`

Executor-新的任务执行架构

 
阅读更多
 在Java 5.0之前启动一个任务是通过调用Thread类的start()方法来实现的, 
  任务的提于交和执行是同时进行的,如果你想对任务的执行进行调度, 
  或是控制同时执行的线程数量就需要额外编写代码来完成。 
  5.0里提供了一个新的任务执行架构使你可以轻松地调度和控制任务的执行, 
  并且可以建立一个类似数据库连接池的线程池来执行任务。 
  这个架构主要有三个接口和其相应的具体类组成。 
  这三个接口是Executor, ExecutorService和ScheduledExecutorService。 
  (1)Executor接口:是用来执行Runnable任务的,它只定义一个方法: 
  execute(Runnable command):执行Ruannable类型的任务 
  (2)ExecutorService:继承了Executor的方法,并提供了执行Callable任务和中止任务执行的服务, 
  其定义的方法主要有: 
  submit(task):可用来提交Callable或Runnable任务,并返回代表此任务的Future对象  
  invokeAll(collection of tasks):批处理任务集合,并返回一个代表这些任务的Future对象集合  
  shutdown():在完成已提交的任务后关闭服务,不再接受新任务  
  shutdownNow():停止所有正在执行的任务并关闭服务。  
  isTerminated():测试是否所有任务都执行完毕了。  
  isShutdown():测试是否该ExecutorService已被关闭 
  (3)ScheduledExecutorService:继承ExecutorService,提供了按时间安排执行任务的功能、 
  schedule(task, initDelay): 安排所提交的Callable或Runnable任务在initDelay指定的时间后执行。 
  scheduleAtFixedRate():安排所提交的Runnable任务按指定的间隔重复执行  
  scheduleWithFixedDelay():安排所提交的Runnable任务在每次执行完后,等待delay所指定的时间后重复执行。 
   
  通过Executors类来获得各种服务对象。 
  callable(Runnable task): 将Runnable的任务转化成Callable的任务  
  newSingleThreadExecutor: 产生一个ExecutorService对象,这个对象只有一个线程可用来执行任务,若任务多于一个,任务将按先后顺序执行。  
  newCachedThreadPool(): 产生一个ExecutorService对象,这个对象带有一个线程池,线程池的大小会根据需要调整,线程执行完任务后返回线程池,供执行下一次任务使用。 
  newFixedThreadPool(int poolSize):产生一个ExecutorService对象,这个对象带有一个大小为poolSize的线程池,若任务数量大于poolSize,任务会被放在一个queue里顺序执行。  
  newSingleThreadScheduledExecutor:产生一个ScheduledExecutorService对象,这个对象的线程池大小为1,若任务多于一个,任务将按先后顺序执行。  
  newScheduledThreadPool(int poolSize): 产生一个ScheduledExecutorService对象,这个对象的线程池大小为poolSize,若任务数量大于poolSize,任务会在一个queue里等待执行
 
分享到:
评论

相关推荐

    xxl-job-executor-go-master

    1. **高并发能力**:Go语言以其优秀的并发模型,能更好地支持高并发场景下的任务执行。 2. **编译效率**:Go语言的编译速度快,能快速构建可执行程序,适合快速部署。 3. **轻量级**:Go语言的运行时开销小,适合做...

    go-xxl-executor-master

    "Go-XXL Executor Master" 是一个基于 Go 语言实现的分布式任务执行框架,主要针对大规模并发任务处理场景。从项目名称我们可以推测,它可能是借鉴了 Java 的 XXL-Job 框架,并且进行了 Go 语言的移植或改造,以提供...

    xxl-job分布式任务调度平台 v2.4.0.zip

    - 提供丰富的任务执行日志,便于追踪和调试任务执行过程。 4. **执行器集群**: - XXL-JOB支持执行器集群,任务可以被分配到不同的执行器上,实现任务负载均衡和故障转移。 - 执行器注册和心跳机制使得调度中心...

    分布式任务调度平台xxL_JOB手册范本.docx

    - **任务执行状态监控**:提供详尽的任务执行日志和状态监控。 - **任务调度策略**:支持复杂的任务调度策略,如Cron表达式等。 #### 三、安装与配置 **1. 安装** - **下载**:xxL_JOB的最新稳定版本可以从官方...

    Go-MesosExecutor可定制的ApacheMesos任务执行器

    在Mesos Executor的场景下,Go的这些特性使得开发可扩展、高吞吐的任务执行器变得更为简单。例如,Go的goroutine和channel机制可以轻松实现并行任务处理,而标准库中的网络和I/O功能则便于与Mesos的API进行通信。 ...

    xxl-job宣讲材料

    执行器(`xxl-job-executor-samples`)则负责实际的任务执行。任务管理功能允许创建、编辑和管理各种任务,而执行器管理则涉及执行器的注册、配置和监控。此外,系统还提供JobHandler,支持不同的任务处理模式,以及...

    xxl-job集成springboot实战代码

    7. **启动调度**:启动`xxl-job-admin`和`xxl-job-executor-sample-springboot`,调度中心会根据设定的CRON表达式触发任务执行。 8. **监控任务**:在`xxl-job-admin`界面,可以实时查看任务的执行状态、日志等信息...

    spark:Executor分配详解

    合理的Executor配置不仅可以提高任务执行效率,还能有效避免资源浪费和性能瓶颈问题。在实际部署Spark集群时,开发者应该根据具体的应用场景和资源限制来调整Executor的相关配置,以实现最佳的性能表现。

    Python库 | qcg_pilotjob_executor_api-0.12.3-py3-none-any.whl

    总的来说,`qcg_pilotjob_executor_api` 是一个强大的工具,为HPC环境中的任务执行提供了便利,尤其适合那些需要高效管理大量并发任务的场景。通过熟练掌握这个库,用户和开发者可以提升其在科学计算、数据分析和...

    DNX - Distributed Nagios eXecutor-开源

    DNX的优势在于其分布式架构,这使得监控任务能够在多台服务器上并行处理,从而提高了监控效率和系统响应速度。此外,DNX还支持动态扩展,可以根据需要添加或移除工作节点,以适应不断变化的IT环境。 开源软件的特性...

    xxl-job实战源码

    - 分层设计:调度层、执行层分离,调度层负责任务调度,执行层负责任务执行。 - 分布式部署:执行器可集群部署,提高任务处理能力。 2. **通信机制** - RESTful API:调度中心与执行器之间的通信基于HTTP,使用...

    spark个人总结.doc

    通过对Spark作业的资源配置、并行度设置以及RDD架构的优化,可以显著提高Spark应用程序的执行效率和资源利用率。在实际操作中,需要根据具体的应用场景和资源情况灵活调整这些参数。此外,合理地利用RDD持久化功能也...

    xxl-job.zip

    XXL-JOB的架构设计考虑了扩展性,可以通过插件机制增加新的调度策略或功能,比如添加新的任务类型、通知方式等。 综上所述,XXL-JOB作为一个全面的分布式任务调度平台,不仅具备强大的任务调度功能,还具有良好的...

    Java_A distributed task scheduling framework分布式任务调度平台XXLJOB.zip

    - **日志管理**:记录任务执行的日志,方便查看任务执行情况和异常信息。 - **监控与报警**:监控任务执行状态,当出现异常时,可以发送告警通知。 2. 执行器(xxl-job-executor) - **执行器注册**:执行器启动...

    XXL-JOB架构图.pptx

    总结起来,XXL-JOB通过分布式的架构实现了任务的高效调度和执行,提供了丰富的日志管理和监控手段,确保了任务执行的可靠性和可扩展性。同时,其支持的分片任务和自研的RPC框架,使其在处理大数据量和高并发场景下...

    任务调度工具 xxl

    - **任务执行**:执行器接收到调度指令后,启动任务执行线程。 - **结果反馈**:任务执行完毕后,执行器会将执行结果返回给调度中心。 - **日志存储**:调度中心和执行器都会记录任务的执行日志,供后续分析和...

    藏经阁-nabling Apache Zeppelin_ and Spark_ for Data Science in the

    在这个架构中,ZeppelinServer 负责处理用户请求,SparkDriver 负责将请求转换为 Spark 任务,User 负责提交任务,SparkExecutor 负责执行任务。 然而,这种架构也存在一些问题,例如安全性问题、可扩展性问题等。...

    Spark架构原理

    Master并不直接参与任务执行,而是将任务分发给Worker节点。 **Master的作用:** - **资源分配**:根据Driver的请求,分配Worker节点的资源。 - **任务调度**:虽然Master不直接参与任务调度,但它会跟踪Worker的...

    azkaban2.5

    它支持多级任务依赖,可以定义复杂的任务执行顺序,并通过Web界面进行任务提交和监控。 ### 2. Azkaban 架构 Azkaban 主要包含两个组件:**Azkaban Server** 和 **Executor**。 - **Azkaban Server**:负责接收...

Global site tag (gtag.js) - Google Analytics