通过这三个文件彻底搞懂Rocketmq的存储原理

RocketMQ是阿里开发的一个高性能的消息队列，支持各种消息类型，而且支持事务消息，可以说是现在的很多系统中的香饽饽了，所以呢，怎么使用大家肯定是要学习的。

我们作为一个有梦想的程序员，在学习一门技术的时候，肯定是不能光知其然，这是远远不够的，我们必须要知其所以然，这样才能在面试的时候侃侃而谈，啊呸，不对，这样我们才能在工作中遇到问题的时候，理性的去思考如何解决问题。

我们知道RocketMQ的架构是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：

获取最新写入到CommitLog中的数据byteBuffer。

从byteBuffer中一条条的读取消息，并派发出去处理。

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 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」