前面的话
elastic job是当当开源的一个分布式调度系统。基于quartz实现的。这里只分析了lite类型的job,主要功能如下:
1、分布式调度协调
2、弹性扩容缩容
3、失效转移
4、错过执行作业重触发
5、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
6、自诊断并修复分布式不稳定造成的问题
7、支持并行调度
8、支持作业生命周期操作
9、丰富的作业类型
10、Spring整合以及命名空间提供
11、运维平台
elastic job 不能满足的场景有:
1、由于elastic-job只用了quartz的cronTrigger,所以就不支持quartz的simpleTrigger,即执行指定次数的任务。
2、elastic-job,job与调度器是1:1的关系,当任务过多时,会起很多线程,这是一个隐患。启动时,会启一个quartz的调度线程,一个quartz的工作线程,和elastic-job自己启的cpuCore*2的工作线程。任务数与线程数至少是3倍的关系
3、misfired策略单一。当任务集群全部宕机重启时,不能重新执行一次任务。这个功能在quartz 使用jobsotresupport策略的时候有。
4、当任务过多时,在运维平台上查询任务很慢。主要是需要遍历zk的节点。
一个例子进入elastic-job的源码走读
这里例子主要是通过spring方式注册和启动任务。
<!--配置作业注册中心 -->
<reg:zookeeper id="regCenter" server-lists="192.168.102.45:2181" namespace="test-dd-jobs" base-sleep-time-milliseconds="1000" max-sleep-time-milliseconds="3000" max-retries="3" />
<!-- 配置作业-->
<job:simple id="foreOffElasticJob" class="com.test.elastic.job.MyElasticJob" registry-center-ref="regCenter" cron="0/10 * * * * ?" sharding-total-count="3" sharding-item-parameters="0=A,1=B,2=C" />
其中任务的执行逻辑代码:
public class MyElasticJob implements SimpleJob {
@Override
public void execute(ShardingContext shardingContext) {
System.out.println(shardingContext.getShardingItem()+"=========start");
try {
System.out.println(shardingContext);
Thread.sleep(5000l);
} catch (InterruptedException e) {
e.printStackTrace();
}
System.out.println(shardingContext.getShardingItem()+"=========end");
}
}
自己的业务逻辑需要实现elastic-job提供的接口。
任务注册过程
elastic-job通过自定义spring标签来进行注册中心的定义与任务的配置。
spring标签定义一瞥
reg标签的xsd定义里可以看到reg的属性有:
- server-lists :zk主机列表。ip1:port1,ip2:port2
- namespace : 任务根目录
- base-sleep-time-milliseconds :等待重试的间隔时间的初始值
- max-sleep-time-milliseconds :等待重试的间隔时间的最大值
- max-retries :最大重试次数
- session-timeout-milliseconds :会话超时时间
- connection-timeout-milliseconds:连接超时时间
- digest : 连接Zookeeper的权限令牌
标签解析类com.dangdang.ddframe.job.lite.spring.reg.handler.RegNamespaceHandler
.主要是初始化zk连接。具体的类为ZookeeperRegistryCenter
job 标签有三种,分为simple,script和dataflow,分别代表简单任务,脚本任务和数据流任务。其中simple类型的任务跟我们平时见到的任务一样,与quartz的cron任务类似。script类型的任务,业务处理逻辑是用一些脚本语言实现的,通过调用Apache的DefaultExecutor().execute方法来实现。dataflow类型的任务,主要是提供了两个接口供业务实现,一个是数据获取接口,一个是数据处理接口。获取数据的时候,会根据streamingProcess的配置来决定是流式处理还是非流式处理。(流式处理含义是,一次任务触发,会一直获取数据,知道获取的数据为空本次任务才算执行完成。非流式表示一次任务只获取一次数据)
job标签的属性有很多,这里就列出主要的属性: - listener、distributed-listener :定义job的监听。用户在任务执行前后做额外的处理。
- class : 任务处理逻辑的全路径。
- job-ref :任务的关联beanid,优先级大于class里配置的类路径。
- registry-center-ref : 注册中心的beanid。
- cron : cron表达式。
- sharding-total-count : 总的分片数。
- sharding-item-parameters : 分片序列号和分片参数,用
=
连接,多个分片之间用,
分割。 - job-parameter : 作业参数
- max-time-diff-seconds: 容忍本机与注册中心时间的误差秒数。
- failover : 是否打开失效转移功能。默认false
- misfire:是否开启misfire 。默认true
- job-sharding-strategy-class : 作业分片类全路径
- disabled : 禁用作业,默认false
- overwrite : 启动时是否更新作业,默认false
- executor-service-handler : 作业处理的线程池类,默认
com.dangdang.ddframe.job.executor.handler.impl.DefaultExecutorServiceHandler
- job-exception-handler :异常处理类。默认
com.dangdang.ddframe.job.executor.handler.impl.DefaultJobExceptionHandler
- event-trace-rdb-data-source : 作业事件追踪的数据源。
若是dataflow类型任务,还有 - streaming-process : 是否流式处理数据。默认 false
若是script类型任务,有 - script-command-line : 执行脚本的全路径及名称。
任务配置完成之后,通过spring的自定义标签解析,组装,获得一个SpringJobScheduler类型的bean。调用init方法初始化。
public void init() {
//(1)持久化任务配置信息到zk的config节点下
LiteJobConfiguration liteJobConfigFromRegCenter = schedulerFacade.updateJobConfiguration(liteJobConfig);
//(2)设置分片总数
JobRegistry.getInstance().setCurrentShardingTotalCount(liteJobConfigFromRegCenter.getJobName(), liteJobConfigFromRegCenter.getTypeConfig().getCoreConfig().getShardingTotalCount());
// (3)初始化quartz的scheduler,组装jobdetail
JobScheduleController jobScheduleController = new JobScheduleController(
createScheduler(), createJobDetail(liteJobConfigFromRegCenter.getTypeConfig().getJobClass()), liteJobConfigFromRegCenter.getJobName());
//(4)将任务放到内存里,并起zk监听,监听节点/jobname
JobRegistry.getInstance().registerJob(liteJobConfigFromRegCenter.getJobName(), jobScheduleController, regCenter);
//(5)处理作业的启动信息。启动前准备工作。
schedulerFacade.registerStartUpInfo(!liteJobConfigFromRegCenter.isDisabled());
//(6)真正的启动调度器去定时的调度任务【主要是quartz来做】
jobScheduleController.scheduleJob(liteJobConfigFromRegCenter.getTypeConfig().getCoreConfig().getCron());
}
下面主要来看看第(5)步的处理,其他的处理都比较简单。
public void registerStartUpInfo(final boolean enabled) {
// 启动所有监听。
listenerManager.startAllListeners();
//选主 /jobname/leader/election/instance/instanceid 临时节点
leaderService.electLeader();
// 往zk上注册节点ip信息,持久化节点/jobname/servers/ip
serverService.persistOnline(enabled);
// 注册实例信息,临时节点,/jobname/instance/instanceid[instanceid格式:ip@-@pid]
instanceService.persistOnline();
// 设置分片标志节点,持久化节点 /jobname/leader/sharding/necessary
shardingService.setReshardingFlag();
//初始化作业监听服务
monitorService.listen();
if (!reconcileService.isRunning()) {
reconcileService.startAsync();
}
}
很多逻辑其实都在各个listener里。监听zk各个节点的变化,做不同的处理。
public void startAllListeners() {
//主节点选举监听管理器
electionListenerManager.start();
//分片监听管理器.
shardingListenerManager.start();
//失效转移监听管理器
failoverListenerManager.start();
//幂等性监听管理器
monitorExecutionListenerManager.start();
//运行实例关闭监听管理器
shutdownListenerManager.start();
//作业触发监听管理器
triggerListenerManager.start();
// 重调度监听管理器
rescheduleListenerManager.start();
//保证分布式任务全部开始和结束状态监听管理器
guaranteeListenerManager.start();
//注册连接状态监听器
jobNodeStorage.addConnectionStateListener(regCenterConnectionStateListener);
}
下面分别走读下每个管理器所做的事情。
主节点选举过程
public void executeInLeader(final String latchNode, final LeaderExecutionCallback callback) {
try (LeaderLatch latch = new LeaderLatch(getClient(), jobNodePath.getFullPath(latchNode))) {
latch.start();
latch.await();
callback.execute();
//CHECKSTYLE:OFF
} catch (final Exception ex) {
//CHECKSTYLE:ON
handleException(ex);
}
}
利用zk的客户端包curator的选主过程。只有选主成功了,才执行callback.execute方法。主要是在zk上创建临时节点/jobname/leader/election/instance,值为主节点的instance id。
ElectionListenerManager中起了两个监听,其实这里是有点小问题的。
@Override
public void start() {
addDataListener(new LeaderElectionJobListener());
addDataListener(new LeaderAbdicationJobListener());
}
addDataListener(new LeaderElectionJobListener());
监听不是太有必要。这个主要是监听临时节点是否被删除,若被删除了,则重新选举节点。事实上,
(1) latch.start();
(2)latch.await();
(3)callback.execute();
这段代码里就包含了上述功能。(1)中表示开始选举主节点。(2)等待选举成功,这里是一个while死循环,一直在看当前线程是不是主节点,如果不是,继续循环,若果是,则执行execute,在zk上建立主节点选举信息。当主节点挂掉之后,zk上的相应节点被删除掉。那么就会重新选举,直到有实例获取主节点权限,再次执行callback.execute,建立主节点信息。
测试结果也是支持上面结论的。
分片处理过程
shardingListenerManager这里的分片只是设置一个需要分片的标志。这里监听zk上的任务配置的任务分片个数是否被修改,同时监听作业实例是否有变化,如果有变化,则设置分片标志位。标志位zk上的路径为:/jobname/leader/sharding/necessary.临时节点。
真正进行任务分片是在任务调度过程中。真正执行前,获取分片上下文的时候进行的。代码如下:
在执行AbstractElasticJobExecutor的execute方法的时候有如下语句ShardingContexts shardingContexts = jobFacade.getShardingContexts();
.
@Override
public ShardingContexts getShardingContexts() {
boolean isFailover = configService.load(true).isFailover();
if (isFailover) {
List<Integer> failoverShardingItems = failoverService.getLocalFailoverItems();
if (!failoverShardingItems.isEmpty()) {
return executionContextService.getJobShardingContext(failoverShardingItems);
}
}
/////这里就是进行分片的逻辑
shardingService.shardingIfNecessary();
List<Integer> shardingItems = shardingService.getLocalShardingItems();
if (isFailover) {
shardingItems.removeAll(failoverService.getLocalTakeOffItems());
}
shardingItems.removeAll(executionService.getDisabledItems(shardingItems));
return executionContextService.getJobShardingContext(shardingItems);
}
public void shardingIfNecessary() {
List<JobInstance> availableJobInstances = instanceService.getAvailableJobInstances();
if (!isNeedSharding() || availableJobInstances.isEmpty()) {
return;
}
//若不是主节点,则等待分片完成
if (!leaderService.isLeaderUntilBlock()) {
blockUntilShardingCompleted();
return;
}
//先等待其他的任务完成。
waitingOtherJobCompleted();
LiteJobConfiguration liteJobConfig = configService.load(false);
int shardingTotalCount = liteJobConfig.getTypeConfig().getCoreConfig().getShardingTotalCount();
log.debug("Job '{}' sharding begin.", jobName);
//建立临时节点/jobname/leader/sharding/processing,标志正在进行分片
jobNodeStorage.fillEphemeralJobNode(ShardingNode.PROCESSING, "");
//建立分片信息节点 /jobname/sharding/分片ID,持久化节点
resetShardingInfo(shardingTotalCount);
//获取分片策略
JobShardingStrategy jobShardingStrategy = JobShardingStrategyFactory.getStrategy(liteJobConfig.getJobShardingStrategyClass());
//开始分片。zk事务。PersistShardingInfoTransactionExecutionCallback将分片的信息持久化到zk上。zk上的路径为/jobname/sharding/item/instanceid.然后在这个事务里删除processing和necessary节点。
jobNodeStorage.executeInTransaction(new PersistShardingInfoTransactionExecutionCallback(jobShardingStrategy.sharding(availableJobInstances, jobName, shardingTotalCount)));
log.debug("Job '{}' sharding complete.", jobName);
}
执行完上面的代码,任务分片完成。就可以进行调度了。
失效转移监听管理器
这里就直接引用[芋道源码].这里讲的很清楚。
上面主要的功能就在这些listener里。
任务调度
任务主要由quartz来完成,下面就来看看实现quartz的job接口的类是如何实现的。
lite作业调度代码
public final class LiteJob implements Job {
@Setter
private ElasticJob elasticJob;
@Setter
private JobFacade jobFacade;
@Override
public void execute(final JobExecutionContext context) throws JobExecutionException {
JobExecutorFactory.getJobExecutor(elasticJob, jobFacade).execute();
}
}
真正的执行器是AbstractElasticJobExecutor
.下面看下这个的核心代码实现:
public final void execute() {
try {
jobFacade.checkJobExecutionEnvironment();
} catch (final JobExecutionEnvironmentException cause) {
jobExceptionHandler.handleException(jobName, cause);
}
// 获取分片信息,这里会真正的进行数据分片
ShardingContexts shardingContexts = jobFacade.getShardingContexts();
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(shardingContexts.getTaskId(), State.TASK_STAGING, String.format("Job '%s' execute begin.", jobName));
}
//若当前有分片的执行状态有running,则置 本次为misfired状态。在zk上添加/jobname/sharding/item/misfire,持久化节点
if (jobFacade.misfireIfRunning(shardingContexts.getShardingItemParameters().keySet())) {
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(shardingContexts.getTaskId(), State.TASK_FINISHED, String.format(
"Previous job '%s' - shardingItems '%s' is still running, misfired job will start after previous job completed.", jobName,
shardingContexts.getShardingItemParameters().keySet()));
}
return;
}
try {
jobFacade.beforeJobExecuted(shardingContexts);
//CHECKSTYLE:OFF
} catch (final Throwable cause) {
//CHECKSTYLE:ON
jobExceptionHandler.handleException(jobName, cause);
}
//执行业务
execute(shardingContexts, JobExecutionEvent.ExecutionSource.NORMAL_TRIGGER);
//执行misfired的任务
while (jobFacade.isExecuteMisfired(shardingContexts.getShardingItemParameters().keySet())) {
jobFacade.clearMisfire(shardingContexts.getShardingItemParameters().keySet());
execute(shardingContexts, JobExecutionEvent.ExecutionSource.MISFIRE);
}
// 如果有开启失效转移,则执行失效转移的操作,取孤儿分片那边去获取任务进行执行。
jobFacade.failoverIfNecessary();
try {
jobFacade.afterJobExecuted(shardingContexts);
//CHECKSTYLE:OFF
} catch (final Throwable cause) {
//CHECKSTYLE:ON
jobExceptionHandler.handleException(jobName, cause);
}
}
看这里的execute方法
private void execute(final ShardingContexts shardingContexts, final JobExecutionEvent.ExecutionSource executionSource) {
if (shardingContexts.getShardingItemParameters().isEmpty()) {
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(shardingContexts.getTaskId(), State.TASK_FINISHED, String.format("Sharding item for job '%s' is empty.", jobName));
}
return;
}
jobFacade.registerJobBegin(shardingContexts);
String taskId = shardingContexts.getTaskId();
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(taskId, State.TASK_RUNNING, "");
}
try {
process(shardingContexts, executionSource);
} finally {
// TODO 考虑增加作业失败的状态,并且考虑如何处理作业失败的整体回路
jobFacade.registerJobCompleted(shardingContexts);
if (itemErrorMessages.isEmpty()) {
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(taskId, State.TASK_FINISHED, "");
}
} else {
if (shardingContexts.isAllowSendJobEvent()) {
jobFacade.postJobStatusTraceEvent(taskId, State.TASK_ERROR, itemErrorMessages.toString());
}
}
}
}
这里最主要的是process方法:
private void process(final ShardingContexts shardingContexts, final JobExecutionEvent.ExecutionSource executionSource) {
Collection<Integer> items = shardingContexts.getShardingItemParameters().keySet();
if (1 == items.size()) {
int item = shardingContexts.getShardingItemParameters().keySet().iterator().next();
JobExecutionEvent jobExecutionEvent = new JobExecutionEvent(shardingContexts.getTaskId(), jobName, executionSource, item);
process(shardingContexts, item, jobExecutionEvent);
return;
}
final CountDownLatch latch = new CountDownLatch(items.size());
for (final int each : items) {
final JobExecutionEvent jobExecutionEvent = new JobExecutionEvent(shardingContexts.getTaskId(), jobName, executionSource, each);
if (executorService.isShutdown()) {
return;
}
executorService.submit(new Runnable() {
@Override
public void run() {
try {
//这个就是真正的业务逻辑实现了。
process(shardingContexts, each, jobExecutionEvent);
} finally {
latch.countDown();
}
}
});
}
try {
latch.await();
} catch (final InterruptedException ex) {
Thread.currentThread().interrupt();
}
}
上面的方法里可以看出,同一个任务实例上的数据分片是同时完成的,即,只有同一个实例上的分片都完成了才算该实例的任务调度完成。
写在后面
通过上面分析,可以看到该调度框架对任务少的循环任务,同时对任务的安全性要求比较高的场景下使用。像电商的一些营销推广任务,任务多,任务类型多,有大量的有限次数,且每种任务的misfired策略要求不同的任务不太合适。同时也不太适合跨系统,跨DC的任务的数据管理。
这也是我们自己要重复造轮子的一个原因。