如何快速开发一个IM系统

本文涉及的产品
表格存储 Tablestore,50G 2个月
简介: 本文将会给大家介绍如何开发一个简单的即时通讯系统(IM)。 # 为什么不简单 > 我们的站点加一个即时通讯(IM)的功能,那么我们怎么做? 在回家的路上,问了同是实习生(网络方向)的舍友这样一个问题,他回答:`“很简单,只需要在服务端保存一个list,收到一个人的message后,我转发给list中指定的另一个人就好啦”` 接着,我们讨论了一晚上下面的几个问题 1.

本文将会给大家介绍如何开发一个简单的即时通讯系统(IM)。

为什么不简单

我们的站点加一个即时通讯(IM)的功能,那么我们怎么做?

在回家的路上,问了同是实习生(网络方向)的舍友这样一个问题,他回答:“很简单,只需要在服务端保存一个list,收到一个人的message后,我转发给list中指定的另一个人就好啦”

接着,我们讨论了一晚上下面的几个问题

  1. 对方不在线怎么办?
  2. 内存里保存list的话,人多了怎么办?
  3. 怎么查看历史记录?怎么多端同步数据?
  4. 为什么微信用户只能建立有限个群,并且群聊功能很晚才开放?为什么微信好友数是有上线的?
  5. 怎么保证消息有序、不丢失数据?
  6. 如何保证消息的时效性?
  7. 如何承担高并发流量?

最后讨论的结果是:开发一个稳定高效的IM产品是相对困难的,上面这些难题,QQ、微信等产品都遇到过。而且IM产品一旦量达到一定程度,性能、稳定性、可用性等的挑战会越来越大,开发维护都十分困难,需要不断的打磨锤炼,才能保证是一个可靠稳定的IM产品。

为什么简单

同样是一个IM的小白,在看到 tableStore产品的 timeline模型后,只花了一个下午的时间,就理解了IM和做出一个可使用的demo。

Timeline 模型是 TableStore 团队针对消息数据场景所新创的一个数据模型,它的特色在于能够满足消息数据场景对消息保序、海量消息存储、实时同步的特殊需求。目前 Timeline 模型主要能够解决以下场景的需求:

  1. IM : 如钉钉、微信

  2. Feed流:如微博、朋友圈

  3. IOT消息下推:如天猫精灵

  4. 无限Topic的队列

具体的文章可以参考:

介绍

===================================================================

接下来我们来完成这样的一个即时通讯产品的demo。正因为是一个demo,我们关注核心功能,所以在设计和其他功能上都会从简,方便大家理解和阅读。

1. 设计功能

  • 一对一私聊

  • 群聊

2. 表结构

目前版本的 timeline 只解决消息存储和同步问题,其他元数据相关的表还是需要我们自己来完成的。下面所有的表都使用tableStore 这款NoSQL分布式数据库进行存储,存储量和并发不用担心。

  1. User 表

    
    主要包含用户相关的信息。虽然大部分信息在demo中并没有使用。
    
    private String userName;  //用户名,为了简化,我们使用userName作为id,在tablestore中作为pk
    private int age;          //年龄
    private String gender;    //性别
    private String sign;      //个性签名 
  2. Group 表

    
    
    主要包括群组的信息。demo中实际上我们仅仅使用了 `groupName`
    
    private String groupName;        //群名,为了简化,我们使用groupName作为id,在tablestore中作为pk
    private String groupType;        //群标签,群类别
    private String groupDescription; //群描述 
  3. groupUser 表

主要记录了一个群中包含哪些群成员,这样当收到一条群消息就知道了同步给哪些成员。在 tablestore中这样设计。

主键(pk)
类型
groupName
String
userName
String
3. 工程结构 --------------------------------------------------------------------- 工程采用springboot做的后端框架,前端用了vue.js用来简单展示数据,具体代码附件中。 image.png 4. 核心代码逻辑 ----------------------------------------------------------------------- 工程上其实主要在使用框架(springboot、vue.js),这里就不在一一列举,下面主要介绍timeline相关的一些使用。而这些核心代码在官方的github仓库( https://github.com/aliyun/tablestore-timeline)的测试用例里也有样例代码,不仅仅有IM相关的,还有朋友圈、微博这种feed流场景的样例代码,而我作为一个使用者只需要拿过来直接用就好啦,十分方便! ### 4.1 给指定好友发送消息
 /**
 * 发送个人消息
 */
public void sendPersonalMessage(String userNameFrom, String userNameTo, IMessage message) {
    //创建发送方的timeline
    Timeline sender = new Timeline(userNameFrom, store);
    //存储消息:发送者存到自己的发件箱
    sender.store(message);
    //创建接收者的timeline
    Timeline receiver = new Timeline(userNameTo, sync);
    //同步消息:存到接收者的收件箱
    receiver.store(message);
    logger.debug("【" + userNameFrom + "】send Message to 【" + userNameTo + "】");
} 

[](https://lark.alipay.com/tablestore/timeline/vqg89g#ob2dbk)4.2 群发消息

/**
 * 发送群组消息
 */
public void sendGroupMessage(String groupName, IMessage message) {
    //获取该群组所有的人员列表
    List<String> groupMembers = userAndGroupService.listGroupMembers(groupName);
    logger.debug("Begin send Message to " + groupMembers.size() + " members");
    //存储消息:存到自己的发件箱
    Timeline sender = new Timeline(groupName, store);
    sender.store(message);
    //同步消息:给群里的所有人发一份,
    for (String user : groupMembers) {
        Timeline receiver = new Timeline(user, sync);
        receiver.store(message);
    }
    logger.debug("End send Message to " + groupMembers.size() + " members");
} 

4.3 元数据、消息内容搜索

IM产品经常需要搜索数据,其中主要包括:

  1. 用户、群的元数据搜索

  2. 历史消息内容的搜索

这些功能将会在上线 TableStore 2.0 开篇:SearchIndex 后一起发布,届时Timeline模型将原生支持强大的搜索能力,满足开发者不同的需求。

运行

大家可以尝试自己运行一下代码,很简单的几个步骤就把系统运行起来了。

1. 开通服务(免费)

tablestore有足够多的免费额度,可以做很多事情。我们去官网 https://www.aliyun.com/product/ots 开通实例,通过控制台创建一个实例

  1. endpoint : 自己的实例的网址,类似 https://xxxxxx.cn-hangzhou.ots.aliyuncs.com

  2. instanceName :自己的实例的名字,即上面网址的前缀

2. 获取AK

阿里云所有的服务几乎都是通过AccessKeyID 和AccessKeySecret来做鉴权的。我们点击用户的如下按钮,按照提示获取一个AccessKeyID 和AccessKeySecret。

image.png

3. 运行代码

  1. 下载指定分支代码

    从附件中下载源码。

  2. 在源码中编译代码

    1. linux下  ./gradlew build  

    2. windows下:   gradlew.bat build

    3. 提示:网络不好时间可能会比较久,如果自己本机安装过gradle的话,也可以直接使用 gradle build 来进行编译

  3. 启动项目

    其中xxxx相关的要换成自己的阿里云实际的配置。

    java -jar build/libs/im-demo.jar  \
        --aliyun.tablestore.endpoint="xxxxx" \
        --aliyun.tablestore.AccessKeyID="xxxxx" \
        --aliyun.tablestore.AccessKeySecret="xxxxx" \
        --aliyun.tablestore.instanceName="im-demo" 
  4. 浏览器访问 http://localhost:8081/ 自己多开几个页面孤独聊天,或者将地址发给好友一起体验!

    image.png

感受

  1. tableStore提供的timeline模型,把IM的开发变得如此简单,任何人都能够简单的使用,在并发、容量、消息顺序等各种问题上都不用担心。

  2. 简单的demo开发很容易,但是一个功能完善的IM产品开发,还是需要开发人员了解Timeline如何和其他组件一起使用。Timeline仅仅是提供了IM产品的核心支持,作为一个企业级的IM产品支柱而存在。如果Timeline产品能提供补充IM产品的完整设计,那么相信更多的人会感觉IM易如反掌。

  3. Demo的细节设计上目前都是从简的,仅为了体验Timeline模型。
目录
相关文章
|
14天前
|
存储 自然语言处理 机器人
实战揭秘:当RAG遇上企业客服系统——从案例出发剖析Retrieval-Augmented Generation技术的真实表现与应用局限,带你深入了解背后的技术细节与解决方案
【10月更文挑战第3天】随着自然语言处理技术的进步,结合检索与生成能力的RAG技术被广泛应用于多个领域,通过访问外部知识源提升生成内容的准确性和上下文一致性。本文通过具体案例探讨RAG技术的优势与局限,并提供实用建议。例如,一家初创公司利用LangChain框架搭建基于RAG的聊天机器人,以自动化FAQ系统减轻客服团队工作负担。尽管该系统在处理简单问题时表现出色,但在面对复杂或多步骤问题时存在局限。此外,RAG系统的性能高度依赖于训练数据的质量和范围。因此,企业在采用RAG技术时需综合评估需求和技术局限性,合理规划技术栈,并辅以必要的人工干预和监督机制。
42 3
|
24天前
|
人工智能 自然语言处理 搜索推荐
AI技术在智能客服系统中的应用与挑战
【9月更文挑战第32天】本文将探讨AI技术在智能客服系统中的应用及其面临的挑战。我们将分析AI技术如何改变传统客服模式,提高服务质量和效率,并讨论在实际应用中可能遇到的问题和解决方案。
158 65
|
16天前
|
存储 安全 开发工具
百度公共IM系统的Andriod端IM SDK组件架构设计与技术实现
本文主要介绍了百度公共IM系统的Andriod端IM SDK的建设背景、IM SDK主要结构和工作流程以及建设过程遇到的问题和解决方案。
37 3
|
1月前
|
数据挖掘 API
如何选择适合的售后工单管理系统
选择合适的售后工单管理系统需评估需求和预算,考察功能、技术支持及服务商可靠性,并全面试用评估。ZohoDesk适合初创和中小企业,具备强大的工单管理、报告分析及可定制性,助力提升服务质量和客户体验。通过合适系统,企业不仅能优化客户服务流程,还能通过数据分析支持决策,推动长远发展。
57 16
|
1月前
|
人工智能 自然语言处理 前端开发
从客服场景谈:大模型如何接入业务系统
本文探讨了大模型在AI客服中的应用。大模型虽具有强大的知识生成能力,但在处理具体业务如订单咨询、物流跟踪等问题时,需结合数据库查询、API调用等手段。文章提出用Function Call连接大模型与业务系统,允许大模型调用函数获取私域知识。通过具体示例展示了如何设计系统提示词、实现多轮对话、定义Function Call函数,并利用RAG技术检索文档内容。最后,展示了该方案在订单查询和产品咨询中的实际效果。
|
15天前
|
前端开发 JavaScript PHP
Thinkphp在线客服系统源码多语言外贸版_PHP客服系统源码Uniapp开发搭建+论文设计
Thinkphp在线客服系统源码多语言外贸版_PHP客服系统源码Uniapp开发搭建+论文设计
|
16天前
|
人工智能 算法 搜索推荐
选择智能工单系统的理由,功能与效益分析
智能工单管理系统利用数字化技术,帮助企业高效接收、分配和解决客户请求,具备多渠道接收、智能分配和自动化处理等功能。通过实时响应、数据分析和协作工具,系统显著提升服务质量和效率,优化客户体验,成为企业提升竞争力的关键工具。Zoho Desk等系统表现尤为突出,支持多种渠道和服务功能,助力企业实现高效管理。
28 0
|
1月前
|
机器学习/深度学习 自然语言处理 搜索推荐
探索深度学习与自然语言处理(NLP)在智能客服系统中的创新应用
探索深度学习与自然语言处理(NLP)在智能客服系统中的创新应用
93 0
|
2月前
|
存储 人工智能 自然语言处理
利用AI技术实现智能客服系统
【8月更文挑战第27天】本文将介绍如何利用人工智能(AI)技术构建一个智能客服系统,以提高客户服务效率和质量。我们将从需求分析、系统设计、功能实现等方面进行详细阐述,并通过实际代码示例展示如何实现一个简单的智能客服系统。
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术在智能客服系统中的应用
【8月更文挑战第31天】本文将介绍AI技术在智能客服系统中的应用,包括自然语言处理、机器学习和深度学习等方面的知识。我们将通过一个简单的代码示例,展示如何使用Python和TensorFlow库构建一个简单的智能客服系统。通过阅读本文,您将了解到AI技术如何改变传统客服行业,提高客户满意度和企业效率。

热门文章

最新文章