PowerJob基本概念

本文来说下PowerJob的一些基本概念

---

PowerJob概述

PowerJob是新一代分布式任务调度与计算框架，支持CRON、API、固定频率、固定延迟等调度策略，提供工作流来编排任务解决依赖关系，能让您轻松完成作业的调度与繁杂任务的分布式计算。

---

PowerJob官网

PowerJob官网：http://www.powerjob.tech/

---

为什么选择PowerJob

当前市面上流行的作业调度框架有老牌的Quartz、基于Quartz的elastic-job和原先基于Quartz后面移除依赖的xxl-job，这里分别谈一些这些框架现存的缺点。

Quartz可以视为第一代任务调度框架，基本上是现有所有分布式调度框架的“祖宗”。由于历史原因，它不提供Web界面，只能通过API完成任务的配置，使用起来不够方便和灵活，同时它仅支持单机执行，无法有效利用整个集群的计算能力。

xxl-job可以视为第二代任务调度框架，在一定程度上解决了Quartz的不足，在过去几年中是个非常优秀的调度框架，不过放到今天来看，还是存在着一些不足的，具体如下：

• 数据库支持单一： 仅支持MySQL，使用其他DB需要自己魔改代码
• 有限的分布式计算能力： 仅支持静态分片，无法很好的完成复杂任务的计算
• 不支持工作流： 无法配置各个任务之间的依赖关系，不适用于有DAG需求的场景

正所谓长江后浪推前浪，在如今这个数据量日益增长、业务越来越复杂的年代，急需一款更为强大的任务调度框架来解决上诉问题，而PowerJob因此应运而生。

PowerJob可以被认为是第三代任务调度框架，在任务调度的基础上，还额外提供了分布式计算和工作流功能，其主要特性如下：

• 使用简单： 提供前端Web界面，允许开发者可视化地完成调度任务的管理（增、删、改、查）、任务运行状态监控和运行日志查看等功能。
• 定时策略完善： 支持CRON表达式、固定频率、固定延迟和API四种定时调度策略。
• 执行模式丰富： 支持单机、广播、Map、MapReduce四种执行模式，其中Map/MapReduce处理器能使开发者寥寥数行代码便获得集群分布式计算的能力。
• DAG工作流支持： 支持在线配置任务依赖关系，可视化得对任务进行编排，同时还支持上下游任务间的数据传递
• 执行器支持广泛： 支持Spring Bean、内置/外置Java类、Shell、Python等处理器，应用范围广。
• 运维便捷： 支持在线日志功能，执行器产生的日志可以在前端控制台页面实时显示，降低debug成本，极大地提高开发效率。
• 依赖精简： 最小仅依赖关系型数据库（MySQL/PostgreSQL/Oracle/MS SQLServer…），同时支持所有Spring Data JPA所支持的关系型数据库。
• 高可用&高性能： 调度服务器经过精心设计，一改其他调度框架基于数据库锁的策略，实现了无锁化调度。部署多个调度服务器可以同时实现高可用和性能的提升（支持无限的水平扩展）。
• 故障转移与恢复： 任务执行失败后，可根据配置的重试策略完成重试，只要执行器集群有足够的计算节点，任务就能顺利完成。

---

同类产品对比

在项目中我们经常会用到定时任务。本文介绍一些定时任务框架的区别。

比较项	QuartZ	xxl-job	SchedulerX 2.0	PowerJob
是否有前端页面	无	有	有	有
定时类型	CRON	C10N	CRON、固定频率、固定延迟、OpenAPI	CRON、固定频率、固定延迟、OpenAPI
支持的数据库	关系型数据库（MySQL、Oracle…）	MySQL	人民币（不开源）	任意 Spring Data Jpa支持的关系型数据库（MySQL、Oracle…）
报警监控	无	邮件	短信	邮件，提供接口允许开发者扩展
指定调度类型	不确定	支持	不确定	不支持
任务类型	内置Java	内置Java、GLUE Java、Shell、Python等脚本	内置Java、外置Java（FatJar）、Shell、Python等脚本	内置Java、外置Java（容器）、Shell、Python等脚本
分布式任务	无	静态分片	MapReduce 动态分片	MapReduce 动态分片
在线任务治理	不支持	支持	支持	支持
调度方式及性能	基于数据库锁有性能瓶颈	基于数据库锁有性能瓶颈	不详	无锁化设计，性能强劲无上限
DAG 工作流	不支持	不支持	支持	支持

Timer、定时线程池、Spring的定时器，这三个就不写上了。这三者都没有前端页面，且不支持分布式（部署多个实例时只在一个实例上边执行定时任务）。

---

适用场景

有定时执行需求的业务场景：如每天凌晨全量同步数据、生成业务报表等。有需要全部机器一同执行的业务场景：如使用广播执行模式清理集群日志。

有需要分布式处理的业务场景：比如需要更新一大批数据，单机执行耗时非常长，可以使用Map/MapReduce处理器完成任务的分发，调动整个集群加速计算。