用户需要实现消费幂等来避免重复投递对业务实际数据的影响。

幂等是啥应该不用我多说了吧，亲爱的你们肯定知道了。

如上图所示，消费者一般在两种情况下“上报”消费进度，消费成功后(包含正常消费成功、重试消费成功)和重置消费进度。

而消费进度的标准就是Consumerqueue文件，这个文件中存储的是投递到某一个messagequeue中的位置信息。

比如我们知道消息存储到commitLog文件中，一个消费者A对应着消费messagequeueA这个队列，但是无法确定在commitLog文件中该队列中的消息的位置，于是就有了ConsumerqueueA这个文件，这个文件对应一个messagequeueA，消费者A便可以通过ConsumerqueueA来确定自己的消费进度，获取消息在commitLog文件中的具体的offset和大小。

存放位置和结构

consumequeue存放在store文件里面，里面的consumequeue文件里面按照topic排放，然后每个topic默认4个队列，里面存放的consumequeue文件。

ConsumeQueue中并不需要存储消息的内容，而存储的是消息在CommitLog中的offset。也就是说ConsumeQueue其实是CommitLog的一个索引文件。

consumequeue是定长结构，每个记录固定大小20个字节，单个consumequeue文件默认包含30w个条目，所以单个文件大小大概6M左右。

很显然，Consumer消费消息的时候，要读2次：先读ConsumeQueue得到offset，再通过offset找到CommitLog对应的消息内容。

ConsumeQueue的作用

消费者通过broker保存的offset(offsetTable.offset json文件中保存的ConsumerQueue的下标)可以在ConsumeQueue中获取消息，从而快速的定位到commitLog的消息位置，由于每个消息的大小是不一样的，也可以通过size获取到消息的大小，从而读取完整的消息。

过滤tag是也是通过遍历ConsumeQueue来实现的(先比较hash(tag)符合条件的再到具体消息比较tag)。

offsetTable.offset

和commitLog的offset不是一回事，这个offset是ConsumeQueue文件的(已经消费的)下标/行数，可以直接定位到ConsumeQueue并找到commitlogOffset从而找到消息体原文。这个offset是消息消费进度的核心，不同的消费模式，保存地址不同。

广播模式：DefaultMQPushConsumer的BROADCASTING模式，各个Consumer没有互相干扰，使用LoclaFileOffsetStore，把Offset存储在Consumer本地。

集群模式：DefaultMQPushConsumer的CLUSTERING模式，由Broker端存储和控制Offset的值，使用RemoteBrokerOffsetStore。

简单看下构建过程

在Broker中，构建ComsummerQueue不是存储完CommitLog就马上同步构建的，而是通过一个线程任务异步的去做这个事情。在DefaultMessageStore中有一个ReputMessageService成员，它就是负责构建ComsumerQueue的任务线程。

ReputMessageService继承自ServiceThread，表明其是一个服务线程，它的run方法很简单，如下所示：

public void run() {             while (!this.isStopped()) {                 try {                     Thread.sleep(1);                     this.doReput(); // 构建ComsumerQueue                 } catch (Exception e) {                     DefaultMessageStore.log.warn(this.getServiceName() + " service has exception. ", e);                 }             }         } 

在run方法里，每休息1毫秒就进行一次构建ComsumerQueue的动作。因为必须先写入CommitLog，然后才能进行ComsumerQueue的构建。那么不排除构建ComsumerQueue的速度太快了，而CommitLog还没写入新的消息。这时就需要sleep下，让出cpu时间片，避免浪费CPU资源。

我们点进去这个doReput()看核心处理逻辑：

private void doReput() {             for (boolean doNext = true; this.isCommitLogAvailable() && doNext; ) {                 SelectMappedBufferResult result = DefaultMessageStore.this.commitLog.getData(reputFromOffset);// 拿到所有的最新写入CommitLog的数据                 if (result != null) {                     try {                         this.reputFromOffset = result.getStartOffset();                         for (int readSize = 0; readSize < result.getSize() && doNext; ) {                             DispatchRequest dispatchRequest =                             DefaultMessageStore.this.commitLog.checkMessageAndReturnSize(result.getByteBuffer(), false, false); // 一条一条的读消息                             int size = dispatchRequest.getMsgSize();                             if (dispatchRequest.isSuccess()) {                                 if (size > 0) {                                     DefaultMessageStore.this.doDispatch(dispatchRequest); // 派发消息，进行处理，其中就包括构建ComsumerQueue                                     this.reputFromOffset += size;                                     readSize += size;                                 } else if (size == 0) { //                                      this.reputFromOffset = DefaultMessageStore.this.commitLog.rollNextFile(this.reputFromOffset);                                     readSize = result.getSize();                                 }                             } else if (!dispatchRequest.isSuccess()) { // 获取消息异常                                 if (size > 0) {                                     log.error("[BUG]read total count not equals msg total size. reputFromOffset={}", reputFromOffset);                                     this.reputFromOffset += size;                                 } else {                                     doNext = false;                                     if (DefaultMessageStore.this.brokerConfig.getBrokerId() == MixAll.MASTER_ID) {                                         this.reputFromOffset += result.getSize() - readSize;                                     }                                 }                             }                         }                     } finally {                         result.release();                     }                 } else {                     doNext = false;                 }             }         } 

我在这里省略了一些和构建ComsumerQueue不相干的代码。

其实在doReput里面就做了三件事：

1、获取最新写入到CommitLog中的数据byteBuffer。

2、从byteBuffer中一条条的读取消息，并派发出去处理。

3、更新reputFromOffset位移。

感兴趣的可以打断点走一遍。

03 indexFile文件

RocketMQ还支持通过MessageID或者MessageKey来查询消息，使用ID查询时，因为ID就是用broker+offset生成的(这里msgId指的是服务端的)，所以很容易就找到对应的commitLog文件来读取消息。

对于用MessageKey来查询消息，MessageStore通过构建一个index来提高读取速度。

文件结构 

indexfile文件存储在store目录下的index文件里面，里面存放的是消息的hashcode和index内容，文件由一个文件头组成：长40字节。500w个hashslot，每个4字节。2000w个index条目，每个20字节。

所以这里我们可以估算每个indexfile的大小为：40+500w4+2000w20个字节，大约400M左右。

文件详细信息

IndexHeader：索引文件头信息由40个字节组成。

//8位 该索引文件的第一个消息(Message)的存储时间(落盘时间) this.byteBuffer.putLong(beginTimestampIndex, this.beginTimestamp.get()); //8位 该索引文件的最后一个消息(Message)的存储时间(落盘时间) this.byteBuffer.putLong(endTimestampIndex, this.endTimestamp.get()); //8位 该索引文件第一个消息(Message)的在CommitLog(消息存储文件)的物理位置偏移量(可以通过该物理偏移直接获取到该消息) this.byteBuffer.putLong(beginPhyoffsetIndex, this.beginPhyOffset.get()); //8位 该索引文件最后一个消息(Message)的在CommitLog(消息存储文件)的物理位置偏移量 this.byteBuffer.putLong(endPhyoffsetIndex, this.endPhyOffset.get()); //4位 该索引文件目前的hash slot的个数 this.byteBuffer.putInt(hashSlotcountIndex, this.hashSlotCount.get()); //4位 索引文件目前的索引个数 this.byteBuffer.putInt(indexCountIndex, this.indexCount.get()); 

Slot槽位，默认每个文件配置的slot是500万个，每个slot是4位的整型数据，Slot每个节点保存当前已经拥有多少个index数据了。

//slot的数据存放位置 40 + keyHash %（500W）* 4 int absSlotPos = IndexHeader.INDEX_HEADER_SIZE + slotPos * hashSlotSize; //Slot Table //4字节 //记录该slot当前index，如果hash冲突（即absSlotPos一致）作为下一次该slot新增的前置index this.mappedByteBuffer.putInt(absSlotPos, this.indexHeader.getIndexCount()); 

索引消息内容，消息长度固定为20位。

//Index Linked list //topic+message key的hash值 this.mappedByteBuffer.putInt(absIndexPos, keyHash); //消息在CommitLog的物理文件地址, 可以直接查询到该消息(索引的核心机制) this.mappedByteBuffer.putLong(absIndexPos + 4, phyOffset); //消息的落盘时间与header里的beginTimestamp的差值(为了节省存储空间，如果直接存message的落盘时间就得8bytes) this.mappedByteBuffer.putInt(absIndexPos + 4 + 8, (int) timeDiff); //9、记录该slot上一个index //hash冲突处理的关键之处, 相同hash值上一个消息索引的index(如果当前消息索引是该hash值的第一个索引，则prevIndex=0, 也是消息索引查找时的停止条件)，每个slot位置的第一个消息的prevIndex就是0的 this.mappedByteBuffer.putInt(absIndexPos + 4 + 8 + 4, slotValue);  再论结构

文件结构slot和indexLinkedList可以理解成java中的HashMap。

哎，你说HashMap我可不困了啊，你可别蒙我，这个我熟，什么负载因子、默认大小、扩容机制、红黑树，还有多线程下不安全这些。

乖，我知道你熟悉，你跟着我一起学习，这些当然了如指掌，只需要你了解HashMap的结构和冲突即可。

每放入一个新消息的index进来，首先会取MessageKey的HashCode，然后用Hashcode对slot的总数进行取模，决定该消息key的位置，slot的总数默认是500W个。

只要取hash就必然面临着hash冲突的问题，indexfile也是采用链表结构来解决hash冲突，这一点和HashMap一样的，不过这个不存在红黑树转换这一说，个人猜测这个的冲突数量也达不到很高的级别，所以进行这方面的设计也没啥必要，甚至变成了强行增加indexfile的文件结构难度。

还有，在indexfile中的slot中放的是最新的index的指针，因为一般查询的时候大概率是优先查询最近的消息。

每个slot中放的指针值是索引在indexfile中的偏移量，也就是后面index的位置，而index中存放的就是该消息在commitlog文件中的offset，每个index的大小是20字节，所以根据当前索引是这个文件中的第几个偏移量，也就很容易定位到索引的位置，根据前面的固定大小可以很快把真实坐标算出来，以此类推，形成一个链表的结构。

查询流程

由于indexHeader，slot，index都是固定大小，所以：

公式1：第n个slot在indexFile中的起始位置是这样:40+(n-1)*4 公式2：第s个index在indexFile中的起始位置是这样:40+5000000*4+(s-1)*20

查询的传入值除了key外，还包含一个时间起始值以及截止值。

为啥还要传时间范围呢?

一个indexFile写完一个会继续写下一个，仅仅一个key无法定位到具体的indexFile，时间范围就为了更精确的定位到具体的indexFile，缩小查找的范围，indexFile文件名是一个时间戳，根据这个日期就可以定位到传入的日期范围对应在哪个或者哪些indexFile中，是不是很棒。

好了，我们接着说查询流程。

key-->计算hash值-->hash值对500万取余算出对应的slot序号-->根据40+(n-1)*4(公式1)算出该slot在文件中的位置-->读取slot值，也就是index序号-->根据40+5000000*4+(s-1)*20(公式2)算出该index在文件中的位置-->读取该index-->将key的hash值以及传入的时间范围与index的keyHash值以及timeDiff值进行比对。

不满足则根据index中的preIndexNo找到上一个index，继续上一步;满足则根据index中的phyOffset拿到commitLog中的消息。

为啥比对时还要带上时间范围呢?

只比key不行吗?答案是不行，因为key可能会重复，producer在消息生产时可以指定消息的key，这个key显然无法保证唯一性，那自动生成的msgId呢?也不能保证唯一，你可以去看看msgId的生成规则。

包括当前机器IP+进程号+MessageClientIDSetter.class.getClassLoader()的hashCode值+消息生产时间与broker启动时间的差值+broker启动后从0开始单调自增的int值，前面三项很明显可能重复，后面两项一个是时间差，一个是重启归零，也可能重复。

简单看下源码，感兴趣的下载源码去研究。

indexfile的添加消息索引的过程

public boolean putKey(final String key, final long phyOffset, final long storeTimestamp) {         //1. 判断该索引文件的索引数小于最大的索引数，如果>=最大索引数，IndexService就会尝试新建一个索引文件         if (this.indexHeader.getIndexCount() < this.indexNum) {             //2. 计算该message key的hash值             int keyHash = indexKeyHashMethod(key);             //3. 根据message key的hash值散列到某个hash slot里             int slotPos = keyHash % this.hashSlotNum;             //4. 计算得到该hash slot的实际文件位置Position             int absSlotPos = IndexHeader.INDEX_HEADER_SIZE + slotPos * hashSlotSize;             try {                 //5. 根据该hash slot的实际文件位置absSlotPos得到slot里的值                 //这里有两种情况：                 //1). slot=0, 当前message的key是该hash值第一个消息索引                 //2). slot>0, 该key hash值上一个消息索引的位置                 int slotValue = this.mappedByteBuffer.getInt(absSlotPos);                 //6. 数据校验及修正                 if (slotValue <= invalidIndex || slotValue > this.indexHeader.getIndexCount()) {                     slotValue = invalidIndex;                 }                 long timeDiff = storeTimestamp - this.indexHeader.getBeginTimestamp();                 timeDiff = timeDiff / 1000;                 if (this.indexHeader.getBeginTimestamp() <= 0) {                     timeDiff = 0;                 } else if (timeDiff > Integer.MAX_VALUE) {                     timeDiff = Integer.MAX_VALUE;                 } else if (timeDiff < 0) {                     timeDiff = 0;                 }                 //7. 计算当前消息索引具体的存储位置(Append模式)                 int absIndexPos =                     IndexHeader.INDEX_HEADER_SIZE + this.hashSlotNum * hashSlotSize                         + this.indexHeader.getIndexCount() * indexSize;                 //8. 存入该消息索引                 this.mappedByteBuffer.putInt(absIndexPos, keyHash);                 this.mappedByteBuffer.putLong(absIndexPos + 4, phyOffset);                 this.mappedByteBuffer.putInt(absIndexPos + 4 + 8, (int) timeDiff);                 this.mappedByteBuffer.putInt(absIndexPos + 4 + 8 + 4, slotValue);                 //9. 关键之处：在该key hash slot处存入当前消息索引的位置，下次通过该key进行搜索时                 //会找到该key hash slot -> slot value -> curIndex ->                  //if(curIndex.prevIndex>0) pre index (一直循环 直至该curIndex.prevIndex==0就停止)                 this.mappedByteBuffer.putInt(absSlotPos, this.indexHeader.getIndexCount());                 if (this.indexHeader.getIndexCount() <= 1) {                     this.indexHeader.setBeginPhyOffset(phyOffset);                     this.indexHeader.setBeginTimestamp(storeTimestamp);                 }                 this.indexHeader.incHashSlotCount();                 this.indexHeader.incIndexCount();                 this.indexHeader.setEndPhyOffset(phyOffset);                 this.indexHeader.setEndTimestamp(storeTimestamp);                 return true;             } catch (Exception e) {                 log.error("putKey exception, Key: " + key + " KeyHashCode: " + key.hashCode(), e);             }          } else {             log.warn("Over index file capacity: index count = " + this.indexHeader.getIndexCount()                 + "; index max num = " + this.indexNum);         }         return false;  } 

indexfile的索引搜索源码

public void selectPhyOffset(final List<Long> phyOffsets, final String key, final int maxNum,         final long begin, final long end, boolean lock) {         if (this.mappedFile.hold()) {             //1. 计算该key的hash             int keyHash = indexKeyHashMethod(key);             //2. 计算该hash value 对应的hash slot位置             int slotPos = keyHash % this.hashSlotNum;             //3. 计算该hash value 对应的hash slot物理文件位置             int absSlotPos = IndexHeader.INDEX_HEADER_SIZE + slotPos * hashSlotSize;             FileLock fileLock = null;             try {                 //4. 取出该hash slot 的值                 int slotValue = this.mappedByteBuffer.getInt(absSlotPos);                 //5. 该slot value <= 0 就代表没有该key对应的消息索引,直接结束搜索                 //   该slot value > maxIndexCount 就代表该key对应的消息索引超过最大限制，数据有误,直接结束搜索                 if (slotValue <= invalidIndex || slotValue > this.indexHeader.getIndexCount()                     || this.indexHeader.getIndexCount() <= 1) {                 } else {                     //6. 从当前slot value 开始搜索                     for (int nextIndexToRead = slotValue; ; ) {                         if (phyOffsets.size() >= maxNum) {                             break;                         }                         //7. 找到当前slot value(也就是index count)物理文件位置                         int absIndexPos =                             IndexHeader.INDEX_HEADER_SIZE + this.hashSlotNum * hashSlotSize                                 + nextIndexToRead * indexSize;                         //8. 读取消息索引数据                         int keyHashRead = this.mappedByteBuffer.getInt(absIndexPos);                         long phyOffsetRead = this.mappedByteBuffer.getLong(absIndexPos + 4);                         long timeDiff = (long) this.mappedByteBuffer.getInt(absIndexPos + 4 + 8);                         //9. 获取该消息索引的上一个消息索引index(可以看成链表的prev 指向上一个链节点的引用)                         int prevIndexRead = this.mappedByteBuffer.getInt(absIndexPos + 4 + 8 + 4);                         //10. 数据校验                         if (timeDiff < 0) {                             break;                         }                         timeDiff *= 1000L;                         long timeRead = this.indexHeader.getBeginTimestamp() + timeDiff;                         boolean timeMatched = (timeRead >= begin) && (timeRead <= end);                         //10. 数据校验比对 hash值和落盘时间                         if (keyHash == keyHashRead && timeMatched) {                             phyOffsets.add(phyOffsetRead);                         }                         //当prevIndex <= 0 或prevIndex > maxIndexCount 或prevIndexRead == nextIndexToRead 或 timeRead < begin 停止搜索                         if (prevIndexRead <= invalidIndex                             || prevIndexRead > this.indexHeader.getIndexCount()                             || prevIndexRead == nextIndexToRead || timeRead < begin) {                             break;                         }                         nextIndexToRead = prevIndexRead;                     }                 }             } catch (Exception e) {                 log.error("selectPhyOffset exception ", e);             } finally {                 this.mappedFile.release();             }         }     } 

本文转载自微信公众号「Java贼船」