Spring Batch(7): 并行与扩展

1. 概述

Spring Batch提供了多种方式用于处理并行，提高性能。主要分为2大类：
- 单个进程，多线程
- 多个进程

因此，可以细分为以下几类：
- 多线程Step（Multi-thread Step,single process)
- 并行Step（Parallel Steps, single process )
- Remote Chunking of Step( multi process)
- Partitioning a step(single or multi process)

2. Multi-Thread Step

最直接的方式是给Step配置一个TaskExecutor

<step id="loading">
    <tasklet task-executor="taskExecutor">...</tasklet>
</step>

此时，taskExecutor的线程并行来执行Item处理（统一item的read，process，write在同一个线程中执行）。可以限制TaskExecutor的阈值（默认为4）：

<step id="loading"> <tasklet
    task-executor="taskExecutor"
    throttle-limit="20">...</tasklet>
</step>

需要注意的是，在多线程Step中，需要确保Reader、Processor和Writer是线程安全的，否则容易出现并发问题。Spring Batch提供的大部分组件都是非线程安全的，他们都保存有部分状态信息，主要是为了支持任务重启。

因此，使用多线程Step的核心任务是实现无状态化，例如不保存当前读取的item的cursor，而是同item的flag字段来区分item是否被处理过，已经被处理过的下次重启的时候，直接被过滤掉。

多线程Step实现的是单个Step的多线程化。

3. Parallel Steps

如果多个Step没有先后关系，可以并行执行，这是通过split和flow来实现的：

<job id="job1">
    <split id="split1" task-executor="taskExecutor" next="step4">
        <flow>
            <step id="step1" parent="s1" next="step2"/>
            <step id="step2" parent="s2"/>
        </flow>
        <flow>
            <step id="step3" parent="s3"/>
        </flow>
    </split>
    <step id="step4" parent="s4"/>
</job>

<beans:bean id="taskExecutor" class="org.spr...SimpleAsyncTaskExecutor"/>

该种模式提供的是多个Step的并行处理。

4. Remote Chunking

Remote chunking 的示意图如下：

Master为单个进程，因此只有在处理所需要的时间远远大于读取所需要的时间的时候，这个方式才适用，否则Master容易成为瓶颈。

Master是一个常规的Step实现，只不过它的ItemWriter知道如何将Items分块，并发送到中间件（例如JMS），通过实现ChunkProvider接口来实现。

public interface ChunkProvider<T>{
    Chunk<T> provide(StepContribution contribution) throws Exception;
    void postProcess(StepContribution contribution, Chunk<T> chunk);
}

Slave则充当中间件的Listener，通过ItemProcessor和ItemWriter来实现item处理，具体的是通过实现ChunkProcessor接口

public interface ChunkProcessr<T> {
    void process(StepContribution contribution,Chunk<T> chunk) throws Exception;
}

可以看到，remote chunking实现的是（Processor、Writer）的并行化。分区不需要对数据源的结构有很明确的了解。

5. Partitioning

Step分区处理示意图如下:

一个分区配置如下：

<step id="step1.master">
    <partition step="step1" partitioner="partitioner">
        <handler grid-size="10" task-executor="taskExecutor"/>
    </partition>
</step>

<step id="step1">
    <tasklet>
        <chunk reader="" writer"" processor="" .../>
    </tasklet>
</step>

主要包括2个步骤：
1. 数据分区
2. 分区处理

具体的分区执行流程如下：

PartitionHandler

其中PartitionHandler知道集群环境，根据下面要介绍的Splitter进行分区，发送执行请求（通过WebService ，RMI等方式) 并收集执行结果，聚合，最终反馈给Job。Spring Batch提供了一个同一台机器上的Handler实现，在同一机器上创建多个Step Execution。

<step id="step1.master">
    <partition step="step1" handler="handler"/>
</step>

<bean class="org.spr...TaskExecutorPartitionHandler">
    <property name="taskExecutor" ref="taskExecutor"/>
    <property name="step" ref="step1" />
    <property name="gridSize" value="10" />
</bean>

Partitioner

Partitioner负责生成执行上下文，作为Step Execution的输入参数，其接口定义如下：

public interface Partitioner {
    Map<String, ExecutionContext> partition(int gridSize);
}

返回结果中Map的key，是一个唯一的名字，常见的实现方式是step_name + counter。或者通过PartitioneNameProvider来提供。 名字关联到对应的执行上下文。ExecutionContext只是一个key/value容器，因此它可能包含主键范围，行数等信息。

StepExecutionSplitter

Partitioner生成的ExecutionContext，经过StepExecutionSplitter处理之后形成StepExecution，然后交给Handler处理。StepExecutionSplitter接口定义如下：

public interface StepExecutionSplitter {
    String getStepName();
    Set<StepExecution> split(StepExecution stepExecution , int gridSize) 
                throws JobExecutionException;
}

通常，Slave中的Step配置都是相同的，他们通过获取Partitioner划分好的ExecutionContext，获取Step的输入参数，动态绑定到Step中。例如划分的情况如下表：

step execution name(key)	ExecutionContext(value)
filecopy:partition0	file_name=/home/data/0
filecopy:partition1	file_name=/home/data/1
filecopy:partition2	file_name=/home/data/2

然后该文件名被绑定到Step的组件中：

<bean id="itemReader" scope="step"
      class="org.spr...MultiResourceItemReader">
    <property name="resource" value="#{stepExecutionContext[file_name]}/*"/>
</bean>

整个具体流程如下：

可以看出，Patitioning提供的是（Reader、Processor、Writer）的并行化。分区模式需要对数据源的结构有一定的了解，比如知道主键范围。