背景

在開發(fā)中，往往會遇到一些關(guān)于延時任務(wù)的需求。例如

•生成訂單30分鐘未支付，則自動取消

•生成訂單60秒后,給用戶發(fā)短信

對上述的任務(wù)，我們給一個專業(yè)的名字來形容，那就是延時任務(wù)。

最近需要做一個延時處理的功能，主要是從kafka中消費(fèi)消息后根據(jù)消息中的某個延時字段來進(jìn)行延時處理，在實(shí)際的實(shí)現(xiàn)過程中有一些需要注意的地方，記錄如下。

實(shí)現(xiàn)過程

說到j(luò)ava中的定時功能，首先想到的Timer和ScheduledThreadPoolExecutor，但是相比之下Timer可以排除，主要原因有以下幾點(diǎn)：

• Timer使用的是絕對時間，系統(tǒng)時間的改變會對Timer產(chǎn)生一定的影響；而ScheduledThreadPoolExecutor使用的是相對時間，所以不會有這個問題。
• Timer使用單線程來處理任務(wù)，長時間運(yùn)行的任務(wù)會導(dǎo)致其他任務(wù)的延時處理，而ScheduledThreadPoolExecutor可以自定義線程數(shù)量。
• Timer沒有對運(yùn)行時異常進(jìn)行處理，一旦某個任務(wù)觸發(fā)運(yùn)行時異常，會導(dǎo)致整個Timer崩潰，而ScheduledThreadPoolExecutor對運(yùn)行時異常做了捕獲（可以在 afterExecute() 回調(diào)方法中進(jìn)行處理），所以更加安全。

1、ScheduledThreadPoolExecutor決定了用ScheduledThreadPoolExecutor來進(jìn)行實(shí)現(xiàn)，接下來就是代碼編寫啦(大體流程代碼)。

主要的延時實(shí)現(xiàn)如下：

ScheduledExecutorService executorService = new ScheduledThreadPoolExecutor(10, new NamedThreadFactory("scheduleThreadPool"), new 
ThreadPoolExecutor.AbortPolicy());
//從消息中取出延遲時間及相關(guān)信息的代碼略
int delayTime = 0;
executorService.scheduleWithFixedDelay(new Runnable() {
  @Override
  public void run() {
   //具體操作邏輯
  }},0,delayTime, TimeUnit.SECONDS);

其中NamedThreadFactory是我自定義的一個線程工廠，主要給線程池定義名稱及相關(guān)日志打印便于后續(xù)的問題分析，這里就不多做介紹了。拒絕策略也是采用默認(rèn)的拒絕策略。

然后測試了一下，滿足目標(biāo)需求的功能，可以做到延遲指定時間后執(zhí)行，至此似乎功能就被完成了。

大家可能疑問，這也太簡單了有什么好說的，但是這種方式實(shí)現(xiàn)簡單是簡單但是存在一個潛在的問題，問題在哪呢，讓我們看一下ScheduledThreadPoolExecutor的源碼：

public ScheduledThreadPoolExecutor(int corePoolSize,ThreadFactory threadFactory) {
 super(corePoolSize, Integer.MAX_VALUE, 0, 
 TimeUnit.NANOSECONDS,new DelayedWorkQueue(), threadFactory);}

ScheduledThreadPoolExecutor由于它自身的延時和周期的特性，默認(rèn)使用了DelayWorkQueue，而并不像我們平時使用的SingleThreadExecutor等構(gòu)造是可以使用自己定義的LinkedBlockingQueue并且設(shè)置隊列大小，問題就出在這里。

DelayWrokQueue是一個無界隊列，而我們的目標(biāo)數(shù)據(jù)源是kafka，也就是一個高并發(fā)高吞吐的消息隊列，很大可能在某一時間段有大量的消息過來從而導(dǎo)致OOM，在使用多線程時我們是肯定要考慮到OOM的可能性的，因?yàn)镺OM帶來的后果往往比較嚴(yán)重，系統(tǒng)OOM臨時的解決辦法一般只能是重啟，可能會導(dǎo)致用戶數(shù)據(jù)丟失等不可能挽回的問題，所以從編碼設(shè)計階段要采用盡可能穩(wěn)妥的手段來避免這些問題。

2、采用redis和線程結(jié)合

這一次換了思路，采用redis來幫助我們做緩沖，從而避免消息過多OOM的問題。

相關(guān)redis zset api：

//添加元素
ZADD key score member [[score member] [score member] …]
//根據(jù)分值及限制數(shù)量查詢
ZRANGEBYSCORE key min max [WITHSCORES] [LIMIT offset count]
//從zset中刪除指定成員
ZREM key member [member …]

我們采用redis基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)的zset結(jié)構(gòu)，采用score來存儲我們目標(biāo)發(fā)送時間的數(shù)值，整體處理流程如下：

• 第一步數(shù)據(jù)存儲：9:10分從kafka接收了一條a的訂單消息，要求30分鐘后進(jìn)行發(fā)貨通知，那我們就將當(dāng)前時間加上30分鐘然后轉(zhuǎn)為時間戳作為a的score，key為a的訂單號存入redis中。代碼如下：

public void onMessage(String topic, String message) {
  String orderId;
		int delayTime = 0;
  try {
   Map<String, String> msgMap = gson.fromJson(message, new TypeToken<Map<String, String>>() {
   }.getType());
   if (msgMap.isEmpty()) {
    return;
   }
   LOGGER.info("onMessage kafka content:{}", msgMap.toString());
	 orderId = msgMap.get("orderId");
   if(StringUtils.isNotEmpty(orderId)){
    delayTime = Integer.parseInt(msgMap.get("delayTime"));
    Calendar calendar = Calendar.getInstance();
    //計算出預(yù)計發(fā)送時間
    calendar.add(Calendar.MINUTE, delayTime);
    long sendTime = calendar.getTimeInMillis();
    RedisUtils.getInstance().zetAdd(Constant.DELAY, sendTime, orderId);
    LOGGER.info("orderId:{}---放入redis中等待發(fā)送---sendTime：{}", ---orderId:{}, sendTime);
   }
  } catch (Exception e) {
   LOGGER.info("onMessage 延時發(fā)送異常:{}", e);
  }
 }

• 第二步數(shù)據(jù)處理：另起一個線程具體調(diào)度時間根據(jù)業(yè)務(wù)需求來定，我這里3分鐘執(zhí)行一次，內(nèi)部邏輯：從redis中取出一定量的zset數(shù)據(jù)，如何取呢，使用zset的zrangeByScore方法，根據(jù)數(shù)據(jù)的score進(jìn)行排序，當(dāng)然可以帶上時間段，這里從0到現(xiàn)在，來進(jìn)行消費(fèi)，需要注意的一點(diǎn)是，在取出數(shù)據(jù)后我們需要用zrem方法將取出的數(shù)據(jù)從zset中刪除，防止其他線程重復(fù)消費(fèi)數(shù)據(jù)。在此之后進(jìn)行接下來的發(fā)貨通知等相關(guān)邏輯。代碼如下：

public void run(){
  //獲取批量大小
  int orderNum = Integer.parseInt(PropertyUtil.get(Constant.ORDER_NUM,"100"));
  try {
   //批量獲取離發(fā)送時間最近的orderNum條數(shù)據(jù)
	 Calendar calendar = Calendar.getInstance();
	 long now = calendar.getTimeInMillis();
	 //獲取無限早到現(xiàn)在的事件key(防止上次批量數(shù)量小于放入數(shù)量，存在歷史數(shù)據(jù)未消費(fèi)情況)
	 Set<String> orderIds = RedisUtils.getInstance().zrangeByScore(Constant.DELAY, 0, now, 0, orderNum);
	 LOGGER.info("task.getOrderFromRedis---size:{}---orderIds:{}", orderIds.size(), gson.toJson(orderIds));
   if (CollectionUtils.isNotEmpty(orders)){
    //刪除key 防止重復(fù)發(fā)送
    for (String orderId : orderIds) {
     RedisUtils.getInstance().zrem(Constant.DELAY, orderId);
    }
	  //接下來執(zhí)行發(fā)送等業(yè)務(wù)邏輯     
   }
  } catch (Exception e) {
   LOGGER.warn("task.run exception:{}", e);
  }
 }

至此完成了依賴redis和線程完成了延時發(fā)送的功能。

結(jié)語

那么對上面兩種不同的實(shí)現(xiàn)方式進(jìn)行一下優(yōu)缺點(diǎn)比較：

• 第一種方式實(shí)現(xiàn)簡單，不依賴外部組件，能夠快速的實(shí)現(xiàn)目標(biāo)功能，但缺點(diǎn)也很明顯，需要在特定的場景下使用，如果是我這種消息量大的情況下使用很可能是有問題，當(dāng)然在數(shù)據(jù)源消息不多的情況下不失為好的選擇。
• 第二種方式實(shí)現(xiàn)稍微復(fù)雜一點(diǎn)，但是能夠適應(yīng)消息量大的場景，采用redis的zset作為了“中間件”的效果，并且?guī)椭覀冞M(jìn)行延時的功能實(shí)現(xiàn)能夠較好的適應(yīng)高并發(fā)場景，缺點(diǎn)在于在編寫的過程中需要考慮實(shí)際的因素較多，例如線程的執(zhí)行周期時間，發(fā)送可能會有一定時間的延遲，批量數(shù)據(jù)大小的設(shè)置等等。

綜上是本人這次延時功能的實(shí)現(xiàn)過程的兩種實(shí)現(xiàn)方式的總結(jié)，具體采用哪種方式還需大家根據(jù)實(shí)際情況選擇，希望能給大家?guī)韼椭?。ps：由于本人的技術(shù)能力有限，文章中可能出現(xiàn)技術(shù)描述不準(zhǔn)確或者錯誤的情況懇請各位大佬指出，我立馬進(jìn)行改正，避免誤導(dǎo)大家，謝謝！

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，謝謝大家對腳本之家的支持。

最新評論