xxl-job--03--分片广播 & 动态分片

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

xxl-job通过分片广播模式

前言

xxl-job 是一个分布式任务调度平台，支持定时任务和分片任务。其中，分片任务可以将一个大任务拆分成多个小任务，分布式地执行，提高任务的执行效率和可靠性。分片任务中，有一种特殊的任务类型叫做分片广播任务，可以将一个任务广播到所有的执行器节点上执行，本质上是一种并行执行的方式。

1.定义

什么是分片广播：即xxl-job调度中心发出一次调度，所有相关节点全部执行一次

• 采用传统轮询调度缺点：轮询调度只会调度某一台节点，也就是这100W数据都会冲击到1台节点执行，显然效率不合格。

采用分片广播调度优点

• 优点1：发动所有节点同时执行，即100W的用户数据，均匀分配到所有节点，每个节点只需要执行部分数据即可，当然具体分片策略需要在代码逻辑中进行编写，调度中心做的只是让所有节点全部执行

• 优点2：xxl-job会为每个注册节点分配一个index，这个index是xxl-job自行分配的，可以获取到，并且xxl-job也可以记录注册节点的总个数，总个数也可以获取到

2.API介绍

• 在调度中心创建任务的时候，选择路由策略为：分片路由

如何获取分片信息

ShardingUtil.ShardingVO shardingVo = ShardingUtil.getShardingVo();
// 获取当前分片
int index = shardingVo.getIndex();
// 获取总分数量
int total = shardingVo.getTotal();

分片参数属性说明：

• index：当前分片序号(从0开始)，执行器集群列表中当前执行器的序号；
• total：总分片数，执行器集群的总机器数量；

数据分片方案

• 通过获取注册节点总个数totalCount 与 每个节点对应的index。 我们采用【用户id % totalCount = index】的方式，
• 即余数=1，该条数据的重置就在对应index=1的节点上执行

用户id % totalCount = index

案例

示例1

xxl-job 分片广播任务的代码示例：

@XxlJob("broadcastJob")
public void broadcastJob() {
    int shardCount = 10; // 分片总数
    int shardIndex = XxlJobHelper.getShardIndex(); // 当前分片项

    // 执行任务逻辑
    for (int i = 0; i < 100; i++) {
        if (i % shardCount == shardIndex) {
            // 当前分片项需要执行的任务逻辑
            System.out.println("Shard " + shardIndex + " is running: " + i);
        }
    }
}

上述示例中，使用了 xxl-job 的注解 @XxlJob 标记了一个分片广播任务。任务的名称是broadcastJob，任务的执行逻辑在 broadcastJob 方法中实现。

1. 首先获取了分片总数和当前分片项，然后根据分片参数执行具体的任务逻辑。任务逻辑是循环输出数字，并根据分片参数判断是否需要执行。
2. 这里使用了 xxl-job 的工具类 XxlJobHelper 来获取分片参数。getShardIndex方法用于获取当前分片项，getShardTotal 方法用于获取分片总数。在任务执行时，xxl-job会自动传入分片参数，无需手动设置。

示例2

广播分片处理16个数据库，每个库有32 张表

@XxlJob("broadcastJob")
public void broadcastJob() {
    int shardCount = 24; // 分片总数
    int shardIndex = XxlJobHelper.getShardIndex(); // 当前分片项

    // 数据库列表
    String[] databases = {"db1", "db2", "db3", "db4", "db5", "db6", "db7", "db8", "db9", "db10", "db11", "db12", "db13", "db14", "db15", "db16"};

    // 处理每个数据库
    for (String database : databases) {
        // 表列表
        String[] tables = {"table1", "table2", "table3", "table4", "table5", "table6", "table7", "table8", "table9", "table10", "table11", "table12", "table13", "table14", "table15", "table16", "table17", "table18", "table19", "table20", "table21", "table22", "table23", "table24", "table25", "table26", "table27", "table28", "table29", "table30", "table31", "table32"};

        // 处理每张表
        for (String table : tables) {
            if ((shardIndex + table.hashCode()) % shardCount == shardIndex) {
                // 当前分片项需要处理的表
                System.out.println("Shard " + shardIndex + " is processing database " + database + ", table " + table);
                
                // 执行具体的任务逻辑，例如从数据库中读取数据并进行处理
                // ...
            }
        }
    }
}

示例中，使用了 xxl-job 的注解 @XxlJob 标记了一个分片广播任务。任务的名称是 broadcastJob，任务的执行逻辑在 broadcastJob 方法中实现。首先获取了分片总数和当前分片项，然后根据分片参数处理每个数据库中的每张表。

• 在本例中，任务逻辑是输出需要处理的表的信息，并执行具体的任务逻辑，例如从数据库中读取数据并进行处理。这里使用了 hashCode方法将表名转换为整数，然后根据分片参数判断是否需要处理。这种方式可以保证每张表的处理任务分布均匀，不会因为表名的特殊性导致某些分片项的负载过大。

3.总结

分片广播是 xxl-job 的一种任务类型，适用于一些需要并行执行的任务场景。在生产环境中，分片广播通常用于以下场景：

• 数据处理任务：例如对大量数据进行清洗、分析、转换等操作，可以将任务拆分成多个小任务，分布式地执行，提高任务的执行效率和可靠性。
• 分布式计算任务：例如对大规模数据进行机器学习、深度学习等计算，可以将计算任务拆分成多个小任务，分布式地执行，加速计算过程。
• 并发请求任务：例如对多个服务进行并发请求，可以将请求拆分成多个小请求，分布式地执行，提高请求的并发处理能力。分片广播适用于需要将一个任务拆分成多个小任务，分布式地执行的场景，可以提高任务的执行效率和可靠性，同时降低单个节点的负载压力。