XXL Job 是一个开源的分布式任务调度平台，其核心设计目标是开发迅速、学习简单、轻量级、易扩展的分布式任务调度框架。
这两天咱们开发的 AI Cloud 项目中，也使用到了 XXL Job 来执行分布式任务的调度，可以看出它的部署和使用虽然步骤很多，但用起来还是很简单的。
因为其本身为 Spring Boot 项目，所有对于 Java 程序员来说很友好，而且它还提供中文控制台，所以这也是他能在国内分布式任务调度系统这块一直流行的原因，如下图所示：
那么接下来咱们就来聊聊，XXL Job 的路由策略，以及路由策略中分片任务的执行原理。
1.路由策略XXL Job 的路由策略主要作用是在任务执行器集群环境中，决定如何选择合适的执行器来执行任务。
XXL Job 路由策略包含以下几个：
其中：
第一个：选取执行器管理的注册地址列表中的第一个执行器来执行任务；最后一个：选取执行器管理的注册地址列表中的最后一个执行器来执行任务；轮询：依次选取执行器管理的注册地址列表中的执行器，周而复始。为了应对多个定时任务同时触发带来的数据一致性问题，XXL-JOB 使用一个静态的同步 Map 来存储每个任务的 jobId 和其对应的计数。每次计数增加后，对执行器地址列表的数量取余，将结果作为索引来获取对应的执行器地址。如果超过 24 小时没有触发调用该任务，会清空 Map 以释放一定空间；随机：从执行器管理的注册地址列表中随机选取一个执行器来执行任务；一致性 HASH：实现一致性 HASH 负载均衡算法；最不经常使用：选择最近最少被调度的执行器执行任务（通过次数维度选取任务）；最近最久未使用：选择距离上次被调度时间最长的执行器执行任务（通过时间维度选取任务），有助于平衡各执行器的工作负载；故障转移：在任务路由策略选择“故障转移”的情况下，如果执行器集群中的某一台机器出现故障，将会自动 Failover 切换到一台正常的执行器发送调度请求；忙碌转移：当任务分配到某个执行器时，如果该执行器正处于忙碌状态（可能正在执行其他任务或资源紧张），则会尝试将任务转移到其他相对空闲的执行器上执行；分片广播：选取执行器管理的注册地址列表中的所有地址，每个地址都执行一次任务。这种方式类似于 MQ 的广播模式，可以将任务广播到集群中的所有执行器上执行。此策略适用于需要在多个执行器上同时执行相同任务的场景，例如数据同步或分布式计算等。也就是说在这些路由策略中，最复杂的就是分片广播了。
2.分片任务实现所谓的分片广播也就是分片（执行）任务，它是将一个大任务划分为多个子任务并行执行，以提高效率。
假设，我们现在要使用分片任务执行一个大数据的查询与处理，此时的实现代码如下：
import com.xxl.job.core.context.XxlJobHelper;import com.xxl.job.core.log.XxlJobLogger;import org.springframework.stereotype.Component;import java.util.List;@Componentpublic ShardingBroadcastJob { @XxlJob("shardingBroadcastTask") public void execute(String param) { // 获取分片参数：分片总数和分片序列号 int shardIndex = XxlJobHelper.getShardIndex(); int shardTotal = XxlJobHelper.getShardTotal(); XxlJobLogger.log("当前节点的 index={}, 总结点数={}, 参数={}", shardIndex, shardTotal, param); // 模拟获取数据列表 List<String> dataList = getDataList(); // 执行分片逻辑 shardingExecute(dataList, shardIndex, shardTotal); } public List<String> getDataList() { // 这里可以根据实际情况从数据库或其他数据源获取数据列表 // 为了示例简单，直接返回一个固定的列表 return List.of("data1", "data2", "data3", "data4", "data5", "data6", "data7", "data8", "data9", "data10"); } public void shardingExecute(List<String> dataList, int shardIndex, int shardTotal) { XxlJobLogger.log("开始执行分片任务，当前分片={}, 总分片数={}", shardIndex, shardTotal); // 计算当前分片应处理的数据范围 int start = (shardIndex * dataList.size()) / shardTotal; int end = ((shardIndex + 1) * dataList.size()) / shardTotal; // 处理当前分片的数据 for (int i = start; i < end; i++) { String data = dataList.get(i); XxlJobLogger.log("处理数据: {}", data); // 在此处添加具体的数据处理逻辑 } XxlJobLogger.log("分片任务执行完成"); }}在上述代码中，在execute方法中，通过 XxlJobHelper.getShardIndex() 获取当前分片序号，通过 XxlJobHelper.getShardTotal() 获取总分片数。然后模拟获取了一个数据列表 dataList，接下来使用 shardingExecute 方法执行分片逻辑。
在 shardingExecute 方法中，根据分片序号和总分片数计算出当前分片应处理的数据范围，然后遍历该范围内的数据并进行处理（此处仅打印数据，实际应用中可添加具体的数据处理逻辑）。
在实际使用时，需要将任务部署到 XXL Job 执行器集群中，并在调度中心配置相应的任务，选择分片广播的路由策略。这样，当调度中心触发任务时，所有执行器都会执行该任务，并根据分片参数处理相应的数据分片，这样就能提升程序整体的执行效率了。
3.执行原理了解了 XXL Job 的代码实现就能明白其运行原理，它的实现原理如下：
任务配置与分发：在 XXL Job 的调度中心，用户通过 Web 界面创建一个分片广播类型的任务，并设置相应的参数，如分片总数（shardingTotalCount）。当调度触发时，调度中心会将此任务广播至所有注册的执行器。分片参数传递：每个执行器在接收到广播的任务时，会自动获得分片参数，包括分片总数和当前执行器应该处理的分片序号（shardingItem）。这些参数由 XXL Job 框架自动注入，使得执行器能够知道它应当处理哪个数据分片。分片逻辑执行：实际的分片逻辑需要在执行器的任务处理器代码中实现，开发者需根据分片序号和总数，决定处理哪些数据。这通常涉及对数据源的分片访问，如数据库查询时使用分页查询或者 ID 取模等方法来确定每个执行器处理的数据范围。然后各个执行器并行处理各自分片的数据，互不影响。结果汇总：由于是广播任务，每个执行器处理的是全量数据的一个子集，因此不存在汇总操作，每个执行器独立完成自己的处理逻辑。如果需要最终汇总结果，需要额外的逻辑来收集和整合各个执行器的输出。课后思考在分片任务时，如果其中某台机器掉电了导致结果一直未能正常返回，XXL Job 会如何处理？XXL Job 怎么保证任务只会被执行一次的？
本文已收录到我的面试小站 [www.javacn.site](https://www.javacn.site)，其中包含的内容有：Redis、JVM、并发、并发、MySQL、Spring、Spring MVC、Spring Boot、Spring Cloud、MyBatis、设计模式、消息队列等模块。
