XXL-JOB路由策略

一、单节点策略

1. FIRST（第一个）

• 工作原理：选择第一个注册的执行器
• 作用：确保任务始终由固定实例处理
• 优点：
  • 实现简单
  • 结果可预测
  • 调试方便
• 缺点：
  • 单点故障风险
  • 不支持负载均衡
• 适用场景：
  • 开发测试环境
  • 单实例部署场景
  • 需要固定执行器的情况

2. LAST（最后一个）

• 工作原理：选择最后一个注册的执行器
• 作用：特殊场景下的固定路由
• 优点：
  • 实现简单
  • 与FIRST形成互补
• 缺点：
  • 实际应用场景有限
  • 负载不均衡
• 适用场景：
  • 特定调试需求
  • 轮换执行器测试

3. ROUND（轮询）

• 工作原理：按注册顺序轮询选择执行器
• 作用：基础负载均衡
• 优点：
  • 简单负载均衡
  • 无状态实现
• 缺点：
  • 无法感知实例负载
  • 处理时间不均时效果差
• 适用场景：
  • 执行器能力均等场景
  • 短期任务分发

4. RANDOM（随机）

• 工作原理：随机选择执行器
• 作用：简单随机分配
• 优点：
  • 实现简单
  • 概率平衡
• 缺点：
  • 实际负载可能不均
  • 无法保证结果一致性
• 适用场景：
  • 无状态任务
  • 简单任务分发系统

二、集群负载策略

1. HASH（哈希）

• 工作原理：对任务参数哈希取模
• 作用：相同参数路由到相同实例
• 优点：
  • 参数关联型任务支持
  • 结果可预测
• 缺点：
  • 扩容时需重新哈希
  • 参数分布不均导致负载不均
• 适用场景：
  • 用户会话相关任务
  • 需要固定路由的计算任务

2. CONSISTENT_HASH（一致性哈希）

• 工作原理：使用一致性哈希算法
• 作用：最小化实例变更影响
• 优点：
  • 扩容影响最小化
  • 负载相对均衡
• 缺点：
  • 实现复杂
  • 虚拟节点管理困难
• 适用场景：
  • 频繁扩容/缩容场景
  • 需要稳定路由的大规模集群

3. LFU（最少使用频率）

• 工作原理：选择历史调用最少的执行器
• 作用：基于频率的负载均衡
• 优点：
  • 长期负载均衡
  • 避免热点实例
• 缺点：
  • 历史数据敏感
  • 无法应对突发流量
• 适用场景：
  • 长期运行任务
  • 资源密集型任务

4. LRU（最近最少使用）

• 工作原理：选择最近最久未使用的执行器
• 作用：基于时效的负载均衡
• 优点：
  • 利用空闲资源
  • 短期负载均衡
• 缺点：
  • 无法应对持续高负载
  • 历史数据敏感
• 适用场景：
  • 突发流量场景
  • 周期性任务系统

三、特殊场景策略

1. FAILOVER（故障转移）

• 工作原理：失败时自动转移其他实例
• 作用：提高任务可靠性
• 优点：
  • 高可靠性
  • 自动容错
• 缺点：
  • 失败重试增加延迟
  • 可能重复执行
• 适用场景：
  • 关键业务任务
  • 金融交易系统

2. BUSYOVER（忙碌转移）

• 工作原理：选择空闲实例执行任务
• 作用：避免实例过载
• 优点：
  • 资源利用率优化
  • 防止雪崩
• 缺点：
  • 需要实时状态监控
  • 增加调度复杂度
• 适用场景：
  • 资源敏感型系统
  • 高负载波动场景

四、分片广播策略（核心重点）

原理机制

服务有多少个实例，总分片数就是多少。比如服务启动了4个实例，总分片数ShardTotal就是4，每个实例的ShardIndex分别是0，1，2，3

核心特点

• 广播触发：所有实例同时接收任务
• 分片参数：
  • shardIndex：当前分片索引
  • shardTotal：总分片数
• 数据分区：每个实例处理不同数据子集

使用方法

@XxlJob("shardingJob")
public void shardingJob() {
    // 获取分片参数
    int shardIndex = XxlJobHelper.getShardIndex();
    int shardTotal = XxlJobHelper.getShardTotal();
    
    // 数据分片处理
    List<Data> shardData = fetchDataByShard(shardIndex, shardTotal);
    processShard(shardData);
}

private List<Data> fetchDataByShard(int index, int total) {
    // 示例哈希分片查询
    String sql = "SELECT * FROM table WHERE MOD(key, ?) = ?";
    return jdbcTemplate.query(sql, new Object[]{total, index}, rowMapper);
}

五、路由策略对比表

代码优化 

原项目有个定时任务，需要从数据库中查询出所有满足条件的数据，并进行后续处理。当前是一次性从数据库中查询出所有满足条件的数据，并在配置xxljob任务时路由策略选择的是第一个，这在数据量比较少的时候也没啥问题，但是数据量一旦过多，就会非常消耗数据库性能。

@XxlJob("clearEmptyLibraryJob")
    public void clearEmptyLibrary() {
        log.info("clearEmptyLibraryJob start");
        StopWatch stopWatch = new StopWatch();
        stopWatch.start();
        try {
            // 查询满足条件的待删除库
            List<SearchLibraryRespVo> respVos = this.selectLibraryToDelete();
            if (CollectionUtils.isEmpty(respVos)) {
                log.info("没有待删除库");
                return;
            }
            // todo 后续处理逻辑
        } catch (Exception e) {
            log.error("clearEmptyLibraryJob error", e);
        }
    }

    /**
     * 一次性查询所有满足条件的待删除库
     * @return
     */
    private List<SearchLibraryRespVo> selectLibraryToDelete() {
        ResponseResult<List<SearchLibraryRespVo>> responseResult = libraryInfoFeignApi.selectLibraryToDelete();
        if(responseResult == null || !responseResult.isSuccess() || responseResult.getData() == null){
            log.error("获取空库失败!");
            return Lists.newArrayList();
        }
        return responseResult.getData();
    }

由此可以采用分片广播的策略，让每个服务实例可以并行处理不同的数据，这样就可以充分利用服务资源和有效降低数据库压力。

@XxlJob("clearEmptyLibraryJob")
    public void clearEmptyLibrary() {
        log.info("clearEmptyLibraryJob start");
        StopWatch stopWatch = new StopWatch();
        stopWatch.start();
        int shardIndex = XxlJobHelper.getShardIndex();
        int shardTotal = XxlJobHelper.getShardTotal();
        try {
            // 每个服务实例只处理自己分片的库
            List<SearchLibraryRespVo> respVos = this.selectLibraryToDelete(shardIndex, shardTotal);
            if (CollectionUtils.isEmpty(respVos)) {
                log.info("没有待删除库");
                return;
            }
            // todo 后续处理逻辑
        } catch (Exception e) {
            log.error("clearEmptyLibraryJob error", e);
        }
    }

    /**
     * 每个服务实例只处理自己分片的库
     * @return
     */
    private List<SearchLibraryRespVo> selectLibraryToDelete(int shardIndex, int shardTotal) {
        ResponseResult<List<SearchLibraryRespVo>> responseResult = libraryInfoFeignApi.selectLibraryToDelete(shardIndex, shardTotal);
        if(responseResult == null || !responseResult.isSuccess() || responseResult.getData() == null){
            log.error("获取空库失败!");
            return Lists.newArrayList();
        }
        return responseResult.getData();
    }