php 分布式定时任务框架,分布式定时任务框架Elastic-Job的使用-CSDN博客

一、前言

Elastic-Job是一个优秀的分布式作业调度框架。

Elastic-Job是一个分布式调度解决方案，由两个相互独立的子项目Elastic-Job-Lite和Elastic-Job-Cloud组成。

Elastic-Job-Lite定位为轻量级无中心化解决方案，使用jar包的形式提供分布式任务的协调服务。

Elastic-Job-Cloud使用Mesos + Docker的解决方案，额外提供资源治理、应用分发以及进程隔离等服务。

1. Elastic-Job-Lite 分布式调度协调

弹性扩容缩容

失效转移

错过执行作业重触发

作业分片一致性，保证同一分片在分布式环境中仅一个执行实例

自诊断并修复分布式不稳定造成的问题

支持并行调度

支持作业生命周期操作

丰富的作业类型

Spring整合以及命名空间提供

运维平台

2. Elastic-Job-Cloud 应用自动分发

基于Fenzo的弹性资源分配

分布式调度协调

弹性扩容缩容

失效转移

错过执行作业重触发

作业分片一致性，保证同一分片在分布式环境中仅一个执行实例

支持并行调度

支持作业生命周期操作

丰富的作业类型

Spring整合

运维平台

基于Docker的进程隔离(TBD)

二、导读

1、Elastic-Job的核心思想

2、Elastic-Job的基本使用

三、Elastic-Job的核心思想

对于分布式计算而言，分片是最基本的思想，Elastic-Job也是沿用了这个思想，每个job跑部分数据，所有job执行完成，便是全量数据，官网给出的SimpleJob例子如下： public class MyElasticJob implements SimpleJob {

@Override

public void execute(ShardingContext context) {

switch (context.getShardingItem()) {

case 0:

// do something by sharding item 0

break;

case 1:

// do something by sharding item 1

break;

case 2:

// do something by sharding item 2

break;

// case n: ...

}

用switch case循环来对应分片的业务逻辑，case分片的index，进入业务逻辑执行。当然这里也有不适应的场景，类似于MapReduce需要shuffle的场景就不适合了，比方说，要根据某一个字段全局分组聚合求结果，这时候怎么分片都可能会不合理，因为每个分片只能处理N分之一的数据，没办法shuffle再聚合，这一点，也要根据具体的业务来使用。

那么ShardingContext可以拿到那些信息呢？源码如下

public final class ShardingContext {

/**

* 作业名称.

private final String jobName;

/**

* 作业任务ID.

private final String taskId;

/**

* 分片总数.

private final int shardingTotalCount;

/**

* 作业自定义参数.

* 可以配置多个相同的作业, 但是用不同的参数作为不同的调度实例.

private final String jobParameter;

/**

* 分配于本作业实例的分片项.

private final int shardingItem;

/**

* 分配于本作业实例的分片参数.

private final String shardingParameter;

public ShardingContext(final ShardingContexts shardingContexts, final int shardingItem) {

jobName = shardingContexts.getJobName();

taskId = shardingContexts.getTaskId();

shardingTotalCount = shardingContexts.getShardingTotalCount();

jobParameter = shardingContexts.getJobParameter();

this.shardingItem = shardingItem;

shardingParameter = shardingContexts.getShardingItemParameters().get(shardingItem);

}

以上代码，jobParameter和shardingItem是最有用的参数，shardingItem决定switch case循环的走向，shardingParameter可以用业务的查询条件，也可以用字符串拼接的方式组装很复杂的参数用于特定的业务。

四、Elastic-Job的基本使用

1、Job配置项 public class ElasticJobConfig {

private static CoordinatorRegistryCenter createRegistryCenter() {

ZookeeperConfiguration zookeeperConfiguration = new ZookeeperConfiguration("127.0.0.1:2181", "elastic-job");

CoordinatorRegistryCenter regCenter = new ZookeeperRegistryCenter(zookeeperConfiguration);

regCenter.init();

return regCenter;

}

private static LiteJobConfiguration createJobConfiguration() {

JobCoreConfiguration simpleCoreConfig = JobCoreConfiguration.newBuilder("jobdemo", "0/5 * * * * ?", 3)

.shardingItemParameters("0=A,1=A,2=B").failover(true).misfire(true).build();

SimpleJobConfiguration simpleJobConfig = new SimpleJobConfiguration(simpleCoreConfig,

MyElasticJob.class.getCanonicalName());

LiteJobConfiguration simpleJobRootConfig = LiteJobConfiguration.newBuilder(simpleJobConfig).overwrite(true)

.build();

return simpleJobRootConfig;

}

public static void main(String[] args) {

new JobScheduler(createRegistryCenter(), createJobConfiguration()).init();

}

几点说明：

注册中心配置项，设置zookeeper集群地址，我这里用的本地单节点，所以只有一个，当然可以配置任务名称，命名空间(namespace，本质上会在zk里生成一个目录)，超时时间，最大重试次数等等

LiteJobConfiguration simpleJobRootConfig = LiteJobConfiguration.newBuilder(simpleJobConfig).overwrite(true).build()中，overwrite参数非常重要，设置这个参数为true，修改过job配置信息才会覆盖zookeeper里的数据，要不然不会生效。

2、SimpleJob的实现 public class MyElasticJob implements SimpleJob {

@Override

public void execute(ShardingContext shardingContext) {

switch (shardingContext.getShardingItem()) {

case 0: {

System.out.println("当前分片：" + shardingContext.getShardingItem() + "=====" + "参数："

+ shardingContext.getShardingParameter() + " =====" + Thread.currentThread());

break;

}

case 1: {

System.out.println("当前分片：" + shardingContext.getShardingItem() + "=====" + "参数："

+ shardingContext.getShardingParameter() + " =====" + Thread.currentThread());