分布式任务调度系统之任务编排及工作流实现原理与 Golang 实践

I.内容提要

定时调度系统（定时任务、定时执行）算是工作中经常依赖的中间件系统，简单使用操作系统的 crontab，或基于 Quartz，xxl-job 来搭建任务调度平台，行业有很多优秀的开源产品和中间件。 了解其工作和设计原理，有助于我们完善或定制一套适合公司业务场景的任务调度中间件，之前写了两篇文章介绍了调度负载均衡和定时延时任务的内容，可以参考。

• 分布式调度分发负载均衡及服务保持

• 分布式调度延时任务实现原理

今天我们探讨另一话题，对调度任务的 依赖关系及编排 展开分析，实现一套 工作流 ，来满足任务间的复杂依赖的场景。本章内容提要：

• 任务调度依赖 & 工作流

• 图相关知识

• golang 并发相关
  

II.任务调度依赖

什么是任务依赖？ 比如 “ 任务 a ” 执行的前提是 “ 任务 b ” 先执行完成，“ 任务b ” 又依赖于 “ 任务 c ” 先执行，那么就形成如下依赖关系。

这个还比较简单，如果复杂点的如下图所示，形成一个工作流，Azkaban 大数据调度器就实现了工作流模式调度依赖，这是一个典型的图应用案例。

III.图数据结构

提到图数据结构，大部分人既熟悉又陌生，因为大学基本都学过，但一般工作场景都不会用到，这里就先简单回顾一下图相关的知识。

图 graph ，图中的元素称为 顶点 vertex 。图中任一顶点可以与其他顶点建立连线关系，叫做 边 edge 。

上面图叫 “ 无向图 ”，如果边有 “方向” ，那么就是 “ 有向图 ” 了。

无向图中，顶点有几条边就叫几 度 ；有向图中，顶点有 入度 ，表示有多少边指向此顶点，顶点的 出度 表示该顶点有多少边指向 “ 远方 ” 。

上图中 a 指向 b，b 指向 d，d 又指向 a， a、b、d 之间形成一个环，如果将顶点比作调度的任务，那么任务 a 完成必须依赖任务 b，任务 b 又依赖任务 d，任务 d 又依赖任务 a，那么最终肯定无法完成，因此调度问题使用的是 有向无环图 （DAG） ，比如我们最早那张图。

对于无向图来说，邻接矩阵沿着红色对角线两边是对称的，如果图的顶点连线比较少，这种叫 稀疏图 ，将存储大量的 0 ，浪费存储空间，这时候可以选择使用邻接表表示，相对稀疏图的叫 稠密图 ，使用邻接矩阵可以更好地查询连通性，其原理也是 用空间换时间 。下图为使用邻接表表示的无向图和有向图。

最后说下图的遍历，和遍历树一样分为 广度优先 BFS 和 深度优先 DFS ，但图如果存在成环的情况，访问的节点要做记录，同时可用辅助队列存放待访问的邻接节点。

拓扑排序 ，对有向无环图的顶点进行遍历，将所有顶点形成一个线性序列，可以用数组（切片）或链表存储，如下图。

IV.golang 代码实现

回顾了图的相关知识，那么回到最开始的任务依赖工作流中，将每个任务看成图的顶点，任务 a 依赖 任务 b，使用一条有向线从 a 指向 b，最后将所有任务顶点连线形成一个图，这个图是一个有向无环图 DAG，对 DAG 进行拓扑排序，形成一个任务执行链表，反向执行即可解决依赖问题。

首先定义一个图结构体，这里使用邻接矩阵方式存储，图的顶点结构体存储 Key 和 Value 代表任务的相关执行信息。

//图结构
type DAG struct {
    Vertexs []*Vertex
}
//顶点
type Vertex struct {
    Key      string
    Value    interface{}
    Parents  []*Vertex
    Children []*Vertex
}

为图添加顶点和添加边，这里是有向图，from 代表边的起始顶点， to 代表边的终止顶点。

//添加顶点
func (dag *DAG) AddVertex(v *Vertex) {
    dag.Vertexs = append(dag.Vertexs, v)
}
//添加边
func (dag *DAG) AddEdge(from, to *Vertex) {
    from.Children = append(from.Children, to) 
    to.Parents = append(to.Parents, from)
}

建立 a - i 所有顶点，再对每个顶点 连线 。

var dag = &DAG{}
//添加顶点
va := &Vertex{Key: "a", Value: "1"}
vb := &Vertex{Key: "b", Value: "2"}
vc := &Vertex{Key: "c", Value: "3"}
vd := &Vertex{Key: "d", Value: "4"}
ve := &Vertex{Key: "e", Value: "5"}
vf := &Vertex{Key: "f", Value: "6"}
vg := &Vertex{Key: "g", Value: "7"}
vh := &Vertex{Key: "h", Value: "8"}
vi := &Vertex{Key: "i", Value: "9"}
//添加边
dag.AddEdge(va, vb)
dag.AddEdge(va, vc)
dag.AddEdge(va, vd)
dag.AddEdge(vb, ve)
dag.AddEdge(vb, vh)
dag.AddEdge(vb, vf)
dag.AddEdge(vc, vf)
dag.AddEdge(vc, vg)
dag.AddEdge(vd, vg)
dag.AddEdge(vh, vi)
dag.AddEdge(ve, vi)
dag.AddEdge(vf, vi)
dag.AddEdge(vg, vi)

对该图进行广度优先遍历，通过引入队列来减少时间复杂度，遍历后生成一个包含所有顶点的 slice 。

注意 slice 加入顺序，因为执行要从 i 到 a 的顺序，所以将每次遍历后的元素放到 slice 第一个位置。

func BFS(root *Vertex) []*Vertex {
    q := queue.New()
    q.Add(root)
    visited := make(map[string]*Vertex)
    all := make([]*Vertex, 0)
    for q.Length() > 0 {
        qSize := q.Length()
        for i := 0; i < qSize; i++ {
            //pop vertex
            currVert := q.Remove().(*Vertex)
            if _, ok := visited[currVert.Key]; ok {
                continue
            }
            visited[currVert.Key] = currVert
            all = append([]*Vertex{currVert}, all...)
            for _, val := range currVert.Children {
                if _, ok := visited[val.Key]; !ok {
                    q.Add(val) //add child
                }
            }
        }
    }
    return all
}

最后就是对所有任务进行执行，这里假定每个任务执行需要 5 秒，然后输出执行结果。

func doTasks(vertexs []*Vertex) {
    for _, v := range vertexs {
        time.Sleep(5 * time.Second)
        fmt.Printf("do %v, result is %v \n", v.Key, v.Value)
    }
}

通过执行测试用例，可以看到执行按上述生成的 slice 顺序，从左向右逐个执行，满足任务依赖关系。

但这里有个问题就是执行时间过长，因为每一个都是串行执行，9 个任务要执行 45 秒。那么并行不就解决了？但任务有依赖关系又如何并行呢？

通过这个图即可一目了然明白了， 分层执行 ，上层任务依赖下层，但每一层的任务相互独立可以并发执行。

首先在 BFS 遍历生成顶点的时候，需要生成双层切片：

[0] [] { i }

[1] [] { h, e, f, g }

[2] [] { b, c, d }

[3] [] { a }

func BFSNew(root *Vertex) [][]*Vertex {
    q := queue.New()
    q.Add(root)
    visited := make(map[string]*Vertex)
    all := make([][]*Vertex, 0)
    for q.Length() > 0 { 
        qSize := q.Length()
        tmp := make([]*Vertex, 0)
        for i := 0; i < qSize; i++ {
            //pop vertex
            currVert := q.Remove().(*Vertex)
            if _, ok := visited[currVert.Key]; ok {
                continue
            }   
            visited[currVert.Key] = currVert
            tmp = append(tmp, currVert)
            for _, val := range currVert.Children {
                if _, ok := visited[val.Key]; !ok {
                    q.Add(val) //add child
                }   
            }   
        }   
        all = append([][]*Vertex{tmp}, all...)
    }   
    return all 
}

同时执行时候按每一层并发执行。这里通过 sync.WaitGroup 保障并发同步等待 。

for _, layer := range all {
        fmt.Println("------------------")
        doTasksNew(layer)
}
//并发执行
func doTasksNew(vertexs []*Vertex) {
    var wg sync.WaitGroup
    for _, v := range vertexs {
        wg.Add(1)
        go func(v *Vertex) {
            defer wg.Done()
            time.Sleep(5 * time.Second)
            fmt.Printf("do %v, result is %v \n", v.Key, v.Value)
        }(v) //notice
    }
    wg.Wait()
}

上述代码注意，遍 历变量被并发调度必须进行 绑定 ，如果按下面这样写将会有问题。

for _, v := range vertexs {

go func() {

//...

fmt.Printf(v)

}()

}

这是因为 for k, v := rang xx  语句中，每次循环变量 k 和 v 是重新赋值，并非生成新的变量，如果循环中启动协程并引用变量 k 和 v 很可能在循环结束时才开启协程执行，这时所有协程中的变量 k 和 v 都是同一个变量，输出内容也会完全相同。所以这里将 v 加入函数参数中，因为 go 函数都是值传递，会重新绑定到新的变量中。

通过并发改造后，执行时间只有 20 秒了，大大提高了任务执行的效率。

通过本章内容，我们实现了任务调度的工作流模式， 文章相关代码请关注公众号   技术岁月   ，发送关键字 任务编排   获取，欢迎大家点赞、分享、转发。