如何高效排查日均调度量超两百万次的重复调度问题？

作者 | 余慧娟

责编 | 郭芮

系统自从改用Quartz做任务调度后，一日的调度量均在两百万次以上。随着调度量的增加，突然开始出现job重复调度的情况，且没有规律可循。网上也没有说得较为清楚的解决办法，于是我们开始调试Quartz源码，并最终找到了问题所在。

如果没有耐性看完源码解析，可以直接拉到文章最末，有直接简单的解决办法。本文中使用的Quartz版本为2.3.0，且使用JDBC模式存储Job。

准备

首先，因为本文是代码级别的分析文章，因而需要提前了解Quartz的用途和用法，网上有很多不错的文章，可以提前自行了解。

其次，在用法之外，我们还需要了解一些Quartz框架的基础概念：

Quartz把触发job叫做fire。TRIGGERSTATE是当前trigger的状态，PREVFIRE_TIME是上一次触发的时间，NEXTFIRETIME是下一次触发的时间，misfire是指这个job在某一时刻要触发、却因为某些原因没有触发的情况。

Quartz在运行时，会起两类线程（不止两类），一类用于调度job的调度线程（单线程），一类是用于执行job具体业务的工作池。

Quartz自带的表里面，本文将涉及其中3张表：

triggers表。triggers表里记录了某个trigger的PREVFIRETIME（上次触发时间），NEXT_FIRETIME（下一次触发时间），TRIGGERSTATE（当前状态）。虽未尽述，但是本文用到的只有这些。

locks表。Quartz支持分散式，也就是会存在多个线程同时抢占相同资源的情况，而Quartz正是依赖这张表处理这种状况，具体见下文。

fired_triggers表。记录正在触发的triggers信息。

TRIGGER_STATE，也就是trigger的状态，主要有以下几类：

图 1 trigger状态变化图

trigger的初始状态是WAITING，处于WAITING状态的trigger等待被触发。调度线程会不停地扫triggers表，根据NEXTFIRETIME提前拉取即将触发的trigger，如果这个trigger被该调度线程拉取到，它的状态就会变为ACQUIRED。因为是提前拉取trigger，并未到达trigger真正的触发时刻，所以调度线程会等到真正触发的时刻，再将trigger状态由ACQUIRED改为EXECUTING。如果这个trigger不再执行，就将状态改为COMPLETE，否则为WAITING，开始新的周期。如果这个周期中的任何环节抛出异常，trigger的状态会变成ERROR。如果手动暂停这个trigger，状态会变成PAUSED。

开始排查

分散式状态下的数据访问

前文提到，trigger的状态储存在数据库，Quartz支持分散式，所以如果起了多个Quartz服务，会有多个调度线程来抢夺触发同一个trigger。MySQL在默认情况下执行select 语句，是不上锁的，那么如果同时有1个以上的调度线程抢到同一个trigger，是否会导致这个trigger重复调度呢？我们来看看，Quartz是如何解决这个问题的。

首先，我们先来看下JobStoreSupport类的executeInNonManagedTXLock()方法：

图 2 executeInNonManagedTXLock方法的具体实现

这个方法的官方介绍：

也就是说，传入的callback方法在执行过程中携带了指定的锁，并开启了事务，注释也提到，lockName就是指定的锁的名字，如果lockName是空的，那么callback方法的执行不在锁的保护下，但依然在事务中。

这意味着，我们使用这个方法，不仅可以保证事务，还可以选择保证callback方法的线程安全。

接下来，我们来看一下executeInNonManagedTXLock（…）中的obtainLock(conn,lockName)方法，即抢锁的过程。这个方法是在Semaphore界面中定义的，Semaphore界面通过锁住线程或者资源，来保护资源不被其他线程修改，由于我们的调度信息是存在数据库的，所以现在查看DBSemaphore.java中obtainLock方法的具体实现：

图 3 obtainLock方法具体实现

我们通过调试查看expandedSQL和expandedInsertSQL这两个变数：

图 4 expandedSQL和expandedInsertSQL的具体内容

图4可以看出，obtainLock方法通过locks表的一个行锁（lockName确定）来保证callback方法的事务和线程安全。拿到锁后，obtainLock方法将lockName写入threadlocal。当然在releaseLock的时候，会将lockName从threadlocal中删除。

总而言之，executeInNonManagedTXLock()方法保证了在分散式的情况下，同一时刻只有一个线程可以执行这个方法。

Quartz的调度过程

图 5 Quartz的调度时序图

QuartzSchedulerThread是调度线程的具体实现，图5是这个线程run()方法的主要内容，图中只提到了正常的情况下，也就是流程中没有出现异常的情况下的处理过程。由图可以看出，调度流程主要分为以下三步：

1、拉取待触发trigger：

调度线程会一次性拉取距离现在一定时间窗口内的、一定数量内的、即将触发的trigger信息。那么，时间窗口和数量信息如何确定呢？我们先来看一下，以下几个参数：

idleWaitTime： 默认30s，可通过配置属性org.quartz.scheduler.idleWaitTime设置。

availThreadCount：获取可用（空闲）的工作线程数量，总会大于1，因为该方法会一直阻塞，直到有工作线程空闲下来。

maxBatchSize：一次拉取trigger的最大数量，默认是1，可通过org.quartz.scheduler.batchTriggerAcquisitionMaxCount改写。

batchTimeWindow：时间窗口调节参数，默认是0，可通过org.quartz.scheduler.batchTriggerAcquisitionFireAheadTimeWindow改写。

misfireThreshold： 超过这个时间还未触发的trigger，被认为发生了misfire，默认60s，可通过org.quartz.jobStore.misfireThreshold设置。

调度线程一次会拉取NEXT_FIRETIME小于（now + idleWaitTime +batchTimeWindow）,大于（now - misfireThreshold）的，min(availThreadCount,maxBatchSize)个triggers，默认情况下，会拉取未来30s、过去60s之间还未fire的1个trigger。随后将这些triggers的状态由WAITING改为ACQUIRED，并插入firedtriggers表。

2、触发trigger：

首先，我们会检查每个trigger的状态是不是ACQUIRED，如果是，则将状态改为EXECUTING，然后更新trigger的NEXTFIRETIME，如果这个trigger的NEXTFIRETIME为空，也就是未来不再触发，就将其状态改为COMPLETE。如果trigger不允许并发执行（即Job的实现类标注了@DisallowConcurrentExecution），则将状态变为BLOCKED，否则就将状态改为WAITING。

3、包装trigger，丢给工作线程池：

遍历triggers，如果其中某个trigger在第二步出错，即返回值里面有exception或者为null，就会做一些triggers表，fired_triggers表的内容修正，跳过这个trigger，继续检查下一个。否则，则根据trigger信息实例化JobRunShell（实现了Thread界面），同时依据JOB_CLASS_NAME实例化Job，随后我们将JobRunShell实例丢入工作线。

在JobRunShell的run()方法，Quartz会在执行job.execute()的前后通知之前绑定的监听器，如果job.execute()执行的过程中有异常抛出，则执行结果jobExEx会保存异常信息，反之如果没有异常抛出，则jobExEx为null。然后根据jobExEx的不同，得到不同的执行指令instCode。

JobRunShell将trigger信息，job信息和执行指令传给triggeredJobComplete()方法来完成最后的数据表更新操作。例如如果job执行过程有异常抛出，就将这个trigger状态变为ERROR，如果是BLOCKED状态，就将其变为WAITING等等，最后从fired_triggers表中删除这个已经执行完成的trigger。注意，这些是在工作线程池异步完成。

排查问题

在前文，我们可以看到，Quartz的调度过程中有3次（可选的）上锁行为，为什么称为可选？因为这三个步骤虽然在executeInNonManagedTXLock方法的保护下，但executeInNonManagedTXLock方法可以通过设置传入参数lockName为空，取消上锁。

在翻阅代码时，我们看到第一步拉取待触发的trigger时：

在加锁之前对lockName做了一次判断，而非像其他加锁方法一样，默认传入的就是LOCKTRIGGERACCESS：

通过调试发现isAcquireTriggersWithinLock()的值是false，因而导致传入的lockName是null。我在代码中加入日志，可以更清楚地看到这个过程。

图 6 调度日志

由图6可以清楚看到，在拉取待触发的trigger时，默认是不上锁。如果这种默认配置有问题，岂不是会频繁发生重复调度的问题？而事实上并没有，原因在于Quartz默认采取乐观锁，也就是允许多个线程同时拉取同一个trigger。我们看一下Quartz在调度流程的第二步fire trigger的时候做了什么，注意此时是上锁状态：

调度线程如果发现当前trigger的状态不是ACQUIRED，也就是说，这个trigger被其他线程fire了，就会返回null。在之前我们提到，在调度流程的第三步，如果发现某个trigger第二步的返回值是null，就会跳过第三步，取消fire。在通常的情况下，乐观锁能保证不发生重复调度，但是难免发生ABA问题，我们看一下这是发生重复调度时的日志：

图 7 重复调度的日志

在第一步时，也就是Quartz在拉取到符合条件的triggers 到将他们的状态由WAITING改为ACQUIRED之间停顿了有超过9ms的时间，而另一台服务器正是趁著这9ms的空档完成了WAITING-->ACQUIRED-->EXECUTING-->WAITING（也就是一个完整的状态变化周期）的全部过程，参见下图。

图 8 重复调度原因示意图

如何去解决这个问题呢？在配置文件加上org.quartz.jobStore.acquireTriggersWithinLock=true，这样，在调度流程的第一步，也就是拉取待即将触发的triggers时，是上锁的状态，即不会同时存在多个线程拉取到相同的trigger的情况，也就避免了重复调度的危险。

解决办法

如何去解决这个问题呢？在配置文件加上org.quartz.jobStore.acquireTriggersWithinLock=true，这样，在调度流程的第一步，也就是拉取待即将触发的triggers时，是上锁的状态，即不会同时存在多个线程拉取到相同的trigger的情况，也就避免的重复调度的危险。

心得

此次排查过程并非一帆风顺，走过一些坑，也有一些非技术相关的体会：

学习是一个需要不断打磨、修正的能力。就我个人而言，为了学Quartz，刚开始去翻一个2.4MB大小的源码时毫无头绪，且效率低下，所以立刻转换方向，先了解这个框架的运行模式，在做什么，有哪些模块，是怎么做的，再找主线，翻相关的源码。之后在一次次使用中，碰到问题再翻之前没看的源码，就越来越顺利。

之前也听过其他同事的学习方法，感觉并不完全适合自己，可能每个人状态经验不同，学习方法也稍有不同。在平时的学习中，需要去感受自己的学习效率，参考建议，尝试，感受效果，改进，会越来越清晰自己适合什么。这里很感谢我的师父，用简短的话先帮我捋顺了调度流程，这样我再看源码就不那么吃力了。

要质疑“经验”和“理所应当”，惯性思维会蒙住你的双眼。在大规模的代码中很容易被习惯迷惑，一开始，我们看到上锁的那个方法的时候，认为这个上锁技巧很棒，这个方法就是为了解决并发的问题，“应该”都上锁了，上锁了就不会有并发的问题了，怎么可能几次与数据库的交互都上锁，突然某一次不上锁呢？直到看到拉取待触发的trigger方法时，觉得有丝丝不对劲，打下日志，才发现实际上是没上锁的。

日志很重要。虽然我们可以调试，但是没有日志，我们是无法发现并证明程序发生了ABA问题。

最重要的是，不要害怕问题，即使是Quartz这样大型的框架，解决问题也不一定需要把2.4MB的源码通通读懂。只要有时间，问题都能解决，只是好的技巧能缩短这个时间，而我们需要在一次次实战中磨练技巧。

作者介绍：余慧娟，拍拍贷研发工程师，平时喜欢写一些帮助新手入门的文章，翻译一些外文，看到点赞会很开心，希望自己码字的速度越来越快。yuhuijuan.com是我的个人博客，欢迎关注。

声明：本文为作者投稿，版权归其个人所有。