前言
XXL-Job部署教程

项目中，必然少不了数据的导入导出，针对数据的导入导出简单复盘一下。

为了不占用资源消耗时间，影响用户体验，大量数据的导入导出一般都是异步执行

导入的时候，如果数据量很大，一次性全部读取到内存中，再去整体校验入库，会有OOM的风险

因此诞生了第二个方案，采用流分批读写，这样牺牲掉整体校验的需求，优化OOM问题。

但对于整个系统而言，整体内存资源有限，一个用户的导入导出可以满足，那很多的导入导出还是会造成OOM风险。

因此凡是涉及到异步的接口均要考虑任务调配的问题。

根据我们的经验，要进行合理的任务调配，有两套成熟的方案：

1. 消息中间件，如kafka的生产消费者实现任务调度
2. 分布式调用框架 quartz 、xxl-job也能实现任务调度

使用哪一套方案呢？

如果我们期待老王导出文件1和文件2，且将消息告诉小李和张姐，小李和张姐也导出导入文件1和文件2。这就是消息通信，这个场景下kafka是最合适的。如下这个场景

如果我们期待老王每天8点导出银行账单，小李每天9点导出金融界的新闻，张姐每天10点导入会议纪要，每个人在固定的时间干好自己的事情就行，这个场景下分布式调用框架最合适。

分布式框架是如何实现任务调度，能满足我们的需求吗？

原理这里就不展开解释了，确实在开发过程中，因为我们项目的数据量较大，每次导入导出都会及其消耗资源，为了方便管理，就需要模仿任务调度的设计，来管理我们的导入导出操作。

期待的最终效果是：机器资源有限，若大量的导入导出任务同时进行，封装的工具包会将这些任务管理起来，当资源空闲时，便执行任务，当资源紧缺时，先不执行异步任务。为了区分导入导出任务，自定义注解@AsyncTask表示这是一个异步导入导出任务。系统启动后，便会找到该注解，该注解对应的方法会被统一管理起来，类似一个Bean。然后根据通过计算系统资源的情况，在资源合适的情况下从线程池捞一条线程出来去执行这个方法，如果执行失败，该任务的优先级降低一级。达到一定阈值后，不会再自动执行该任务。此外对线程加一个乐观锁，避免多个线程操作同一个数据库造成事务不一致的问题。

若引入xxl-job，还需要维护此开源工具，成本较大，若基于kafka，若是使用我们这套工具，还必须部署kafka服务。因此，借鉴成熟开源项目，封装组件是有必要的。后续尝试一下