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 {@Overridepublic void execute(ShardingContext context) {switch (context.getShardingItem()) {case 0: // do something by sharding item 0break;case 1: // do something by sharding item 1break;case 2: // do something by sharding item 2break;// 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 {@Overridepublic 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());break;}case 2: {System.out.println("当前分片：" + shardingContext.getShardingItem() + "=====" + "参数："+ shardingContext.getShardingParameter() + " =====" + Thread.currentThread());break;}default: {System.out.println("当前分片：" + shardingContext.getShardingItem() + "=====" + "参数："+ shardingContext.getShardingParameter() + " =====" + Thread.currentThread());break;}}}
}

    上面设置每5秒钟执行一次，执行ElasticJobConfig的main方法，执行结果如下：

    

    从上面的结果，可以看出，执行每个分片的任务，其实是放到一个线程池去执行的，对应的分片信息和参数信息在shardingContext可以拿到，实现业务非常方便。

    最后，如果启动多个JVM，那么这些任务就分散到各个节点里，如果一个节点宕机，下次触发任务时，将把该分片任务丢到健康机器执行，这里做到了节点容错。但是某个分片的任务在执行过程中失败了，那么这里是不会重新触发改分片任务的执行的。