本文目录导读：
- 第一层：核心定义（一句话背住）
- 第二层：三种常见背压策略（面试/论文核心）
- 第三层：分布式场景下的背压（Flink/Kafka）
- 第四层：如何应对背压（面试高频）
- 第五层：一个完整的记忆口诀（便于考试或面试）
- 第六层：Java代码示例（帮助理解）
- 最需要记住的三点
Java分布式数据流API的背压机制,通常涉及反应式流规范（Reactive Streams）及其实现（如RxJava、Project Reactor），以及分布式框架（如Apache Kafka、Apache Flink、Pulsar）。
如果你指的是 “如何背诵或理解背压的核心知识点”，建议按照以下分层记忆法，从定义、触发场景到解决方案形成闭环。
第一层：核心定义（一句话背住）
背压：下游消费者处理速度<上游生产者发送速度时，系统采取的一种反向压力传递机制，防止数据堆积导致OOM或服务崩溃。
记忆关键词：生产者快 → 消费者慢 → 反向通知减速/降量。
第二层：三种常见背压策略（面试/论文核心）
| 策略 | 一句话 | 经典实现 | 优缺点 |
|---|---|---|---|
| Drop | 丢不掉的就丢弃 | RxJava的onBackpressureDrop |
简单但丢数据 |
| Buffer | 用队列缓冲，满了就阻塞/报错 | Reactor的onBackpressureBuffer(容量, 溢出策略) |
防丢数据但耗内存 |
| Control | 下游告诉上游发多少（Pull模式） | Subscription.request(n) | 最优雅，但需要双方配合 |
重点记忆：request(n) 是反应式流的核心API。
第三层：分布式场景下的背压（Flink/Kafka）
分布式流处理涉及网络传输,背压不是简单的线程间通信，而是跨节点。
Apache Flink（最经典的分布式背压案例）
- 机制：基于信用的流控（Credit-Based Flow Control）。
- 流程：
- 下游Task会定期报告自己当前还能接收多少数据（Credit）。
- 上游Task只有收到Credit后,才发送对应数量的数据。
- 可视化：Flink Web UI 中可以看到背压比例（High/Average/Low）。
- 记忆点：Credit = 可发送额度，额度用完即停止。
Apache Kafka（消息队列形式）
- 机制：生产者限制（
max.in.flight.requests.per.connection）+ 消费者反馈（fetch.max.bytes+ 消费速度）。 - 典型现象：消费者
poll()取数变慢，Kafka Broker的Lag（积压）变大 → 生产者可能被限流（如果开启了quota）。 - 记忆点：Kafka没有强背压标准，用“积压”作为背压信号。
反应式流在RPC（如gRPC）中的背压
- gRPC Stream 支持 流式背压：通过
FlowControl自动调节消息发送速率。 - 记忆点：gRPC流 = 双向流 + 背压协议。
第四层：如何应对背压（面试高频）
| 场景 | 解决思路 |
|---|---|
| 下游偶尔慢 | 增加Buffer（但注意OOM风险） |
| 下游持续慢 | 扩容下游实例（水平扩展） |
| 瞬间流量尖峰 | 限流（RateLimiter）+ 降级（Drop） |
| 资源受限 | 强制使用Backpressure Mode（如BLOCK/DROP/LATEST） |
第五层：一个完整的记忆口诀（便于考试或面试）
反压起源生产快，下游消费跟不上。 策略有三——扔、存、控，Flink信用最实用。 缓冲太大易OOM，request(n)是正道。 扩容限流降级好，持久化队列保稳定。
第六层：Java代码示例（帮助理解）
// Reactor 中开启背压（反压）
Flux.just("a", "b", "c")
.onBackpressureBuffer(10, BufferOverflowStrategy.DROP_LATEST)
.subscribe();
// 自定义 Subscription 实现 request(n)
public class MySubscriber implements Subscriber<String> {
private Subscription subscription;
private static final int REQUEST_COUNT = 2;
@Override
public void onSubscribe(Subscription s) {
this.subscription = s;
s.request(REQUEST_COUNT); // 告诉上游我只想一次处理2个
}
}
最需要记住的三点
- 背压本质：一种防止系统崩溃的 反向流量控制。
- 核心实现：
request(n)（拉模式/Pull） 与Credit（额度控制） 。 - 分布式场景：Flink 使用信用背压，Kafka 使用积压+限流，反应式流规范是通用底层协议。
如果你是为面试准备，建议重点掌握 Flink的背压机制（包括Web UI如何查看背压、Credit原理），以及反应式流JDK9的Flow API，如果你是指实际开发中如何编写支持背压的API，核心就是遵循Reactive Streams规范，使用Publisher/Subscriber/Subscription接口。
