使用PowerJob做任务调度模块-编程知识

最近项目中使用了PowerJob做任务调度模块，感觉这个框架真香，今天我们就来深入了解一下新一代的定时任务框架——PowerJob！

简介

PowerJob是基于java开发的企业级的分布式任务调度平台，与xxl-job一样，基于web页面实现任务调度配置与记录，使用简单，上手快速，其主要功能特性如下：

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。
工作流支持：支持在线配置任务依赖关系（DAG），以可视化的方式对任务进行编排，同时还支持上下游任务间的数据传递，以及多种节点类型（判断节点 & 嵌套工作流节点）。
执行器支持广泛：支持 Spring Bean、内置/外置 Java 类，另外可以通过引入官方提供的依赖包，一键集成 Shell、Python、HTTP、SQL 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…）
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。

相对于其他定时任务框架具有无锁化设计，更强悍的性能支撑，我们通过官网的产品对比可以了解详情：

官网文档：http://www.powerjob.tech/

定时任务类型

与传统的定时任务框架对比，powerJob支持更多的定时任务类型：

API: 通过客户端提供的api接口触发，服务端不会主动调度，适用于与业务服务上下连接或只调度一次的业务场景
CRON: 通过cron表达式调度，这是多数定时任务框架都支持的
固定频率：每隔多少毫秒执行一次。
固定延迟：延迟多少毫秒执行一次
工作流：配合工作流进行调度，服务端不会主动调度，当工作流节点执行到该任务时运行。

安装

PowerJob支持两种安装方式，一是通过jar包运行，一是通过docker安装

docker的安装较为简单，且官网有详细说明，这里就不单独讲解了，大家可参考官方文档：

https://www.yuque.com/powerjob/guidence/docker-compose

如何通过jar形式运行的

1、首先我们可以在github上下载源码，可以自己编译打包

https://github.com/PowerJob/PowerJob

可以在releases中下载指定版本

2、在IDE中打开后，我们powerjob-server就是我们要的服务端源码，可以直接编译，而powerjob-worker-samples就是springboot下的使用示例

3、在运行编译服务端之前，我们需要先创建数据库，在指定的数据库下创建即可

CREATE DATABASE IF NOT EXISTS `powerjob-daily` DEFAULT CHARSET utf8mb4

4、然后将powerjob-server/powerjob-server-starter下的application-daily.properties配置文件中的数据库配置改成你服务器的

其中daily,pre,product 表示日常、预生产、生产环境下的配置，与我们常见的dev, test, prod类似，可以根据需要进行调整

其中还有邮箱及其他配置，如果有需要也可以调整，服务端的参数配置可参考官网文档。

5、我们先来本地运行启动类PowerJobServerApplication一下试试，启动成功后，访问http://localhost:7700，出现登陆页则说明运行成功

6、先注册一个执行器，注意这里的应用名称不能顺便取，下文在客户端的配置的app-name要与该名称保持一致

7、然后用该执行器名和密码登录

8、如下，我们就登录成功了

9、如果需要发布到服务器或虚拟机上运行，可以进行编译打包操作：

1）点击mvn install 将依赖包打包到本地仓库

注意，如果这里报错

Please refer to /Library/project/study/java/PowerJob-4.3.2/powerjob-server/powerjob-server-starter/target/surefire-reports for the individual test results.

那么可以将maven的健康检查关闭

点击如图所示按钮，并且看到test置灰，则表示关闭

2）执行mvn package打包项目

10、在powerjob-server-starter的target目录下即可看到打包出来的jar，将其上传到指定服务器，通过java -jar指令即可运行

定时任务创建

1、创建一个springboot项目，用于定时任务客户端，引入客户端依赖，如果是spring或其他java项目引入，可参考官网文档：

https://www.yuque.com/powerjob/guidence/ygonln

<dependency><groupId>tech.powerjob</groupId><artifactId>powerjob-worker-spring-boot-starter</artifactId><version>4.3.2</version>
</dependency>

2、修改配置文件

powerjob:worker:enabled: trueenable-test-mode: false# 数据传输端口，默认27777port: 27777# 应用名称，与服务端创建的应用账号的名称保持一致app-name: powerjob-agent-test# 服务端地址，多个用,隔开server-address: 127.0.0.1:7700# 通讯协议，4.3.0之后支持http和akka，4.3.0之前仅支持akka，官方推荐httpprotocol: http# 任务返回结果信息的最大长度，超过该值将被截断max-result-length: 4096# 同时运行的轻量级任务数量上限max-lightweight-task-num: 1024# 同时运行的重量级任务数量上限max-heavy-task-num: 64

3、启动类上添加注解@EnableScheduling

4、通过申明BasicProcessor接口，实现process方法来书写一个简单的定时任务示例类，注意要声明为bean

/*** @author benjamin_5* @Description 简单任务执行器* @date 2023/5/3*/
@Component
public class SimpleJobServer implements BasicProcessor {@Overridepublic ProcessResult process(TaskContext taskContext) throws Exception {String jobParams = taskContext.getJobParams();System.out.println("参数: " + jobParams);System.out.println("定时任务执行");return new ProcessResult(true, "定时任务执行成功");}
}

5、启动客户端项目，运行成功后，可以在服务端首页看到机器实例

6、服务端任务管理点击新建任务

其中处理器配置是通过书写处理器的全类路径名来声明的，比如我这里是com.example.powerjobdemo.job.SimpleJobServer

7、创建成功后，可以在列表看到新建的任务

8、打开客户端控制台，也能看到输出的参数和执行打印，说明任务执行成功

9、同时我们可以在运行记录中看到执行日志

至此，针对powerjob的最简单使用就完成了，接下来我们继续来看关于powjob的配置详解

3. 任务配置参数详解

创建任务时我们可以看到如下图所示的配置：

定时信息：

主要选择定时任务类型，支持API, CRON，固定频率、固定延迟、工作流、每日固定间隔等几种定时任务类型。

生命周期：

这是比其他任务框架更便捷的功能，指定了任务的生效周期，如果该任务是预定某时间段内执行的，可以通过该参数配置

执行配置：

执行类型支持单机执行、广播执行、Map执行、MapReduce执行
单机执行表示只需要有一个节点执行任务即可的场景
广播执行表示需要全部节点一同执行的场景，比如清除机器日志、各节点数据统计
Map与MapReduce执行都是表示分布式、分批执行，用来拆分计算量、耗时较大的任务，区别在于Map执行是一种简单的数据处理逻辑，特点是将输入数据拆分成多个子块，并交给多个分布式节点同时执行，以提高数据处理效率，适用于简单的数据处理场景
MapReduce执行是一种大数据处理框架，处理逻辑是将复杂的数据处理拆分成Map和Reduce阶段进行处理，通过数据分组计算后合并来提供数据处理效率，更适合复杂的大数据场景

运行时配置：