本文共 5581 字，大约阅读时间需要 18 分钟。

elastic-job是当当开源的一款非常好用的作业框架，在这之前，我们开发定时任务一般都是使用quartz或者spring-task（ScheduledExecutorService），无论是使用quartz还是spring-task，我们都会至少遇到两个痛点：

1.不敢轻易跟着应用服务多节点部署，可能会重复多次执行而引发系统逻辑的错误。 2.quartz的集群仅仅只是用来HA，节点数量的增加并不能给我们的每次执行效率带来提升，即不能实现水平扩展。 本篇博文将会自顶向下地介绍elastic-job，让大家认识了解并且快速搭建起环境。

elastic-job产品线说明

elastic-job在2.x之后，出了两个产品线：Elastic-Job-Lite和Elastic-Job-Cloud。我们一般使用Elastic-Job-Lite就能够满足需求，本文也是以Elastic-Job-Lite为主。1.x系列对应的就只有Elastic-Job-Lite，并且在2.x里修改了一些核心类名，差别虽大，原理类似，建议使用2.x系列。写此博文，最新release版本为2.0.5。

elastic-job-lite原理

举个典型的job场景，比如余额宝里的昨日收益，系统需要job在每天某个时间点开始，给所有余额宝用户计算收益。如果用户数量不多，我们可以轻易使用quartz来完成，我们让计息job在某个时间点开始执行，循环遍历所有用户计算利息，这没问题。可是，如果用户体量特别大，我们可能会面临着在第二天之前处理不完这么多用户。另外，我们部署job的时候也得注意，我们可能会把job直接放在我们的webapp里，webapp通常是多节点部署的，这样，我们的job也就是多节点，多个job同时执行，很容易造成重复执行，比如用户重复计息，为了避免这种情况，我们可能会对job的执行加锁，保证始终只有一个节点能执行，或者干脆让job从webapp里剥离出来，独自部署一个节点。

elastic-job就可以帮助我们解决上面的问题，elastic底层的任务调度还是使用的quartz，通过zookeeper来动态给job节点分片。 我们来看： 很大体量的用户需要在特定的时间段内计息完成 我们肯定是希望我们的任务可以通过集群达到水平扩展，集群里的每个节点都处理部分用户，不管用户数量有多庞大，我们只要增加机器就可以了，比如单台机器特定时间能处理n个用户，2台机器处理2n个用户，3台3n，4台4n...，再多的用户也不怕了。 使用elastic-job开发的作业都是zookeeper的客户端，比如我希望3台机器跑job，我们将任务分成3片，框架通过zk的协调，最终会让3台机器分别分配到0,1,2的任务片，比如server0-->0，server1-->1，server2-->2，当server0执行时，可以只查询id%3==0的用户，server1执行时，只查询id%3==1的用户，server2执行时，只查询id%3==2的用户。 任务部署多节点引发重复执行 在上面的基础上，我们再增加server3，此时，server3分不到任务分片，因为只有3片，已经分完了。没有分到任务分片的作业程序将不执行。 如果此时server2挂了，那么server2的分片项会分配给server3，server3有了分片，就会替代server2执行。 如果此时server3也挂了，只剩下server0和server1了，框架也会自动把server3的分片随机分配给server0或者server1，可能会这样，server0-->0，server1-->1,2。 这种特性称之为弹性扩容，即elastic-job名称的由来。

代码演示

我们搭建环境通过示例代码来演示上面的例子，elastic-job是不支持单机多实例的，通过zk的协调分片是以ip为单元的。很多同学上来可能就是通过单机多实例来学习，结果导致分片和预期不一致。这里没办法，只能通过多机器或者虚拟机，我们这里使用虚拟机，另外，由于资源有限，我们这里仅仅只模拟两台机器。

节点说明：

本地宿主机器 zookeeper、job 192.168.241.1

虚拟机

job 192.168.241.128

环境说明：

Java 请使用JDK1.7及其以上版本。 Zookeeper 请使用Zookeeper3.4.6及其以上版本 Elastic-Job-Lite 2.0.5（2.x系列即可，最好是2.0.4及其以上，因为2.0.4版本有本人提交的少许代码，(*^__^*) 嘻嘻……）

需求说明：

通过两台机器演示动态分片

step1. 引入框架的jar包

<!-- 引入elastic-job-lite核心模块 --> <dependency>     <groupId>com.dangdang</groupId>     <artifactId>elastic-job-lite-core</artifactId>     <version>2.0.5</version> </dependency> <!-- 使用springframework自定义命名空间时引入 --> <dependency>     <groupId>com.dangdang</groupId>     <artifactId>elastic-job-lite-spring</artifactId>     <version>2.0.5</version> </dependency>  

step2. 编写job

package com.fanfan.sample001;

  import com.dangdang.ddframe.job.api.ShardingContext; import com.dangdang.ddframe.job.api.simple.SimpleJob;   import java.util.Date;   /**  * Created by fanfan on 2016/12/20.  */ public class MySimpleJob implements SimpleJob {     @Override     public void execute(ShardingContext shardingContext) {         System.out.println(String.format("------Thread ID: %s, 任务总片数: %s, 当前分片项: %s",                 Thread.currentThread().getId(), shardingContext.getShardingTotalCount(), shardingContext.getShardingItem()));         /**          * 实际开发中，有了任务总片数和当前分片项，就可以对任务进行分片执行了          * 比如 SELECT * FROM user WHERE status = 0 AND MOD(id, shardingTotalCount) = shardingItem          */     } }Step3. Spring配置

<?xml version="1.0" encoding="UTF-8"?>

<beans xmlns="http://www.springframework.org/schema/beans"        xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"        xmlns:reg="http://www.dangdang.com/schema/ddframe/reg"        xmlns:job="http://www.dangdang.com/schema/ddframe/job"        xsi:schemaLocation="http://www.springframework.org/schema/beans                         http://www.springframework.org/schema/beans/spring-beans.xsd                         http://www.dangdang.com/schema/ddframe/reg                         http://www.dangdang.com/schema/ddframe/reg/reg.xsd                         http://www.dangdang.com/schema/ddframe/job                         http://www.dangdang.com/schema/ddframe/job/job.xsd">     <!--配置作业注册中心 -->     <reg:zookeeper id="regCenter" server-lists="192.168.241.1:2181" namespace="dd-job"                    base-sleep-time-milliseconds="1000" max-sleep-time-milliseconds="3000" max-retries="3" />       <!-- 配置作业-->     <job:simple id="mySimpleJob" class="com.fanfan.sample001.MySimpleJob" registry-center-ref="regCenter"                 sharding-total-count="2" cron="0/2 * * * * ?" overwrite="true" />   </beans>Case1. 单节点

 

Case2. 增加一个节点

Case3. 断开一个节点

作业类型

elastic-job提供了三种类型的作业：Simple类型作业、Dataflow类型作业、Script类型作业。这里主要讲解前两者。Script类型作业意为脚本类型作业，支持shell，python，perl等所有类型脚本，使用不多，可以参见github文档。

SimpleJob需要实现SimpleJob接口，意为简单实现，未经过任何封装，与quartz原生接口相似，比如示例代码中所使用的job。

Dataflow类型用于处理数据流，需实现DataflowJob接口。该接口提供2个方法可供覆盖，分别用于抓取(fetchData)和处理(processData)数据。

可通过DataflowJobConfiguration配置是否流式处理。 流式处理数据只有fetchData方法的返回值为null或集合长度为空时，作业才停止抓取，否则作业将一直运行下去； 非流式处理数据则只会在每次作业执行过程中执行一次fetchData方法和processData方法，随即完成本次作业。 实际开发中，Dataflow类型的job还是很有好用的。

比如拿余额宝计息来说：

package com.fanfan.sample001;   import com.dangdang.ddframe.job.api.ShardingContext; import com.dangdang.ddframe.job.api.dataflow.DataflowJob;   import java.util.ArrayList; import java.util.List;   /**  * Created by fanfan on 2016/12/23.  */ public class MyDataFlowJob implements DataflowJob<User> {       /*         status         0：待处理         1：已处理      */       @Override     public List<User> fetchData(ShardingContext shardingContext) {         List<User> users = null;         /**          * users = SELECT * FROM user WHERE status = 0 AND MOD(id, shardingTotalCount) = shardingItem Limit 0, 30          */         return users;     }       @Override     public void processData(ShardingContext shardingContext, List<User> data) {         for (User user: data) {             System.out.println(String.format("用户 %s 开始计息", user.getUserId()));             user.setStatus(1);             /**              * update user              */         }     } }  

<job:dataflow id="myDataFlowJob" class="com.fanfan.sample001.MyDataFlowJob" registry-center-ref="regCenter"

              sharding-total-count="2" cron="0 0 02 * * ?" streaming-process="true" overwrite="true" /> 其它功能 上述介绍的是最精简常用的功能。elastic-job的功能集还不止这些，比如像作业事件追踪、任务监听等，另外，elastic-job-lite-console作为一个独立的运维平台还提供了用来查询和操作任务的web页面。 这些增强的功能读者可以在github/elastic-job上自行学习，相信有了本篇博文的基础，再阅读那些文档就特别简单了。