分布式作业系统 Elastic-Job-Cloud 源码分析 —— 本地运行模式

点击上方“芋道源码”，选择“设为星标”

做积极的人，而不是积极废人！

源码精品专栏

 

• 精尽 Dubbo 原理与源码 69 篇

• 精尽 Netty 原理与源码 61 篇

• 中文详细注释的开源项目
  

• Java 并发源码合集

• RocketMQ 源码合集

• Sharding-JDBC 源码解析合集

• Spring MVC 和 Security 源码合集
  

• MyCAT 源码解析合集

摘要: 原创出处 http://www.iocoder.cn/Elastic-Job/cloud-local-executor/ 「芋道源码」欢迎转载，保留摘要，谢谢！

本文基于 Elastic-Job V2.1.5 版本分享

• 1. 概述

• 2. 配置

• 3. 运行

• 666. 彩蛋

---

1. 概述

本文主要分享 Elastic-Job-Cloud 本地运行模式，对应《官方文档 —— 本地运行模式》。

有什么用呢？引用官方解答：

在开发 Elastic-Job-Cloud 作业时，开发人员可以脱离 Mesos 环境，在本地运行和调试作业。可以利用本地运行模式充分的调试业务功能以及单元测试，完成之后再部署至 Mesos 集群。 
本地运行作业无需安装 Mesos 环境。

???? 是不是很赞 + 1024？！

本文涉及到主体类的类图如下( 打开大图 )：

你行好事会因为得到赞赏而愉悦 
同理，开源项目贡献者会因为 Star 而更加有动力 
为 Elastic-Job 点赞！传送门

2. 配置

LocalCloudJobConfiguration，本地云作业配置，在《Elastic-Job-Cloud 源码分析 —— 作业配置》「3.2 本地云作业配置」有详细解析。

创建本地云作业配置示例代码如下（来自官方）：

LocalCloudJobConfiguration config = new LocalCloudJobConfiguration(
    new SimpleJobConfiguration(
    // 配置作业类型和作业基本信息
    JobCoreConfiguration.newBuilder("FooJob", "*/2 * * * * ?", 3) 
        .shardingItemParameters("0=Beijing,1=Shanghai,2=Guangzhou")
        .jobParameter("dbName=dangdang").build(), "com.dangdang.foo.FooJob"),
        // 配置当前运行的作业是第几个分片 
        1,  
        // 配置Spring相关参数。如果不配置，代表不使用 Spring 配置。
        "testSimpleJob" , "applicationContext.xml"); 

3. 运行

LocalTaskExecutor，本地作业执行器。

创建本地作业执行器示例代码如下（来自官方）：

new LocalTaskExecutor(localJobConfig).execute();

可以看到，调用 LocalTaskExecutor#execute() 方法，执行作业逻辑，实现代码如下：

// LocalTaskExecutor.java

public void execute() {
   AbstractElasticJobExecutor jobExecutor;
   CloudJobFacade jobFacade = new CloudJobFacade(getShardingContexts(), getJobConfigurationContext(), new JobEventBus());
   // 创建执行器
   switch (localCloudJobConfiguration.getTypeConfig().getJobType()) {
       case SIMPLE:
           jobExecutor = new SimpleJobExecutor(getJobInstance(SimpleJob.class), jobFacade);
           break;
       case DATAFLOW:
           jobExecutor = new DataflowJobExecutor(getJobInstance(DataflowJob.class), jobFacade);
           break;
       case SCRIPT:
           jobExecutor = new ScriptJobExecutor(jobFacade);
           break;
       default:
           throw new UnsupportedOperationException(localCloudJobConfiguration.getTypeConfig().getJobType().name());
   }
   // 执行作业
   jobExecutor.execute();
}

• 调用 #getShardingContexts() 方法，创建分片上下文集合( ShardingContexts )，实现代码如下：

  private ShardingContexts getShardingContexts() {
     JobCoreConfiguration coreConfig = localCloudJobConfiguration.getTypeConfig().getCoreConfig();
     Map<Integer, String> shardingItemMap = new HashMap<>(1, 1);
     shardingItemMap.put(localCloudJobConfiguration.getShardingItem(),
             new ShardingItemParameters(coreConfig.getShardingItemParameters()).getMap().get(localCloudJobConfiguration.getShardingItem()));
     return new ShardingContexts(
             // taskId ????
             Joiner.on("@-@").join(localCloudJobConfiguration.getJobName(), localCloudJobConfiguration.getShardingItem(), "READY", "foo_slave_id", "foo_uuid"),
             localCloudJobConfiguration.getJobName(), coreConfig.getShardingTotalCount(), coreConfig.getJobParameter(), shardingItemMap);
  }
  

• 调用 #getJobConfigurationContext() 方法，创建内部的作业配置上下文( JobConfigurationContext )，实现代码如下：

  private JobConfigurationContext getJobConfigurationContext() {
     Map<String, String> jobConfigurationMap = new HashMap<>();
     jobConfigurationMap.put("jobClass", localCloudJobConfiguration.getTypeConfig().getJobClass());
     jobConfigurationMap.put("jobType", localCloudJobConfiguration.getTypeConfig().getJobType().name());
     jobConfigurationMap.put("jobName", localCloudJobConfiguration.getJobName());
     jobConfigurationMap.put("beanName", localCloudJobConfiguration.getBeanName());
     jobConfigurationMap.put("applicationContext", localCloudJobConfiguration.getApplicationContext());
     if (JobType.DATAFLOW == localCloudJobConfiguration.getTypeConfig().getJobType()) { // 数据流作业
         jobConfigurationMap.put("streamingProcess", Boolean.toString(((DataflowJobConfiguration) localCloudJobConfiguration.getTypeConfig()).isStreamingProcess()));
     } else if (JobType.SCRIPT == localCloudJobConfiguration.getTypeConfig().getJobType()) { // 脚本作业
         jobConfigurationMap.put("scriptCommandLine", ((ScriptJobConfiguration) localCloudJobConfiguration.getTypeConfig()).getScriptCommandLine());
     }
     return new JobConfigurationContext(jobConfigurationMap);
  }
  

• 调用 #getJobInstance(...) 方法， 获得分布式作业( ElasticJob )实现实例，实现代码如下：

  private <T extends ElasticJob> T getJobInstance(final Class<T> clazz) {
     Object result;
     if (Strings.isNullOrEmpty(localCloudJobConfiguration.getApplicationContext())) { // 直接创建 ElasticJob
         String jobClass = localCloudJobConfiguration.getTypeConfig().getJobClass();
         try {
             result = Class.forName(jobClass).newInstance();
         } catch (final ReflectiveOperationException ex) {
             throw new JobSystemException("Elastic-Job: Class '%s' initialize failure, the error message is '%s'.", jobClass, ex.getMessage());
         }
     } else { // Spring 环境获得 ElasticJob
         result = new ClassPathXmlApplicationContext(localCloudJobConfiguration.getApplicationContext()).getBean(localCloudJobConfiguration.getBeanName());
     }
     return clazz.cast(result);
  }
  

• 调用 AbstractElasticJobExecutor#execute() 方法，执行作业逻辑。 Elastic-Job-Lite 和 Elastic-Job-Cloud 作业执行基本一致，在《Elastic-Job-Lite 源码分析 —— 作业执行》有详细解析。

---

---

欢迎加入我的知识星球，一起探讨架构，交流源码。加入方式，长按下方二维码噢：

已在知识星球更新源码解析如下：

人若无名

专心练剑

2019走你

好看吗？↓