MQ消息发送不在MySQL事务中，该如何保证一致性？

在 MQ 消息发送与 MySQL 事务分离的场景下，可通过以下方案保障数据一致性：

一、核心原则

确保 业务操作成功 与 消息发送成功 的最终一致性，避免因网络抖动、服务宕机等异常导致以下问题：

场景1：业务操作成功但消息未发送（下游无感知）
场景2：业务操作失败但消息已发送（下游误处理）

二、具体方案

1. 事务消息（RocketMQ 专有）

适用场景：强依赖 MQ 且支持事务消息的系统（如 RocketMQ）。
核心流程：

发送半消息：业务操作前发送半消息（暂不可消费）。
执行本地事务：执行业务逻辑（如 MySQL 更新）。
提交/回滚：
- 若事务成功 → 提交半消息为可消费状态。
- 若事务失败 → 回滚半消息（不投递）。
事务回查：若未收到二次确认，MQ 主动询问事务状态（兜底机制）。

代码示例（RocketMQ）：

// 发送半消息
TransactionSendResult result = producer.sendMessageInTransaction(msg, null);
// 实现 LocalTransactionChecker 处理回查
@Override
public LocalTransactionState check(MessageExt msg) {return checkDBTransactionStatus(msg.getTransactionId()) ? COMMIT : ROLLBACK;
}

优点：原生支持，流程标准化。
缺点：依赖特定 MQ（如 RocketMQ），技术栈受限。

2. 本地消息表（通用方案）

适用场景：任何 MQ（如 Kafka、RabbitMQ），需业务系统额外开发。
实现步骤：

同库事务：业务操作与消息记录写入同一数据库事务。

BEGIN;
UPDATE order SET status = 'paid' WHERE id = 1; -- 业务操作
INSERT INTO mq_message (id, content, status) VALUES (1001, 'order_paid', 'pending'); -- 消息记录
COMMIT;

异步发送：定时任务轮询 mq_message 表，发送状态为 pending 的消息。
确认与重试：
- 发送成功 → 更新消息状态为 sent。
- 发送失败 → 记录重试次数，超过阈值则标记为 dead_letter（人工介入）。

优点：与 MQ 无关，兼容性强。
缺点：需维护消息表，增加数据库压力。

3. 事务同步监听（Spring 生态）

适用场景：基于 Spring 事务管理的系统。
实现方式：

@Transactional
public void processOrder(Order order) {orderDao.update(order); // 业务操作TransactionSynchronizationManager.registerSynchronization(new TransactionSynchronization() {@Overridepublic void afterCommit() {// 事务提交后发送消息mqService.send(order); }});
}

注意事项：

发送失败处理：需配合重试机制（如 @Retryable）或记录日志人工补偿。
避免事务未提交提前发送：确保消息发送在 afterCommit 回调中触发。

4. 基于 Binlog 的变更捕获（CDC 方案）

适用场景：高吞吐、解耦业务与消息发送的场景（如数据同步）。
实现流程：

监听数据库日志：通过工具（如 Canal、Debezium）解析 MySQL Binlog。
过滤变更事件：捕获业务表变更（如订单状态更新）。
发送 MQ 消息：将变更事件投递到 MQ。

优点：完全解耦业务代码，适合大数据量场景。
缺点：实时性略低（依赖 Binlog 解析延迟），需维护 CDC 服务。

三、最终一致性保障

无论采用何种方案，需补充以下措施：

消费者幂等：通过唯一 ID（如业务主键）去重，避免重复消费。
死信队列（DLQ）：处理多次重试失败的消息，人工介入修复。
对账补偿：定时比对业务数据与消息消费状态，修复不一致。

四、方案对比

方案	优点	缺点	适用场景
事务消息	原生支持，流程标准化	依赖 RocketMQ	强事务需求且使用 RocketMQ
本地消息表	通用性强，兼容所有 MQ	需维护消息表	技术栈受限或需高可靠性
事务同步监听	代码侵入小，Spring 生态友好	需处理发送失败补偿	中小规模 Spring 项目
Binlog 变更捕获	完全解耦业务	实时性低，维护成本高	大数据量、异步数据同步场景