新闻详情

新闻详情

首页 / 资讯中心 / 详情

windows下RabbitMQ的使用(1)——下载与安装

发布时间:2026/11/14 22:47:28来源:尧图网络
windows下RabbitMQ的使用(1)——下载与安装
一.RabbitMQ简介RabbitMQ 是一款开源、高性能、高可靠的消息队列中间件Message Queue, MQ基于 AMQP 0-9-1 协议使用 Erlang 语言开发主要用于分布式系统中的异步通信、应用解耦与流量削峰。1.核心组件Producer (生产者)消息的发送方创建并发送消息到 Broker。Broker (服务实例)RabbitMQ 服务器本身负责消息的接收、存储和转发。Exchange (交换机)消息路由中心不存储消息根据路由键 (Routing Key) 和绑定 (Binding) 规则将消息分发至对应队列。主要类型direct精确匹配路由键。topic模式匹配通配符 *、#。fanout广播发送到所有绑定队列。headers根据消息头属性匹配。Queue (队列)消息的容器用于暂存消息直至被消费者取走。Consumer (消费者)消息的接收方监听并从队列中获取消息处理。Virtual Host (vhost)虚拟主机用于多租户隔离每个 vhost 拥有独立的交换机、队列和权限。Channel (信道)建立在 TCP 连接Connection上的轻量级通道用于减少 TCP 连接开销。2.工作流程生产者建立连接与信道发送消息至指定交换机。交换机根据路由规则将消息转发至匹配的队列。消息在队列中等待直到消费者连接并消费。消费者处理完毕后发送 ACK (确认) 给 BrokerBroker 再删除消息。3.核心特点高可靠性支持消息持久化、生产者确认 (Confirm)、消费者手动 ACK、镜像队列 (集群高可用)。灵活路由通过多种交换机类型实现复杂路由策略。丰富功能内置死信队列 (DLX)、延迟队列、优先级队列、RPC 调用。多语言支持提供 Java、Python、Go、.NET 等几乎所有主流语言客户端。集群与扩展支持普通集群、镜像队列、联邦 (Federation) 等模式4. 应用场景应用解耦系统间不直接调用通过消息通信降低耦合。异步处理注册、下单后异步发送短信 / 邮件提升主流程响应速度。流量削峰秒杀、抢购时缓冲请求防止下游系统被冲垮。最终一致性分布式事务的可靠消息方案。日志收集统一收集各服务日志集中处理。2.Erlang下载 、安装与配置因为RabbitMQ是使用Erlang语言开发的,所以需要先配置一下Erlang,那Erlang的官方下载地址:http://www.erlang.org/downloads/点击Dowload Windows installer点击下载,这个下载速度因为一些原因,可能会非常慢,那么也可以使用下面的链接下载:(1) 百度网盘通过网盘分享的文件otp_win64_28.4.2.exe链接: https://pan.baidu.com/s/1_E9G7bnUsKi3Eb-6bMrCXw?pwd3bhh 提取码: 3bhh2夸克网盘我用夸克网盘给你分享了「otp_win64_28.4.2.exe」点击链接或复制整段内容打开「夸克APP」即可获取。/c6c63b5ePF链接https://pan.quark.cn/s/8c4b82a25de9?pwdUmxS提取码UmxS下载以后,双击运行opt_win64_28.4.2.exe看到下面的图片,点击Next这里建议修改一下安装的位置,然后点击Next这一步点击Install然后,等待~~这一步,点击Close然后开始配置Erlang的环境变量打开电脑的资源管理器,右击此电脑选择属性找到高级系统设置这里选择环境变量然后,看系统变量,点击新建变量名为ERLANG_HOME,变量值需要注意的是,你和我的不一定一样,继续往下看变量值的地址,先找到刚才我们安装Erlang的目录,找到一个带版本号的文件夹,进入它.此时,看到下面的文件地址,比如下面这个,地址就是D:\Program Files\Erlang OTP\erts-16.3.1把这个复制到上面的变量值上,然后点击 确定.然后,在系统变量中,找到 path,选中 path,然后点击编辑进入到下面界面后,点击新建在末尾输入%ERLANG_HOME%\bin 然后点击确定.然后打开cmd (按winR,输入cmd后回车)在控制台中输入 erl,回车看到类似下面的界面表示安装成功.上面这个界面需要按下 CtrlG 才能退出.3.RabbitMQ下载与安装我们打开RabbitMQ的官网https://www.rabbitmq.com/它的文档地址是https://www.rabbitmq.com/tutorials它的下载地址是https://github.com/rabbitmq/rabbitmq-server/releases上面的地址往下拉找到下面这个版本点击下载。因为这是github下载速度比较慢可以使用下面的备用链接1 百度网盘通过网盘分享的文件rabbitmq-server-4.3.0.exe链接: https://pan.baidu.com/s/1GdGaJ_WO-Aenc5IUE1dV7g?pwdz2xv 提取码: z2xv2夸克网盘我用夸克网盘给你分享了「rabbitmq-server-4.3.0.exe」点击链接或复制整段内容打开「夸克APP」即可获取。/cdf83b5eQT链接https://pan.quark.cn/s/562cc986c51b?pwdXRBD提取码XRBD双击运行“rabbitmq-server-4.3.0.exe”这里直接点击“Next”这里选择一个文件夹然后点击“Install”然后等待安装。安装完毕后点击“Next”这里点击“Finish”我们点击 windows 徽标可以看到RabbitMQ的相关功能。我们按照完毕后默认是启动RabbitMQ的我们可以打开“服务”验证一下。右击“桌面标题栏”选择“任务管理器”然后点击“服务”往下拉找到“RabbitMQ”可以看到状态是正在运行。如果点击“RabbitMQ-service-stop”,就可以看到服务停止了。后面的文章讲解一下 如何按照相关插件使用RabbitMQ。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉