这是我参与「第五届青训营 」笔记创作活动的第4天
1.前言
春节瓜分红包项目：用户集卡，开奖时对集齐卡片的用户发放随机红包。
简要流程：系统用脚本扫描集卡信息，汇总用户数据（MapReduce任务），计算用户获得的金额然后发放红包（Map任务）。
难点：亿级用户规模、亿级资金规模、百万级读写QPS。
自动化+定时执行+海量数据+高效稳定=分布式定时任务
2.发展历程
2.1 Windows批处理
case1：10分钟后Windows电脑自动关机
- 桌面空白处新建文件。
- 更改文件名和后缀为“自动关机.bat”。
- 修改文件内容为“shutdown -s -t 600”，代表10分钟后关机。
- 双击运行该批处理文件，电脑将在10分钟后关机。
2.2 Windows任务计划程序
case2：每天12点自动打卡
- 此电脑，右键管理。
- 点击任务计划程序，右侧新建任务。可以设定在12点执行一个命令。
- 用python写一个脚本，抓包打卡请求，用Python脚本填写请求，注册到任务里面。
2.3 Linux命令CronJob
- case3：每天凌晨02：30定时清理机器日志
- 写一个cronjob脚本（.yaml文件）。
- kubectl命令执行。
Linux系统命令使用简单、稳定可靠。只能控制单台机器，且无法适用于其他操作系统。
2.4 单机定时任务
Timer、Ticker
case4：每隔5分钟定时刷新本地缓存数据
public static void main(String[] args) throws ParseException {
Timer timer = new Timer();
Timer.schedule(new TimerTask() {
@Override
public void run() {
SyncLocalCache();
}
}, 5000, 5 * 60 * 1000);
}
复制代码
复制代码
func main() {
ticker := time.NewTicker(5 * time.Minute)
for {
select {
case <-ticker.C:
SyncLocalCache()
}
}
}
复制代码
可跨平台使用，但仅单机可用。
Scheduled Executor Service
case5：每隔5分钟执行多个任务
private static ScheduledExecutorService scheduler;
public static void main(String[] args) throws Exception {
scheduler = Executors.newScheduledThreadPool(5);
scheduler.scheduleAtFixedRate(((
new Runnable(){
@Override
public void run(){
DoSomething();
}
})),
0, 300, TimeUnit.SECONDS);
}
复制代码
拥有线程池功能，仅单即可用。
2.5 任务调度-Quartz
单机任务调度。没有负载均衡，对分布式支持较差。
2.6 分布式定时任务
- 平台化管理，让无数用户注册任务。
- 分布式部署，没有单机的性能瓶颈。
- 支持海量数据
定时任务是指系统为了自动完成特定任务，实时、延时、周期性完成任务调度的过程。
分布式定时任务是把分散的、可靠性差的定时任务纳入统一的平台，并实现集群管理调度和分布式部署的一种定时任务的管理方式。
按触发时机分类：
- 定时任务：特定时间触发，比如今天15：06执行。
- 延时任务：延时触发，比如10s后执行。
- 周期任务：固定周期时间，或固定频率周期调度触发，比如每隔5s或者每天12点执行。
分布式定时任务的特点：
- 自动化：全自动完成定时任务的调度和执行。
- 平台化：基于平台化的思维管控一系列的分布式定时任务。
- 分布式：在分布式系统环境下运行任务调度，突破单机定时任务的性能瓶颈。
- 伸缩性：采用集群方式部署，可以随时按需扩缩容。
- 高可用：单点故障不影响最终任务结果，可以做到故障转移。
执行方式：
- 单机任务：随机触发一台机器执行任务，适用于计算量小、并发度低的任务。
- 广播任务：广播到所有机器上同时执行一个任务，如一起清理日志。
- Map任务：一个任务可以分出多个子任务，每个子任务负责一部分的计算。适用于计算量大，单机无法满足要求的任务。
- MapReduce任务：在Map任务的基础上，还可以对所有子任务的结果做汇总计算，适用于计算量大且需要对子任务结果做汇总的任务。
2.7 业内定时任务框架
| Xxl-job | SchedulerX | TCT | Elastic-job | Saturn | |
|---|---|---|---|---|---|
| 来源公司 | 美团点评 | 阿里巴巴 | 腾讯 | 当当网 | 唯品会 |
| 是否开元 | 是 | 否 | 否 | 是 | 是 |
| 任务编排 | 子任务依赖 | 支持 | 支持 | 不支持 | 不支持 |
| 任务分片 | 支持 | 支持 | 支持 | 支持 | 支持 |
| 高可用 | 支持 | 支持 | 支持 | 支持 | 支持 |
| 故障转移 | 支持 | 支持 | 支持 | 支持 | 支持 |
| 可视化运维 | 支持 | 支持 | 支持 | 支持 | 支持 |
Xxl-job
Xxl-job是大众点评员工许雪里于2015年发布的分布式任务调度平台，是一个轻量级分布式任务调度框架，其核心设计目标是开发迅速、学习简单、轻量级、易扩展。XXL-JOB支持分片，简单支持任务依赖，不是跨平台的。
Xxl-job的一个大优势是开源且免费，同时它有轻量级、开箱即用、操作简易、上手快、企业维护成本低等特点，因而在中小型公司使用非常广泛。
SchedulerX
分布式任务调度SchedulerX2.0是阿里巴巴基于Akka架构自研的新一代分布式任务调度平台，提供定时调度、调度任务编排和分布式批量处理等功能。
SchedulerX可以在阿里云付费使用。它的功能强大，在阿里巴巴内部广泛使用并久经考验。
TCT
分布式任务调度服务（Tencent Cloud Task）是腾讯云自主研发的一款高性能、高可用通用的分布式任务调度中间件，通过指定时间规则严格触发调度任务，保障调度任务的可靠有序执行。该服务支持国际通用的时间表达式、调度任务执行生命周期管理，解决传统定时调度任务单点及并发性能问题。同时，支持任务分片、流程编排复杂调度任务处理功能，覆盖广泛的任务调度应用场景。
TCT仅在腾讯内部使用，未开源也未商用。
2.8 知识面扩充
分布式定时任务与单机定时任务：
- 关系：都可以实现自动化的定时、延时、周期任务调度。
- 差异：分布式定时任务可支撑更大的业务体量。分布式定时任务的性能、伸缩性、稳定性更高。
分布式定时任务与大数据处理引擎：
- 关系：都可以对海量数据做处理。性能、伸缩性、稳定性都很高。
- 差异：定时并不是大数据处理引擎要解决的核心问题。大数据处理引擎往往致力于将源数据处理成结果数据；分布式定时任务除了能做这个之外，还可以调用HTTP和RPC服务。
3.实现原理
3.1 核心架构
分布式定时任务核心要解决触发、调度、执行三个关键问题。
- 触发器：Trigger，解析任务，生成触发事件。
- 调度器：Scheduler，分配任务，管理任务生命周期。
- 执行器：Executor，获取执行任务单元，执行任务逻辑。 除此之外，还需要提供一个控制台（Admin），提供任务管理和干预功能。
3.1.1 数据流
用户将 [任务基础信息（创建人等），触发规则（定时、延迟、周期），任务代码]发送给控制台。控制台将其存入任务数据库。触发器触发任务执行并调用调度器对任务进行协调与分配。最后执行器执行任务。
3.1.2 功能架构
| 组件 | 功能 |
|---|---|
| 控制台Admin | 元数据存储、元数据状态流转、任务分片、任务依赖、规则引擎、任务暂停/恢复、日志管理、监控报警、指标统计...... |
| 触发器Trigger | 解析引擎、Scanner、可靠投递（可能用到MQ）、状态流转、补偿策略 |
| 调度器Scheduler | 调度、负载均衡、幂等控制、容错、故障转移、限流、计费、优雅启停、状态管控...... |
| 执行器Executor | 注册、任务获取、任务执行、状态上报、日志处理、本地幂等、任务回调...... |
3.2 控制台
3.2.1 基本概念
名词解释：
- 任务：job，任务元数据。
- 任务实例：jobinstance，任务运行的实例。
- 任务结果：jobresult，任务实例的运行结果。
- 任务历史：jobhistory，用户可以修改任务信息，任务实例对应的任务元数据可
对应关系：
- 任务与任务实例是一对多的关系。因为任务能执行多次。
- 任务实例和任务结果是一对多的关系。因为任务可能失败，需要重试。
- 任务和任务历史是一对多的关系。记录用户对任务元数据的修改日志。
3.3.2 任务元数据
任务元数据是用户对任务的属性定义，包括任务类型调度时机、执行行为等。
Job：{基础信息（Who，任务名，属于什么业务），调度时机（When，什么时间调度），执行行为（What，要做什么事情），执行方式（How，单机、广播分片）}
3.2.3 任务实例
任务实例是一个确定的job的一次运行实例。
JobInstance：{Job_id（与元数据建立关联，记录是哪个任务的实例），触发时间（预期何时执行，实际上何时执行），状态&结果，过程信息（记录执行路径，可以进行消息追回）}
3.3 触发器
3.3.1 核心职责
给定一系列任务，解析它们的触发规则，在规定的时间点触发任务的调度。
设计约束：
- 需支持大量任务。
- 需支持秒级（精确）的调度。
- 周期任务需执行多次，需要计算执行时间。
- 需保证秒级扫描的高性能，并避免资源浪费。
3.3.2 方案1
定时扫描+延时消息（腾讯、字节方案）
Scanner周期性扫描db，将需要执行的任务传给消息队列。由于存在延迟，所以扫描时提前将任务取出，发送延时消息（如10分钟后执行某任务）。为了避免重复执行任务，要对db中的数据修改，避免下次扫描又被取出。
3.3.3 方案2
时间轮（Quartz方案）
时间轮是一种高效利用线程资源进行批量化调度的一种调度模型。时间轮是一个存储环形队列，底层采用数组实现，数组中的每个元素可以存放一个定时任务列表。
目标：遍历任务列表，从中找出当前时间点需触发的任务列表。
- 使用链表存储任务，每个元素代表一个任务。查询复杂度O(n)，修改复杂度O(1)。
- 由于不需要知道全部任务什么时候执行，而是知道最先执行的任务即可。因此考虑使用最小堆存储任务，按执行时间排序，每个节点存储同执行时间的任务的列表。查询复杂度O(1)，修改复杂度O(logn)。此方法仍然有缺点，因为最小堆实际上是一个数组，而执行时间不同的任务要被存放在不同的节点里，所以当任务量大且任务执行时间各不相同时，最小堆将是一个无限扩大的数组。
- 使用时间轮（像是一个时钟）存储任务，每个节点存储同执行时间的任务的列表。查询复杂度O(1)，修改复杂度O(1)。缺点是一个时钟可能只有60个刻度（记录每秒要执行的任务），如果一个任务在一分钟后执行，则在任务中加入一个count标致，每次经过任务时count减1，当count等于0时执行任务。
- 使用多级时间轮存储任务，上级时间轮转过对应刻度后把任务塞入下级时间轮中。如任务距离下次执行1时5分0秒，则它被插入小时时间轮。当小时时间轮指到1时，将所有1时的任务插入到分钟时间轮。这个任务被插入到5分处，而此时分的指针指在0的位置。同理，5分钟后它被插入到0秒的位置然后直接被触发器送进消息队列等待调度器调度。
3.3.4 高可用
核心问题：不同业务之间，任务的调度相互影响怎么办（业务A占用过多资源导致业务B无资源可用）？负责扫描和触发的机器挂了怎么办？
解法思路：
- 存储上不同地区不同业务做资源隔离。
- 运行上不同地区不同业务分开执行。
- 部署时采用多机房集群化部署，避免单点故障，通过数据库锁或分布式锁保证任务只被触发一次。
单trigger模式会有单点故障，机器故障时平台崩溃。trigger集群模式可避免单点故障，需要避免同一任务被多次触发导致业务紊乱。
防止业务紊乱的方法：在触发调度之前，更新数据库中JobInstance的状态（行级锁），成功抢锁的trigger才会触发调度。缺点是多台机器频繁竞争数据库锁，节点越多性能越差。
也可以使用分布式锁的方式，在触发调度之前，尝试抢占分布式锁，可使用Redis锁或Zookeeper锁。性能较高，多家公司使用此方案。
3.4 调度器
要解决的问题：资源来源（机器注册）、资源调度（调度算法）、执行任务
3.4.1 资源来源
- 由业务系统提供及其资源（阿里、美团、字节等）
- 优点：任务执行逻辑与业务系统公用一份资源，利用率更高。
- 缺点：更容易发生定时任务脚本影响在线服务的事故（因为平时的流量较为均匀而定时任务往往会触发大量的并发任务）。不能由定时任务平台控制扩缩容。
- 定时任务平台提供机器资源（字节等）
- 优点：任务执行逻辑与业务系统提供的在线服务隔离，避免相互影响。可以支持优雅的扩缩容。
- 缺点：消耗更多机器资源。需要额外为定时任务平台申请调用权限，而不能直接继承业务系统的权限。
相当于一个是自己要估算好需要的资源数，另一个是先建立一个云平台（资源足够）之后用户就不再考虑需要多少资源而是交给平台分配资源。
3.4.2 节点选择
- 随机节点执行：选择集群中一个可用的执行节点执行调度任务。适用场景：定时对账。
- 广播执行：在集群中所有的执行节点分发调度任务并执行。适用场景：批量运维。
- 分片执行：按照用户自定义分片逻辑进行拆分，分发到集群中不同节点并行执行，提升资源利用效率。适用场景：海量日志统计。
任务分片
通过任务分片可以提高任务执行的效率和资源的利用率。
- 将业务数据分段。假设有N个执行器，最好将业务分为k*N段（让每个执行器负载均匀）。
- 将任务通过单机任务的方式进行任务分片（用单机将任务拆分），然后通过Map任务把处理逻辑分配到N个执行器上。
- 前两步给每个执行器传输了数据与程序，执行器即可进行工作。
3.4.3 任务编排
由于子任务的执行会有依赖关系，因此可以使用有向无环图DAG（Directed Acyclic Graph）进行可视化任务编排，用户可以通过图形用户界面（拖拽图的节点与箭头）完成任务的编排，而不是让用户进行硬编码。
故障转移
确保部分执行单元任务失败时，任务最终成功（分片任务基于一致性hash策略分发任务，当某Executor异常时，调度器会对分配到这台机器上的任务进行rehash，将这些任务分发到其它Executor上）。
3.4.4 高可用
调度器可以集群部署，做到完全的无状态，靠消息队列的重试机制保障任务一定会被调度。
3.5 执行器
执行器是最后真正执行任务的组件，基于注册中心，可以做到执行器的弹性扩缩容（发现资源不够时再启动新的执行器并注册）。
- 执行器进行机器注册，让调度中心知道执行器的存在。
- 调度器发出调度请求之后执行器在自己的handler里执行任务流程。
- 执行器执行任务过程中，会向调度中心回传执行日志、回调请求。
- 任务执行中定时向调度中心进行状态上报（心跳检测），确保执行器故障时调度中心能及时感知，摘除故障执行器并将其任务分派给其它执行器。
4.业务应用
所有需要定时、延时、周期性执行的业务场景都可以考虑使用分布式定时任务。
电商
- 订单30分钟未付款自动关闭订单。
- 定时给商家、达人发送消息，给用户发放优惠券等。
互动
- 集五福、集卡片，瓜分红包。
游戏
- 活动结束后批量补发用户未领取的奖励。
- 定期更新游戏内排行榜。
其他解决方案
发货后超十天未收货时系统自动确认收货。
- 使用分布式定时任务的延时任务。
- 使用消息队列的延时消息或定时消息。
春节集卡活动统计完成集卡的用户个数和其奖励系数。
- 使用分布式定时任务的MapReduce任务。
- 使用大数据离线处理引擎Hive离线做统计。
- 使用大数据实时处理引擎Flink实时做累计。
方案对比
| 时效性 | 可控性 | 简洁性 | 主要缺点 | |
|---|---|---|---|---|
| 分布式定时任务 | 秒级 | 高 | 高 | - |
| 单机定时任务 | 秒级 | 高 | 高 | 无法支撑很大业务体量 |
| (消息队列)延时消息 | 实时 | 低 | 中 | 在任务有变化时，已发送的延时消息（延时消息要提前发送）不便于做变更 |
| 离线计算 | 小时级 | 中 | 高 | 延时过高，至少小时级 |
| (flink等)实时计算 | 秒级 | 高 | 中（可能要学新语言语法） | 仅能做数据处理，无法调用HTTP/RPC请求完成业务逻辑处理 |
引用
