Files d’attente de lettres mortes et stratégies de nouvelle tentative
Apprenez à gérer les messages dont le traitement échoue avec des nouvelles tentatives à temporisation progressive, des limites de retransmission et des files de lettres mortes, afin de maintenir la fiabilité des pipelines asynchrones.
Files d’attente de lettres mortes et stratégies de nouvelle tentative est une leçon API Rate Limiting & Scalability Patterns gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage API Rate Limiting & Scalability Patterns, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours API Rate Limiting & Scalability Patterns comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
When Messages Fail
In an async pipeline, a consumer can fail to process a message — a bug, a bad payload, or a downstream outage. Without a plan, that message can block the queue or be lost.
This lesson covers retries and the dead letter queue.
Acknowledgements
A consumer acks a message to confirm successful processing. If it nacks (or never acks), the broker can redeliver it.
Acking before doing the work risks loss; ack only after success.
msg = queue.receive()
process(msg)
msg.ack() # only after successNaive Retries Are Dangerous
Immediately re-processing a failed message can create a tight loop that hammers a struggling downstream service — a self-inflicted outage.
You need delay and a limit.
Exponential Backoff
Wait longer after each failed attempt: 1s, 2s, 4s, 8s. This gives a transient problem time to recover instead of pounding it.
def delay(attempt):
return min(2 ** attempt, 60)Jitter
If many consumers back off on the same schedule, they retry in sync — a thundering herd. Add random jitter to spread retries out.
import random
def delay(attempt):
base = min(2 ** attempt, 60)
return base / 2 + random.uniform(0, base / 2)Max Retry Limit
Some failures never succeed — a malformed message is poison. After a fixed number of attempts, stop retrying and move the message aside.
The Dead Letter Queue
A dead letter queue (DLQ) is a separate queue where messages go after exhausting retries. The main pipeline keeps flowing while failures are quarantined for inspection.
if msg.attempts >= MAX_RETRIES:
dlq.send(msg)
else:
requeue(msg, delay(msg.attempts))Inspecting the DLQ
The DLQ is your debugging surface. Engineers review failed messages, find the root cause, fix code or data, and then replay them back into the main queue.
Idempotent Consumers
Retries mean a message may be processed more than once. Make handlers idempotent — processing the same message twice yields the same result, for example by tracking processed message IDs.
if seen.contains(msg.id):
msg.ack() # already handled
else:
process(msg)
seen.add(msg.id)Alerting on the DLQ
A growing DLQ is a signal something is broken. Alert when its depth crosses a threshold so failures get human attention before they pile up.
Poison Message Patterns
Some failures repeat no matter how many times you retry — a malformed payload, a missing referenced record. Detect these early by inspecting the error type: route deterministic, non-transient failures straight to the DLQ instead of wasting retry attempts.
if is_permanent(error):
dlq.send(msg) # no point retrying
else:
requeue(msg, delay(msg.attempts))Quick Check
Test your understanding of failure handling.
Recap
You learned to handle message failures:
- Ack after success, nack to redeliver
- Exponential backoff with jitter spaces retries
- A retry limit protects against poison messages
- A DLQ quarantines failures for inspection and replay
- Make consumers idempotent
Questions Fréquemment Posées
La leçon « Files d’attente de lettres mortes et stratégies de nouvelle tentative » est-elle gratuite ?
Oui — le texte complet de « Files d’attente de lettres mortes et stratégies de nouvelle tentative » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours API Rate Limiting & Scalability Patterns, passe à CoddyKit PRO. Le cours API Rate Limiting & Scalability Patterns comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Files d’attente de lettres mortes et stratégies de nouvelle tentative » ?
Apprenez à gérer les messages dont le traitement échoue avec des nouvelles tentatives à temporisation progressive, des limites de retransmission et des files de lettres mortes, afin de maintenir la f… Tu pratiques API Rate Limiting & Scalability Patterns avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer API Rate Limiting & Scalability Patterns ?
Aucune expérience préalable n'est requise. API Rate Limiting & Scalability Patterns sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Files d’attente de lettres mortes et stratégies de nouvelle tentative » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon API Rate Limiting & Scalability Patterns ?
Oui. Chaque leçon API Rate Limiting & Scalability Patterns inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Introduction aux API asynchrones
- Notions fondamentales des files de messages
- Mise en œuvre de tâches en arrière-plan
- Files d’attente de lettres mortes et stratégies de nouvelle tentative