批處理框架 Spring Batch 這么強(qiáng)，你會用嗎？

spring batch簡介

spring batch是spring提供的一個數(shù)據(jù)處理框架。企業(yè)域中的許多應(yīng)用程序需要批量處理才能在關(guān)鍵任務(wù)環(huán)境中執(zhí)行業(yè)務(wù)操作。這些業(yè)務(wù)運(yùn)營包括：

• 無需用戶交互即可最有效地處理大量信息的自動化，復(fù)雜處理。這些操作通常包括基于時間的事件（例如月末計算，通知或通信）。
• 在非常大的數(shù)據(jù)集中重復(fù)處理復(fù)雜業(yè)務(wù)規(guī)則的定期應(yīng)用（例如，保險利益確定或費(fèi)率調(diào)整）。
• 集成從內(nèi)部和外部系統(tǒng)接收的信息，這些信息通常需要以事務(wù)方式格式化，驗(yàn)證和處理到記錄系統(tǒng)中。批處理用于每天為企業(yè)處理數(shù)十億的交易。

Spring Batch是一個輕量級，全面的批處理框架，旨在開發(fā)對企業(yè)系統(tǒng)日常運(yùn)營至關(guān)重要的強(qiáng)大批處理應(yīng)用程序。Spring Batch構(gòu)建了人們期望的Spring Framework特性（生產(chǎn)力，基于POJO的開發(fā)方法和一般易用性），同時使開發(fā)人員可以在必要時輕松訪問和利用更高級的企業(yè)服務(wù)。Spring Batch不是一個schuedling的框架。

Spring Batch提供了可重用的功能，這些功能對于處理大量的數(shù)據(jù)至關(guān)重要，包括記錄/跟蹤，事務(wù)管理，作業(yè)處理統(tǒng)計，作業(yè)重啟，跳過和資源管理。它還提供更高級的技術(shù)服務(wù)和功能，通過優(yōu)化和分區(qū)技術(shù)實(shí)現(xiàn)極高容量和高性能的批處理作業(yè)。

Spring Batch可用于兩種簡單的用例（例如將文件讀入數(shù)據(jù)庫或運(yùn)行存儲過程）以及復(fù)雜的大量用例（例如在數(shù)據(jù)庫之間移動大量數(shù)據(jù)，轉(zhuǎn)換它等等） 上）。大批量批處理作業(yè)可以高度可擴(kuò)展的方式利用該框架來處理大量信息。

Spring Batch架構(gòu)介紹

一個典型的批處理應(yīng)用程序大致如下：

• 從數(shù)據(jù)庫，文件或隊(duì)列中讀取大量記錄。
• 以某種方式處理數(shù)據(jù)。
• 以修改之后的形式寫回數(shù)據(jù)。

其對應(yīng)的示意圖如下：

spring batch的一個總體的架構(gòu)如下：

在spring batch中一個job可以定義很多的步驟step，在每一個step里面可以定義其專屬的ItemReader用于讀取數(shù)據(jù)，ItemProcesseor用于處理數(shù)據(jù)，ItemWriter用于寫數(shù)據(jù)，而每一個定義的job則都在JobRepository里面，我們可以通過JobLauncher來啟動某一個job。

Spring Batch核心概念介紹

下面是一些概念是Spring batch框架中的核心概念。

什么是Job

Job和Step是spring batch執(zhí)行批處理任務(wù)最為核心的兩個概念。

其中Job是一個封裝整個批處理過程的一個概念。Job在spring batch的體系當(dāng)中只是一個最頂層的一個抽象概念，體現(xiàn)在代碼當(dāng)中則它只是一個最上層的接口，其代碼如下:

/**
 * Batch domain object representing a job. Job is an explicit abstraction
 * representing the configuration of a job specified by a developer. It should
 * be noted that restart policy is applied to the job as a whole and not to a
 * step.
 */
public interface Job {
 
 String getName();
 
 
 boolean isRestartable();
 
 
 void execute(JobExecution execution);
 
 
 JobParametersIncrementer getJobParametersIncrementer();
 
 
 JobParametersValidator getJobParametersValidator();
 
}

在Job這個接口當(dāng)中定義了五個方法，它的實(shí)現(xiàn)類主要有兩種類型的job，一個是simplejob，另一個是flowjob。在spring batch當(dāng)中，job是最頂層的抽象，除job之外我們還有JobInstance以及JobExecution這兩個更加底層的抽象。

一個job是我們運(yùn)行的基本單位，它內(nèi)部由step組成。job本質(zhì)上可以看成step的一個容器。一個job可以按照指定的邏輯順序組合step，并提供了我們給所有step設(shè)置相同屬性的方法，例如一些事件監(jiān)聽，跳過策略。

Spring Batch以SimpleJob類的形式提供了Job接口的默認(rèn)簡單實(shí)現(xiàn)，它在Job之上創(chuàng)建了一些標(biāo)準(zhǔn)功能。一個使用java config的例子代碼如下：

@Bean
public Job footballJob() {
    return this.jobBuilderFactory.get("footballJob")
                     .start(playerLoad())
                     .next(gameLoad())
                     .next(playerSummarization())
                     .end()
                     .build();
}

這個配置的意思是：首先給這個job起了一個名字叫footballJob，接著指定了這個job的三個step，他們分別由方法，playerLoad,gameLoad, playerSummarization實(shí)現(xiàn)。

什么是JobInstance

我們在上文已經(jīng)提到了JobInstance，他是Job的更加底層的一個抽象，他的定義如下：

public interface JobInstance {
 /**
  * Get unique id for this JobInstance.
  * @return instance id
  */
 public long getInstanceId();
 /**
  * Get job name.
  * @return value of 'id' attribute from <job>
  */
 public String getJobName(); 
}

他的方法很簡單，一個是返回Job的id，另一個是返回Job的名字。

JobInstance指的是job運(yùn)行當(dāng)中，作業(yè)執(zhí)行過程當(dāng)中的概念。Instance本就是實(shí)例的意思。

比如說現(xiàn)在有一個批處理的job，它的功能是在一天結(jié)束時執(zhí)行行一次。我們假定這個批處理job的名字為'EndOfDay'。在這個情況下，那么每天就會有一個邏輯意義上的JobInstance, 而我們必須記錄job的每次運(yùn)行的情況。

什么是JobParameters

在上文當(dāng)中我們提到了，同一個job每天運(yùn)行一次的話，那么每天都有一個jobIntsance，但他們的job定義都是一樣的，那么我們怎么來區(qū)別一個job的不同jobinstance了。不妨先做個猜想，雖然jobinstance的job定義一樣，但是他們有的東西就不一樣，例如運(yùn)行時間。

spring batch中提供的用來標(biāo)識一個jobinstance的東西是：JobParameters。JobParameters對象包含一組用于啟動批處理作業(yè)的參數(shù)，它可以在運(yùn)行期間用于識別或甚至用作參考數(shù)據(jù)。我們假設(shè)的運(yùn)行時間，就可以作為一個JobParameters。

例如, 我們前面的'EndOfDay'的job現(xiàn)在已經(jīng)有了兩個實(shí)例，一個產(chǎn)生于1月1日，另一個產(chǎn)生于1月2日，那么我們就可以定義兩個JobParameter對象：一個的參數(shù)是01-01, 另一個的參數(shù)是01-02。因此，識別一個JobInstance的方法可以定義為：

因此，我么可以通過Jobparameter來操作正確的JobInstance

什么是JobExecution

JobExecution指的是單次嘗試運(yùn)行一個我們定義好的Job的代碼層面的概念。job的一次執(zhí)行可能以失敗也可能成功。只有當(dāng)執(zhí)行成功完成時，給定的與執(zhí)行相對應(yīng)的JobInstance才也被視為完成。

還是以前面描述的EndOfDay的job作為示例，假設(shè)第一次運(yùn)行01-01-2019的JobInstance結(jié)果是失敗。那么此時如果使用與第一次運(yùn)行相同的Jobparameter參數(shù)（即01-01-2019）作業(yè)參數(shù)再次運(yùn)行，那么就會創(chuàng)建一個對應(yīng)于之前jobInstance的一個新的JobExecution實(shí)例,JobInstance仍然只有一個。

JobExecution的接口定義如下：

public interface JobExecution {
 /**
  * Get unique id for this JobExecution.
  * @return execution id
  */
 public long getExecutionId();
 /**
  * Get job name.
  * @return value of 'id' attribute from <job>
  */
 public String getJobName(); 
 /**
  * Get batch status of this execution.
  * @return batch status value.
  */
 public BatchStatus getBatchStatus();
 /**
  * Get time execution entered STARTED status. 
  * @return date (time)
  */
 public Date getStartTime();
 /**
  * Get time execution entered end status: COMPLETED, STOPPED, FAILED 
  * @return date (time)
  */
 public Date getEndTime();
 /**
  * Get execution exit status.
  * @return exit status.
  */
 public String getExitStatus();
 /**
  * Get time execution was created.
  * @return date (time)
  */
 public Date getCreateTime();
 /**
  * Get time execution was last updated updated.
  * @return date (time)
  */
 public Date getLastUpdatedTime();
 /**
  * Get job parameters for this execution.
  * @return job parameters  
  */
 public Properties getJobParameters();
 
}

每一個方法的注釋已經(jīng)解釋的很清楚，這里不再多做解釋。只提一下BatchStatus，JobExecution當(dāng)中提供了一個方法getBatchStatus用于獲取一個job某一次特地執(zhí)行的一個狀態(tài)。BatchStatus是一個代表job狀態(tài)的枚舉類，其定義如下：

public enum BatchStatus {STARTING, STARTED, STOPPING, 
   STOPPED, FAILED, COMPLETED, ABANDONED }

這些屬性對于一個job的執(zhí)行來說是非常關(guān)鍵的信息，并且spring batch會將他們持久到數(shù)據(jù)庫當(dāng)中. 在使用Spring batch的過程當(dāng)中spring batch會自動創(chuàng)建一些表用于存儲一些job相關(guān)的信息，用于存儲JobExecution的表為batch_job_execution,下面是一個從數(shù)據(jù)庫當(dāng)中截圖的實(shí)例：

什么是Step

每一個Step對象都封裝了批處理作業(yè)的一個獨(dú)立的階段。事實(shí)上，每一個Job本質(zhì)上都是由一個或多個步驟組成。每一個step包含定義和控制實(shí)際批處理所需的所有信息。任何特定的內(nèi)容都由編寫Job的開發(fā)人員自行決定。

一個step可以非常簡單也可以非常復(fù)雜。例如，一個step的功能是將文件中的數(shù)據(jù)加載到數(shù)據(jù)庫中，那么基于現(xiàn)在spring batch的支持則幾乎不需要寫代碼。更復(fù)雜的step可能具有復(fù)雜的業(yè)務(wù)邏輯，這些邏輯作為處理的一部分。

與Job一樣，Step具有與JobExecution類似的StepExecution，如下圖所示：

什么是StepExecution

StepExecution表示一次執(zhí)行Step, 每次運(yùn)行一個Step時都會創(chuàng)建一個新的StepExecution，類似于JobExecution。但是，某個步驟可能由于其之前的步驟失敗而無法執(zhí)行。且僅當(dāng)Step實(shí)際啟動時才會創(chuàng)建StepExecution。

一次step執(zhí)行的實(shí)例由StepExecution類的對象表示。每個StepExecution都包含對其相應(yīng)步驟的引用以及JobExecution和事務(wù)相關(guān)的數(shù)據(jù)，例如提交和回滾計數(shù)以及開始和結(jié)束時間。

此外，每個步驟執(zhí)行都包含一個ExecutionContext，其中包含開發(fā)人員需要在批處理運(yùn)行中保留的任何數(shù)據(jù)，例如重新啟動所需的統(tǒng)計信息或狀態(tài)信息。下面是一個從數(shù)據(jù)庫當(dāng)中截圖的實(shí)例：

什么是ExecutionContext

ExecutionContext即每一個StepExecution 的執(zhí)行環(huán)境。它包含一系列的鍵值對。我們可以用如下代碼獲取ExecutionContext

ExecutionContext ecStep = stepExecution.getExecutionContext();
ExecutionContext ecJob = jobExecution.getExecutionContext();

什么是JobRepository

JobRepository是一個用于將上述job，step等概念進(jìn)行持久化的一個類。它同時給Job和Step以及下文會提到的JobLauncher實(shí)現(xiàn)提供CRUD操作。

首次啟動Job時，將從repository中獲取JobExecution，并且在執(zhí)行批處理的過程中，StepExecution和JobExecution將被存儲到repository當(dāng)中。

@EnableBatchProcessing注解可以為JobRepository提供自動配置。

什么是JobLauncher

JobLauncher這個接口的功能非常簡單，它是用于啟動指定了JobParameters的Job，為什么這里要強(qiáng)調(diào)指定了JobParameter，原因其實(shí)我們在前面已經(jīng)提到了，jobparameter和job一起才能組成一次job的執(zhí)行。下面是代碼實(shí)例：

public interface JobLauncher {
 
public JobExecution run(Job job, JobParameters jobParameters)
            throws JobExecutionAlreadyRunningException, JobRestartException,
                   JobInstanceAlreadyCompleteException, JobParametersInvalidException;
}

上面run方法實(shí)現(xiàn)的功能是根據(jù)傳入的job以及jobparamaters從JobRepository獲取一個JobExecution并執(zhí)行Job。

什么是Item Reader

ItemReader是一個讀數(shù)據(jù)的抽象，它的功能是為每一個Step提供數(shù)據(jù)輸入。當(dāng)ItemReader以及讀完所有數(shù)據(jù)時，它會返回null來告訴后續(xù)操作數(shù)據(jù)已經(jīng)讀完。Spring Batch為ItemReader提供了非常多的有用的實(shí)現(xiàn)類，比如JdbcPagingItemReader，JdbcCursorItemReader等等。

ItemReader支持的讀入的數(shù)據(jù)源也是非常豐富的，包括各種類型的數(shù)據(jù)庫，文件，數(shù)據(jù)流，等等。幾乎涵蓋了我們的所有場景。

下面是一個JdbcPagingItemReader的例子代碼：

@Bean
public JdbcPagingItemReader itemReader(DataSource dataSource, PagingQueryProvider queryProvider) {
        Map<String, Object> parameterValues = new HashMap<>();
        parameterValues.put("status", "NEW");
 
        return new JdbcPagingItemReaderBuilder<CustomerCredit>()
                                           .name("creditReader")
                                           .dataSource(dataSource)
                                           .queryProvider(queryProvider)
                                           .parameterValues(parameterValues)
                                           .rowMapper(customerCreditMapper())
                                           .pageSize(1000)
                                           .build();
}
 
@Bean
public SqlPagingQueryProviderFactoryBean queryProvider() {
        SqlPagingQueryProviderFactoryBean provider = new SqlPagingQueryProviderFactoryBean();
 
        provider.setSelectClause("select id, name, credit");
        provider.setFromClause("from customer");
        provider.setWhereClause("where status=:status");
        provider.setSortKey("id");
 
        return provider;
}

JdbcPagingItemReader必須指定一個PagingQueryProvider，負(fù)責(zé)提供SQL查詢語句來按分頁返回數(shù)據(jù)。

下面是一個JdbcCursorItemReader的例子代碼:

 private JdbcCursorItemReader<Map<String, Object>> buildItemReader(final DataSource dataSource, String tableName,
            String tenant) {
 
        JdbcCursorItemReader<Map<String, Object>> itemReader = new JdbcCursorItemReader<>();
        itemReader.setDataSource(dataSource);
        itemReader.setSql("sql here");
        itemReader.setRowMapper(new RowMapper());
        return itemReader;
    }

什么是Item Writer

既然ItemReader是讀數(shù)據(jù)的一個抽象，那么ItemWriter自然就是一個寫數(shù)據(jù)的抽象，它是為每一個step提供數(shù)據(jù)寫出的功能。寫的單位是可以配置的，我們可以一次寫一條數(shù)據(jù)，也可以一次寫一個chunk的數(shù)據(jù)，關(guān)于chunk下文會有專門的介紹。ItemWriter對于讀入的數(shù)據(jù)是不能做任何操作的。

Spring Batch為ItemWriter也提供了非常多的有用的實(shí)現(xiàn)類，當(dāng)然我們也可以去實(shí)現(xiàn)自己的writer功能。另外，歡迎關(guān)注公眾號互聯(lián)網(wǎng)架構(gòu)師，后臺回復(fù)“2T”，送你一份面試題寶典！

什么是Item Processor

ItemProcessor對項(xiàng)目的業(yè)務(wù)邏輯處理的一個抽象, 當(dāng)ItemReader讀取到一條記錄之后，ItemWriter還未寫入這條記錄之前，I我們可以借助temProcessor提供一個處理業(yè)務(wù)邏輯的功能，并對數(shù)據(jù)進(jìn)行相應(yīng)操作。如果我們在ItemProcessor發(fā)現(xiàn)一條數(shù)據(jù)不應(yīng)該被寫入，可以通過返回null來表示。ItemProcessor和ItemReader以及ItemWriter可以非常好的結(jié)合在一起工作，他們之間的數(shù)據(jù)傳輸也非常方便。我們直接使用即可。

chunk 處理流程

spring batch提供了讓我們按照chunk處理數(shù)據(jù)的能力，一個chunk的示意圖如下：

它的意思就和圖示的一樣，由于我們一次batch的任務(wù)可能會有很多的數(shù)據(jù)讀寫操作，因此一條一條的處理并向數(shù)據(jù)庫提交的話效率不會很高，因此spring batch提供了chunk這個概念，我們可以設(shè)定一個chunk size，spring batch 將一條一條處理數(shù)據(jù)，但不提交到數(shù)據(jù)庫，只有當(dāng)處理的數(shù)據(jù)數(shù)量達(dá)到chunk size設(shè)定的值得時候，才一起去commit.

java的實(shí)例定義代碼如下：

在上面這個step里面，chunk size被設(shè)為了10，當(dāng)ItemReader讀的數(shù)據(jù)數(shù)量達(dá)到10的時候，這一批次的數(shù)據(jù)就一起被傳到itemWriter，同時transaction被提交。

skip策略和失敗處理

一個batch的job的step，可能會處理非常大數(shù)量的數(shù)據(jù)，難免會遇到出錯的情況，出錯的情況雖出現(xiàn)的概率較小，但是我們不得不考慮這些情況，因?yàn)槲覀冏鰯?shù)據(jù)遷移最重要的是要保證數(shù)據(jù)的最終一致性。spring batch當(dāng)然也考慮到了這種情況，并且為我們提供了相關(guān)的技術(shù)支持，請看如下bean的配置：

我們需要留意這三個方法，分別是skipLimit(),skip(),noSkip(),

skipLimit方法的意思是我們可以設(shè)定一個我們允許的這個step可以跳過的異常數(shù)量，假如我們設(shè)定為10，則當(dāng)這個step運(yùn)行時，只要出現(xiàn)的異常數(shù)目不超過10，整個step都不會fail。注意，若不設(shè)定skipLimit，則其默認(rèn)值是0.

skip方法我們可以指定我們可以跳過的異常，因?yàn)橛行┊惓５某霈F(xiàn)，我們是可以忽略的。

noSkip方法的意思則是指出現(xiàn)這個異常我們不想跳過，也就是從skip的所以exception當(dāng)中排除這個exception，從上面的例子來說，也就是跳過所有除FileNotFoundException的exception。

那么對于這個step來說，F(xiàn)ileNotFoundException就是一個fatal的exception，拋出這個exception的時候step就會直接fail

批處理操作指南

本部分是一些使用spring batch時的值得注意的點(diǎn)

批處理原則

在構(gòu)建批處理解決方案時，應(yīng)考慮以下關(guān)鍵原則和注意事項(xiàng)。

• 批處理體系結(jié)構(gòu)通常會影響體系結(jié)構(gòu)
• 盡可能簡化并避免在單批應(yīng)用程序中構(gòu)建復(fù)雜的邏輯結(jié)構(gòu)
• 保持?jǐn)?shù)據(jù)的處理和存儲在物理上靠得很近（換句話說，將數(shù)據(jù)保存在處理過程中）。
• 最大限度地減少系統(tǒng)資源的使用，尤其是I / O. 在internal memory中執(zhí)行盡可能多的操作。
• 查看應(yīng)用程序I / O（分析SQL語句）以確保避免不必要的物理I / O. 特別是，需要尋找以下四個常見缺陷：
• 當(dāng)數(shù)據(jù)可以被讀取一次并緩存或保存在工作存儲中時，讀取每個事務(wù)的數(shù)據(jù)。
• 重新讀取先前在同一事務(wù)中讀取數(shù)據(jù)的事務(wù)的數(shù)據(jù)。
• 導(dǎo)致不必要的表或索引掃描。
• 未在SQL語句的WHERE子句中指定鍵值。
• 在批處理運(yùn)行中不要做兩次一樣的事情。例如，如果需要數(shù)據(jù)匯總以用于報告目的，則應(yīng)該（如果可能）在最初處理數(shù)據(jù)時遞增存儲的總計，因此您的報告應(yīng)用程序不必重新處理相同的數(shù)據(jù)。
• 在批處理應(yīng)用程序開始時分配足夠的內(nèi)存，以避免在此過程中進(jìn)行耗時的重新分配。
• 總是假設(shè)數(shù)據(jù)完整性最差。插入適當(dāng)?shù)臋z查和記錄驗(yàn)證以維護(hù)數(shù)據(jù)完整性。
• 盡可能實(shí)施校驗(yàn)和以進(jìn)行內(nèi)部驗(yàn)證。例如，對于一個文件里的數(shù)據(jù)應(yīng)該有一個數(shù)據(jù)條數(shù)紀(jì)錄，告訴文件中的記錄總數(shù)以及關(guān)鍵字段的匯總。
• 在具有真實(shí)數(shù)據(jù)量的類似生產(chǎn)環(huán)境中盡早計劃和執(zhí)行壓力測試。
• 在大批量系統(tǒng)中，數(shù)據(jù)備份可能具有挑戰(zhàn)性，特別是如果系統(tǒng)以24-7在線的情況運(yùn)行。數(shù)據(jù)庫備份通常在在線設(shè)計中得到很好的處理，但文件備份應(yīng)該被視為同樣重要。如果系統(tǒng)依賴于文件，則文件備份過程不僅應(yīng)該到位并記錄在案，還應(yīng)定期進(jìn)行測試。

如何默認(rèn)不啟動job

在使用java config使用spring batch的job時，如果不做任何配置，項(xiàng)目在啟動時就會默認(rèn)去跑我們定義好的批處理job。那么如何讓項(xiàng)目在啟動時不自動去跑job呢？

spring batch的job會在項(xiàng)目啟動時自動run，如果我們不想讓他在啟動時run的話，可以在application.properties中添加如下屬性：

spring.batch.job.enabled=false

在讀數(shù)據(jù)時內(nèi)存不夠

在使用spring batch做數(shù)據(jù)遷移時，發(fā)現(xiàn)在job啟動后，執(zhí)行到一定時間點(diǎn)時就卡在一個地方不動了，且log也不再打印，等待一段時間之后，得到如下錯誤：

紅字的信息為：Resource exhaustion event：the JVM was unable to allocate memory from the heap.

翻譯過來的意思就是項(xiàng)目發(fā)出了一個資源耗盡的事件，告訴我們java虛擬機(jī)無法再為堆分配內(nèi)存。另外，歡迎關(guān)注公眾號互聯(lián)網(wǎng)架構(gòu)師，后臺回復(fù)“2T”，送你一份面試題寶典！

造成這個錯誤的原因是: 這個項(xiàng)目里的batch job的reader是一次性拿回了數(shù)據(jù)庫里的所有數(shù)據(jù)，并沒有進(jìn)行分頁，當(dāng)這個數(shù)據(jù)量太大時，就會導(dǎo)致內(nèi)存不夠用。解決的辦法有兩個:

• 調(diào)整reader讀數(shù)據(jù)邏輯，按分頁讀取，但實(shí)現(xiàn)上會麻煩一些，且運(yùn)行效率會下降
• 增大service內(nèi)存