百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

放弃 Websocket 使用 SSE 才发现这些功能两三行代码就搞定了

ztj100 2025-01-19 02:00 42 浏览 0 评论

一、简介

在实际项目开发中,实时通讯是常见的需求。我们通常使用 WebSocket 来实现这一功能,但在很多场景下,客户端只是需要从服务器接收消息,而非进行双向通讯。这导致 WebSocket 的全双工特性并没有得到充分的利用。那么,是否有更简单的替代方案呢?本文将介绍 Server-Sent Events (SSE) ,一种轻量级的方式来实现服务器向客户端推送消息的需求,同时对比 SSE、WebSocket 和传统轮询技术的优劣,帮助开发者选择适合的实时通讯方案。

SSE、轮询、WebSocket 详细对比表:

特性

SSE (Server-Sent Events)

轮询 (Polling)

WebSocket

通讯方向

单向:服务器向客户端推送数据

单向:客户端定时请求服务器获取数据

双向:客户端与服务器双向通讯

连接类型

长连接:使用 HTTP/1.1 或 HTTP/2 长连接

短连接:每次请求都是独立的 HTTP 请求

长连接:通过 TCP 建立的持久连接

传输协议

HTTP/1.1 或 HTTP/2

HTTP

TCP(通过 WebSocket 协议升级)

浏览器支持

广泛支持(HTML5 原生支持)

全面支持,所有浏览器均支持

广泛支持(需通过 WebSocket API 实现)

消息发送频率

服务器可随时推送数据

客户端主动定时请求,频率取决于客户端设置

实时、即时双向发送

服务器开销

较低:只需保持一个长连接

高:每次请求都需要重新建立 HTTP 连接

较高:需保持 TCP 连接,管理心跳包

客户端开销

低:只需处理服务器推送的数据

高:每次请求都会产生额外的资源消耗

中等:需保持与服务器的连接

传输数据格式

纯文本、JSON 等

纯文本、JSON 等

任意格式(二进制、文本等)

连接恢复机制

自动恢复:连接中断时,客户端会自动重新连接

无自动恢复,需客户端重新发起请求

需开发者自行实现重连机制

适用场景

适合实时数据推送、通知、监控等单向通讯场景

适用于低频率、对实时性要求不高的场景

适合即时通讯、协作应用等双向通讯场景

复杂度

简单:实现轻量且代码量少

简单:代码量少,但性能较差

复杂:需处理更多逻辑,如握手、心跳等

实时性

高:服务器可立即推送消息

低:依赖客户端的请求频率

高:双向即时通讯

防火墙/代理兼容性

高:使用标准 HTTP 协议,通常无额外配置需求

高:使用标准 HTTP 协议

可能较低:需配置防火墙或代理来允许 TCP 连接

带宽消耗

较低:保持长连接,但只在有数据时传输

较高:每次轮询都会消耗资源和带宽

较低:保持长连接,数据按需传输

二、聊聊为什么放弃了Websocket,我只需要写一两行代码

当我们考虑 WebSocket 时,虽然它是双向通信的强大工具,但在某些场景下确实显得过于“重型”,尤其是你只需要服务器单向推送数据,而不是用户发送信息回来。以下是 WebSocket 在你的身份证识别场景中不太实用的几点原因,顺便还顺带了 SSE 的优势:

1. 权限验证不便 : WebSocket 通常需要手动处理,通过在 WebSocket 握手时传递 token 等

2. 日志记录复杂

3. SSE 集成简单 :SSE 不需要额外引入依赖

4. 连接管理复杂 :Websocket 需要额外编写断线重连等代码

5. 定时任务执行不方便 :Websocket需要额外编写定时发送消息代码

三、编写一个统计在线用户的SSE接口 ,看看前端给我的效果

1. 配置自己的 AsyncTaskExecutor

如果不配置 AsyncTaskExecutor , 不建议在生产环境下使用,SpringBoot会给出您警告的

@Configuration
@Slf4j
public class WebMvcConfig implements WebMvcConfigurer {

    // 定义自定义的 AsyncTaskExecutor Bean
    @Bean(name = "customAsyncTaskExecutor")
    public AsyncTaskExecutor customAsyncTaskExecutor() {
        ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
        int corePoolSize = Runtime.getRuntime().availableProcessors(); // 核心线程数设置为 CPU 核心数
        int maxPoolSize = corePoolSize * 2; // 最大线程数设置为核心数的两倍
        int queueCapacity = 500; // 队列容量

        executor.setCorePoolSize(corePoolSize);
        executor.setMaxPoolSize(maxPoolSize);
        executor.setQueueCapacity(queueCapacity);
        executor.setThreadNamePrefix("AsyncExecutor-");
        executor.setWaitForTasksToCompleteOnShutdown(true); // 关闭时等待任务完成
        executor.setAwaitTerminationSeconds(60); // 关闭时最多等待 60 秒

        executor.initialize(); // 初始化线程池

        return executor;
    }

    @Override
    public void configureAsyncSupport(AsyncSupportConfigurer configurer) {
        configurer.setTaskExecutor(customAsyncTaskExecutor()); // 使用自定义的 AsyncTaskExecutor
        configurer.setDefaultTimeout(5000); // 设置异步请求的默认超时时间(毫秒)
    }
}

2. 编写具体代码

@PreventDuplicateSubmit
@PreAuthorize("@permission.checker('monitor:online-user:list')")
@GetMapping(value = "/user-activity-sse", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<Integer> streamUserActivitySSE() {
    // 创建一个持续时间为指定秒数的 Flux 流
    return Flux.interval(Duration.ofSeconds(5))
            .flatMap(sequence -> Mono
                    .fromCallable(onlineUserService::getUserActivityNum) // 返回在线用户人数
                    .onErrorReturn(0)
            );
}

3. 看看前端效果

四、聊聊之前开发中应该使用SSE却使用了轮询的事

在两年前,我XX叫我对接一下身份证识别仪器,如图(类似这样,实际不是这样) :

因为这个机器是 C++ 编写的,我们后端是Java所以需要集成一下,但是这个机器是需要你一直调用接口去扫描的,他不会主动告诉你身份证识别了没有。

当时我们是当用户进入对应需要身份证认证的页面的时候,开始进行身份证检测,但是不知道用户多久会把身份证放到机器上,领导这个功能又催的很急。然后在我对接了这个机器之后,我偷偷和前端说,我们摸摸鱼轮询解决就行,前端也是直接开写,最后我们10分钟就搞定了。

在这里 sorry 领导,如果你那时候不催我的话,我可以告诉你使用SSE解决。

五、源码 & 结束语

Websocket 和 SSE 有各自的应用场景,不存在谁好谁坏,有些问题用轮询也能解决,其他有很多地方都可以使用SSE编写的地方,比如消息通知等

学习交流

最后,把我的座右铭送给你:投资自己才是最大的财富。 如果你觉得本文章对你有帮助,点赞,收藏不迷路

公众号:我不是架构师,持续为你输出更多的硬核文章和面试经验。

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: