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。

elastic-job提供业务逻辑接口

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。