分布式定时任务系列

分布式定时任务elastic-job(一)
分布式定时任务elastic-job(二)
分布式定时任务elastic-job(三)
分布式定时任务elastic-job(四)

执行

执行器的创建

AbstractElasticJobExecutor各个属性

AbstractElasticJobExecutor各个属性.png

JobFacade: 作业门面对象
JobRootConfiguration: 作业配置
ExecutorService: 执行线程池
JobExceptionHandler: 异常处理器

构造函数

构造函数调用

protected AbstractElasticJobExecutor(final JobFacade jobFacade) {
    this.jobFacade = jobFacade;
    // 加载作业配置
    jobRootConfig = jobFacade.loadJobRootConfiguration(true);
    jobName = jobRootConfig.getTypeConfig().getCoreConfig().getJobName();
    // 获取线程池
    executorService = ExecutorServiceHandlerRegistry.getExecutorServiceHandler(jobName, (ExecutorServiceHandler) getHandler(JobProperties.JobPropertiesEnum.EXECUTOR_SERVICE_HANDLER));
    // 获取异常处理器
    jobExceptionHandler = (JobExceptionHandler) getHandler(JobProperties.JobPropertiesEnum.JOB_EXCEPTION_HANDLER);
    // 分片错误信息集合设置
    itemErrorMessages = new ConcurrentHashMap<>(jobRootConfig.getTypeConfig().getCoreConfig().getShardingTotalCount(), 1);
}

拿simple job举例是通过SimpleJobExecutor初始化父类AbstractElasticJobExecutor

public final class SimpleJobExecutor extends AbstractElasticJobExecutor {

    /**
     * simple job实现
     */
    private final SimpleJob simpleJob;
    
    public SimpleJobExecutor(final SimpleJob simpleJob, final JobFacade jobFacade) {
        super(jobFacade);
        this.simpleJob = simpleJob;
    }
}

构造函数中获取线程池

当某台服务承担多个分片时，需要多线程执行加快速度，再加上任务隔离性，一个任务对应一个线程池。

// AbstractElasticJobExecutor
protected AbstractElasticJobExecutor(final JobFacade jobFacade) {
    // 省略部分代码
    // 获取线程池
    executorService = ExecutorServiceHandlerRegistry.getExecutorServiceHandler(jobName, (ExecutorServiceHandler) getHandler(JobProperties.JobPropertiesEnum.EXECUTOR_SERVICE_HANDLER));
}

// AbstractElasticJobExecutor.getHandler
private Object getHandler(final JobProperties.JobPropertiesEnum jobPropertiesEnum) {
    // 根据配置的实现ExecutorServiceHandler子类的类，反射获取对象，这样实现了SPI自定义线程池
    String handlerClassName = jobRootConfig.getTypeConfig().getCoreConfig().getJobProperties().get(jobPropertiesEnum);
    try {
        Class handlerClass = Class.forName(handlerClassName);
        if (jobPropertiesEnum.getClassType().isAssignableFrom(handlerClass)) {
            return handlerClass.newInstance();
        }
        return getDefaultHandler(jobPropertiesEnum, handlerClassName);
    } catch (final ReflectiveOperationException ex) {
        return getDefaultHandler(jobPropertiesEnum, handlerClassName);
    }
}

// ExecutorServiceHandlerRegistry
// Map REGISTRY = new HashMap<>()
public static synchronized ExecutorService getExecutorServiceHandler(final String jobName, final ExecutorServiceHandler executorServiceHandler) {
    // 缓存不存在则创建线程池，key是jobName
    if (!REGISTRY.containsKey(jobName)) 
        REGISTRY.put(jobName, executorServiceHandler.createExecutorService(jobName));
    }
    return REGISTRY.get(jobName);
}

// ExecutorServiceHandler 是个接口, 支持自定义线程池
ExecutorService createExecutorService(final String jobName);

构造函数中getHandler是实现可以自定义线程池, 根据配置的实现ExecutorServiceHandler子类的类，反射获取对象，这样实现了SPI自定义线程池
自定义线程池和自定义异常处理器逻辑都是一样的

private LiteJobConfiguration getLiteJobConfiguration(Class jobClass, String cron,
                                                         int shardingTotalCount, String shardingItemParameters, String jobParameter, boolean failover,
                                                         boolean monitorExecution, int monitorPort, int maxTimeDiffSeconds, String jobShardingStrategyClass) {

    //定义作业核心配置
    JobCoreConfiguration jobCoreConfiguration = JobCoreConfiguration
            .newBuilder(jobClass.getName(), cron, shardingTotalCount)
            .misfire(true)
            .failover(failover)
            .jobParameter(jobParameter)
            .shardingItemParameters(shardingItemParameters)
            // 自定义异常处理器，也可以自定义线程池
            .jobProperties("job_exception_handler", "com.seeger.demo.config.MyJobExceptionHandler")
            .build();

    // 省略其他代码

    return liteJobConfiguration;
}

如果没有自定义线程池则使用DefaultExecutorServiceHandler创建线程池, DefaultExecutorServiceHandler创建的线程池使用了guava提供的方法可以再jvm退出时增加钩子等120秒再优雅退出,kill -15类似这种。这种方法会把线程池的线程设置成守护线程，如果遇到需要发mq, 操作数据库，不太适合，因为这jvm关闭spring也关了，发mq也会需要spring(因为一般使用mq都是结合spring来的)，这会导致发送失败。

// DefaultExecutorServiceHandler
public final class DefaultExecutorServiceHandler implements ExecutorServiceHandler { 
    @Override
    public ExecutorService createExecutorService(final String jobName) {
        return new ExecutorServiceObject("inner-job-" + jobName, Runtime.getRuntime().availableProcessors() * 2).createExecutorService();
    }
}

// ExecutorServiceObject
public ExecutorService createExecutorService() {
    // 使用guava提供的方法将线程池自定增加jvm退出钩子
    return MoreExecutors.listeningDecorator(MoreExecutors.getExitingExecutorService(threadPoolExecutor));
}

构造函数中获取异常处理器

实现思路跟获取线程池很像，也是可以自定义的SPI接口，也有默认实现

public final class DefaultJobExceptionHandler implements JobExceptionHandler {
    
    @Override
    public void handleException(final String jobName, final Throwable cause) {
        log.error(String.format("Job '%s' exception occur in job processing", jobName), cause);
    }
}

执行器的执行

时序图

时序图.png

1.1 检查作业环境

源码

// AbstractElasticJobExecutor
public final void execute() {
    try {
        jobFacade.checkJobExecutionEnvironment();
    } catch (final JobExecutionEnvironmentException cause) {
        jobExceptionHandler.handleException(jobName, cause);
    }
    // 省略部分代码
}

// LiteJobFacade
public void checkJobExecutionEnvironment() throws JobExecutionEnvironmentException {
    configService.checkMaxTimeDiffSecondsTolerable();
}
// ConfigService
public void checkMaxTimeDiffSecondsTolerable() throws JobExecutionEnvironmentException {
    // 检查本机与注册中心的时间误差秒数是否在允许范围, 可通过插入测试数据获取zk的更新时间判断zk那边的系统时间
    int maxTimeDiffSeconds = load(true).getMaxTimeDiffSeconds();
    if (-1  == maxTimeDiffSeconds) {
        return;
    }
    long timeDiff = Math.abs(timeService.getCurrentMillis() - jobNodeStorage.getRegistryCenterTime());
    if (timeDiff > maxTimeDiffSeconds * 1000L) {
        throw new JobExecutionEnvironmentException(
                "Time different between job server and register center exceed '%s' seconds, max time different is '%s' seconds.", timeDiff / 1000, maxTimeDiffSeconds);
    }
}

1.2 获取当前作业上下文

在分片章节分析

1.3，1.5 发布作业状态追踪事件

在事件追踪章节分析

1.4 跳过正在运行中的被错过执行的作业

这里是防御性编程，防止正在执行的但是属于错过执行的任务重复执行。因为错过任务是在1.9清除错过标记之后(如果1.8判断需要执行错过方法)，调用executor方法执行错过任务(1.10)，1.7会有executor方法调用这个是执行正常任务。这也就是说，错过任务是在正常任务执行完，马上执行，而不像失效转移任务不是在正常任务执行完，下次任务执行失效转移任务。
分配的作业分片项里存在任意一个分片正在运行中，则设置分片项被错过执行，不去执行这些任务，因为这时候如果不跳过，可能导致同时运行某个作业分片。依赖monitorExecution为true记录下有分片在执行。

// LiteJobFacade.java
@Override
public boolean misfireIfRunning(final Collection shardingItems) {
   return executionService.misfireIfHasRunningItems(shardingItems);
}

// ExecutionService.java
public boolean misfireIfHasRunningItems(final Collection items) {
   if (!hasRunningItems(items)) {
       return false;
   }
   setMisfire(items);
   return true;
}

public boolean hasRunningItems(final Collection items) {
   LiteJobConfiguration jobConfig = configService.load(true);
   if (null == jobConfig || !jobConfig.isMonitorExecution()) {
       return false;
   }
   for (int each : items) {
       if (jobNodeStorage.isJobNodeExisted(ShardingNode.getRunningNode(each))) {
           return true;
       }
   }
   return false;
}

1.6 作业执行前的方法

监听器章节分析，源码

public void beforeJobExecuted(final ShardingContexts shardingContexts) {
    for (ElasticJobListener each : elasticJobListeners) {
        each.beforeJobExecuted(shardingContexts);
    }
}

执行正常任务

1.7执行正常任务executor方法

// 错过执行和正常任务执行还有失效转移执行都是调用此方法，ExecutionSource 不同而已
// AbstractElasticJobExecutor.java
private void execute(final ShardingContexts shardingContexts, final JobExecutionEvent.ExecutionSource executionSource) {
   // 分片数据为空，则发布事件
   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;
   }
   // 注册作业启动信息
   jobFacade.registerJobBegin(shardingContexts);
   // 发布作业状态追踪事件
   String taskId = shardingContexts.getTaskId();
   if (shardingContexts.isAllowSendJobEvent()) {
       jobFacade.postJobStatusTraceEvent(taskId, State.TASK_RUNNING, "");
   }
   try {
       // 核心处理
       process(shardingContexts, executionSource);
   } finally {
       // 注册作业完成信息
       jobFacade.registerJobCompleted(shardingContexts);
       // 根据是否有异常，发布作业状态追踪事件
       if (itemErrorMessages.isEmpty()) {
           if (shardingContexts.isAllowSendJobEvent()) {
               jobFacade.postJobStatusTraceEvent(taskId, State.TASK_FINISHED, "");
           }
       } else {
           if (shardingContexts.isAllowSendJobEvent()) {
               jobFacade.postJobStatusTraceEvent(taskId, State.TASK_ERROR, itemErrorMessages.toString());
           }
       }
   }
}

注册作业启动信息

// LiteJobFacade
public void registerJobBegin(final ShardingContexts shardingContexts) {
   executionService.registerJobBegin(shardingContexts);
}

// ExecutionService
public void registerJobBegin(final ShardingContexts shardingContexts) {
    // 告诉JobRegistry当前jobName下的任务正在执行
    JobRegistry.getInstance().setJobRunning(jobName, true);
    if (!configService.load(true).isMonitorExecution()) {
        return;
    }
    // 设置监控作业运行时状态, 才记录运行状态
    for (int each : shardingContexts.getShardingItemParameters().keySet()) {
        jobNodeStorage.fillEphemeralJobNode(ShardingNode.getRunningNode(each), "");
    }
}

注册作业完成信息, 思路跟注册作业启动信息相反，就是移除正在执行的标记，如果开启了失效转移了，调用FailoverService.updateFailoverComplete(), 这个在失效转移章节分析
核心process方法, 但分片则单线程执行，多个分片则多线程执行

// AbstractElasticJobExecutor
private void process(final ShardingContexts shardingContexts, final JobExecutionEvent.ExecutionSource executionSource) {
    Collection items = shardingContexts.getShardingItemParameters().keySet();
    // 如果是单个分片则直接执行
    if (1 == items.size()) {
        int item = shardingContexts.getShardingItemParameters().keySet().iterator().next();
        JobExecutionEvent jobExecutionEvent =  new JobExecutionEvent(shardingContexts.getTaskId(), jobName, executionSource, item);
        //执行单个任务
        process(shardingContexts, item, jobExecutionEvent);
        return;
    }
    // 多个分片，则多线程执行
    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 {
                    //执行单个任务
                    process(shardingContexts, each, jobExecutionEvent);
                } finally {
                    latch.countDown();
                }
            }
        });
    }
    try {
        latch.await();
    } catch (final InterruptedException ex) {
        Thread.currentThread().interrupt();
    }
}
// AbstractElasticJobExecutor
private void process(final ShardingContexts shardingContexts, final int item, final JobExecutionEvent startEvent) {
    // 发布单个事件开始
    if (shardingContexts.isAllowSendJobEvent()) {
        jobFacade.postJobExecutionEvent(startEvent);
    }
    log.trace("Job '{}' executing, item is: '{}'.", jobName, item);
    JobExecutionEvent completeEvent;
    try {
        // 子类实现，抽象方法
        process(new ShardingContext(shardingContexts, item));
        completeEvent = startEvent.executionSuccess();
        log.trace("Job '{}' executed, item is: '{}'.", jobName, item);
        if (shardingContexts.isAllowSendJobEvent()) {
            jobFacade.postJobExecutionEvent(completeEvent);
        }
        // CHECKSTYLE:OFF
    } catch (final Throwable cause) {
        //发布单个事件结束
        completeEvent = startEvent.executionFailure(cause);
        jobFacade.postJobExecutionEvent(completeEvent);
        itemErrorMessages.put(item, ExceptionUtil.transform(cause));
        jobExceptionHandler.handleException(jobName, cause);
    }
}
// 拿SimpleJobExecutor举例
protected void process(final ShardingContext shardingContext) {
    // 调用自己实现的job类 
    simpleJob.execute(shardingContext);
}

执行错过转移任务

1.10执行错过任务executor方法，如果1.8判断需要错过转移
标记错过执行

// JobScheduler.java
private Scheduler createScheduler() {
   Scheduler result;
   // 省略部分代码
   result.getListenerManager().addTriggerListener(schedulerFacade.newJobTriggerListener());
   return result;
}

private Properties getBaseQuartzProperties() {
   // 省略部分代码
   // 设置最大允许超过 1 毫秒，作业分片项即被视为错过执行
   result.put("org.quartz.jobStore.misfireThreshold", "1");
   return result;
}

// JobScheduleController.class
private CronTrigger createTrigger(final String cron) {
   return TriggerBuilder.newTrigger()
           .withIdentity(triggerIdentity)
           .withSchedule(CronScheduleBuilder.cronSchedule(cron)
            // quartz遇到错过执行时不进行处理交给elastic-job
           .withMisfireHandlingInstructionDoNothing())
           .build();
}
 
// TriggerListener 监听处理
// JobTriggerListener.java
public final class JobTriggerListener extends TriggerListenerSupport {
    
    @Override
    public void triggerMisfired(final Trigger trigger) {
        if (null != trigger.getPreviousFireTime()) {
            executionService.setMisfire(shardingService.getLocalShardingItems());
        }
    }
}

// ExecutionService设置错过执行标记
public void setMisfire(final Collection items) {
   for (int each : items) {
       jobNodeStorage.createJobNodeIfNeeded(ShardingNode.getMisfireNode(each));
   }
}

执行，判断是用内存数据判断，更新数据是zk异步更新，由于网络原因可能，内存数据没更新，是防御编程，保证内存缓存的数据已经更新，这时候业务方需要保证幂等，因为可能重复调用。

public final void execute() {
   // .... 省略部分代码
   // 判断是否执行错误执行任务, 从时序图1.7开始
   while (jobFacade.isExecuteMisfired(shardingContexts.getShardingItemParameters().keySet())) {
       // 清除错过执行标识
       jobFacade.clearMisfire(shardingContexts.getShardingItemParameters().keySet());
       // 执行错过任务，跟前面执行正常任务逻辑一样
       execute(shardingContexts, JobExecutionEvent.ExecutionSource.MISFIRE);
   }
}

执行失效转移1.11

失效转移章节分析

作业执行后方法1.12

监听器章节分析，源码

// LiteJobFacade
public void afterJobExecuted(final ShardingContexts shardingContexts) {
    for (ElasticJobListener each : elasticJobListeners) {
        each.afterJobExecuted(shardingContexts);
    }
}

注册中心

JobNodeStorage

JobNodeStorage: 作业节点数据访问类
zk注册中心类图， RegistryCenter接口定义了简单的增删改查注册数据和查询时间的接口，CoordinatorRegistryCenter协调分布式服务注册中心，体用持久节点、临时节点、持久顺序节点、临时顺序节点等，ZookeeperRegistryCenter是zk实现的注册中心

image.png
JobeNodeStorage依赖RegistryCenter，各个service是依赖JobeNodeStorage而不直接依赖RegistryCenter

JobeNodeStorage.png
ZookeeperRegistryCenter主要是用curator框架操作zk，有兴趣可以深入一下
几个比较有意思的方法举例说明下:

获取注册中心当前时间

更新一下数据，然后根据更新数据返回的更新时间，获得注册中心时间。

//ZookeeperRegistryCenter
public long getRegistryCenterTime(final String key) {
   long result = 0L;
   try {
       persist(key, "");
       result = client.checkExists().forPath(key).getMtime();
   } catch (final Exception ex) {
       RegExceptionHandler.handleException(ex);
   }
   Preconditions.checkState(0L != result, "Cannot get registry center time.");
   return result;
}

在主节点执行操作，分布式锁

Curator用zk实现了两种分布式锁，LeaderLatch为其中一种，start后await等待拿到锁，多线程调用时其他线程会等待，当前线程释放锁时，其他线程会获取锁，try with resource结束后会调用close方法，LeaderLatch 实现了closable接口，具体使用在选主章节介绍。还有一种分布式锁有兴趣的可以看看

// JobeNodeStorage 分布式锁，并提供回调机制
public void executeInLeader(final String latchNode, final LeaderExecutionCallback callback) {
        // zk节点创建LeaderLatch getClinet依赖ZookeeperRegistryCenter
    try (LeaderLatch latch = new LeaderLatch(getClient(), jobNodePath.getFullPath(latchNode))) {
        latch.start();
        latch.await();
        callback.execute();
    } catch (final Exception ex) {
        handleException(ex);
    }
}

在事务中执行操作

开启事务，并执行TransactionExecutionCallback 回调

// JobeNodeStorage
public void executeInTransaction(final TransactionExecutionCallback callback) {
    try {
        CuratorTransactionFinal curatorTransactionFinal = getClient().inTransaction().check().forPath("/").and();
        callback.execute(curatorTransactionFinal);
        curatorTransactionFinal.commit();
    } catch (final Exception ex) {
        RegExceptionHandler.handleException(ex);
    }
}

监听器

ListenerManager管理多个监听器

ListenerManager.png
field中各个manage就是实现各个监听功能

注册中心监听器

ListenerManager中RegistryCenterConnectionStateListener，实现 Curator ConnectionStateListener 接口，监听注册中心连接状态

RegistryCenterConnectionStateListener.png
监听状态变更

public void stateChanged(final CuratorFramework client, final ConnectionState newState) {
    if (JobRegistry.getInstance().isShutdown(jobName)) {
        return;
    }
    JobScheduleController jobScheduleController = JobRegistry.getInstance().getJobScheduleController(jobName);
    // 连接中断 或者连接丢失
    if (ConnectionState.SUSPENDED == newState || ConnectionState.LOST == newState) {
        // 则暂停job
        jobScheduleController.pauseJob();
    } else if (ConnectionState.RECONNECTED == newState) {
        // 持久化作业服务器上线信息
        serverService.persistOnline(serverService.isEnableServer(JobRegistry.getInstance().getJobInstance(jobName).getIp()));
        // 持久化作业运行实例上线相关信息
        instanceService.persistOnline();
        // 清除本地分配的作业分片项运行中的标记
        executionService.clearRunningInfo(shardingService.getLocalShardingItems());
        // 恢复作业调度
        jobScheduleController.resumeJob();
    }
}

// JobScheduleController
public synchronized void pauseJob() {
    try {
        if (!scheduler.isShutdown()) {
            scheduler.pauseAll();
        }
    } catch (final SchedulerException ex) {
        throw new JobSystemException(ex);
    }
}

public synchronized void resumeJob() {
    try {
        if (!scheduler.isShutdown()) {
            scheduler.resumeAll();
        }
    } catch (final SchedulerException ex) {
        throw new JobSystemException(ex);
    }
}

分片监听

ListenerManager中ShardingListenerManager是分片监听管理
在作业初始化时会开启所有监听器，

// SchedulerFacade.java
public void registerStartUpInfo(final boolean enabled) {
   // 开启所有监听器
   listenerManager.startAllListeners();
   // 省略部分方法
}
// SchedulerFacade.java
public void registerStartUpInfo(final boolean enabled) {
   // 开启 所有监听器
   listenerManager.startAllListeners();
   // 省略部分方法
}
// 开启 所有监听器
public void startAllListeners() {
    electionListenerManager.start();
    shardingListenerManager.start();
    failoverListenerManager.start();
    monitorExecutionListenerManager.start();
    shutdownListenerManager.start();
    triggerListenerManager.start();
    rescheduleListenerManager.start();
    guaranteeListenerManager.start();

调父类的方法AbstractListenerManager中对应方法

AbstractListenerManager.png

// AbstractListenerManager
//开启监听器
public abstract void start();
// 添加注册中心监听器到注册中心TreeCache
protected void addDataListener(final TreeCacheListener listener) {
    jobNodeStorage.addDataListener(listener);
    jobNodeStorage.addConnectionStateListener(regCenterConnectionStateListener);
}

ShardingListenerManager中start方法

public void start() {
    addDataListener(new ShardingTotalCountChangedJobListener());
    addDataListener(new ListenServersChangedJobListener());
}

AbstractJobListener作业注册中心的监听器抽象类实现了curator中TreeCacheListener

@Override
public final void childEvent(final CuratorFramework client, final TreeCacheEvent event) throws Exception {
    // 忽略掉非数据变化的事件
    ChildData childData = event.getData();
    if (null == childData) {
        return;
    }
    String path = childData.getPath();
    if (path.isEmpty()) {
        return;
    }
    dataChanged(path, event.getType(), null == childData.getData() ? "" : new String(childData.getData(), Charsets.UTF_8));
}
// 节点变化交给子类实现
protected abstract void dataChanged(final String path, final Type eventType, final String data);

拿ShardingListenerManager举例，监听到变化时设置重新分片标识

// ShardingListenerManager
class ListenServersChangedJobListener extends AbstractJobListener {
    
    @Override
    protected void dataChanged(final String path, final Type eventType, final String data) {
        if (!JobRegistry.getInstance().isShutdown(jobName) && (isInstanceChange(eventType, path) || isServerChange(path))) {
            shardingService.setReshardingFlag();
        }
    }
    
    private boolean isInstanceChange(final Type eventType, final String path) {
        return instanceNode.isInstancePath(path) && Type.NODE_UPDATED != eventType;
    }
    
    private boolean isServerChange(final String path) {
        return serverNode.isServerPath(path);
    }
}

作业监听器

ElasticJobListener作业监听器

public interface ElasticJobListener {
    // 作业执行前的执行的方法.
    void beforeJobExecuted(final ShardingContexts shardingContexts);
    // 作业执行后的执行的方法.
    void afterJobExecuted(final ShardingContexts shardingContexts);
}

在没传执行任务时会调用

// AbstractElasticJobExecutor.java
public final void execute() {
   // 省略代码
   
   // 执行 作业执行前的方法
   try {
       jobFacade.beforeJobExecuted(shardingContexts);
   } catch (final Throwable cause) {
       jobExceptionHandler.handleException(jobName, cause);
   }
   // 省略代码
   // 执行 作业执行后的方法
   try {
       jobFacade.afterJobExecuted(shardingContexts);
   } catch (final Throwable cause) {
       jobExceptionHandler.handleException(jobName, cause);
   }
}

自定义实现可以在配置中设置

@Bean(initMethod = "init")
public JobScheduler simpleJobScheduler(// 省略) {

    return new SpringJobScheduler(simpleJob,
            registryCenter,
            getLiteJobConfiguration(simpleJob.getClass(),
                    cron,
                    shardingTotalCount,
                    shardingItemParameters,
                    jobParameter,
                    failover,
                    monitorExecution,
                    monitorPort,
                    maxTimeDiffSeconds,
                    jobShardingStrategyClass),
            jobEventConfiguration,
            // 自定义作业监听器
            new SimpleJobListener());

}
public class SimpleJobListener implements ElasticJobListener {
    @Override
    public void beforeJobExecuted(ShardingContexts shardingContexts) {
        System.out.println("任务开始了");
    }

    @Override
    public void afterJobExecuted(ShardingContexts shardingContexts) {
        System.out.println("任务结束了");
    }
}

参考文章

脑裂是什么？Zookeeper是如何解决的？
Kafka研究系列之kafka 如何避免脑裂？如何选举leader
如何防止ElasticSearch集群出现脑裂现象
elastic-job调度模型
芋道源码-elastic-job
Quartz原理解密
分布式定时任务调度系统技术选型

分布式定时任务elastic-job(二)

目录

分布式定时任务系列

执行

执行器的创建

AbstractElasticJobExecutor各个属性

构造函数

构造函数中获取线程池

构造函数中获取异常处理器

执行器的执行

1.1 检查作业环境

1.2 获取当前作业上下文

1.3，1.5 发布作业状态追踪事件

1.4 跳过正在运行中的被错过执行的作业

1.6 作业执行前的方法

执行正常任务

执行错过转移任务

执行失效转移1.11

作业执行后方法1.12

注册中心

JobNodeStorage

获取注册中心当前时间

在主节点执行操作，分布式锁

在事务中执行操作

监听器

注册中心监听器

分片监听

作业监听器

参考文章

你可能感兴趣的:(分布式定时任务elastic-job(二))