传送门

分布式定时任务系列1：XXL-job安装

分布式定时任务系列2：XXL-job使用

分布式定时任务系列3：任务执行引擎设计

分布式定时任务系列4：任务执行引擎设计续

分布式定时任务系列5：XXL-job中blockingQueue的应用

分布式定时任务系列6：XXL-job触发日志过大引发的CPU告警

分布式定时任务系列7：XXL-job源码分析之任务触发

分布式定时任务系列8：XXL-job源码分析之远程调用

分布式定时任务系列9：XXL-job路由策略

分布式定时任务系列12：XXL-job的任务触发为什么是死循环？

分布式定时任务系列13：死循环是任务触发的银弹？

分布式定时任务系列14：XXL-job的注册模型

Java并发编程实战1：java中的阻塞队列

不忘初心

好几个月前就打算分析一下XXL-job路由策略的源码，所以有了XXL-job路由策略。不过当时偷懒，只从官网上把介绍贴出来了：

路由策略：当执行器集群部署时，提供丰富的路由策略，包括；

1. FIRST（第一个）：固定选择第一个机器；
2. LAST（最后一个）：固定选择最后一个机器；
3. ROUND（轮询）：；
4. RANDOM（随机）：随机选择在线的机器；
5. CONSISTENT_HASH（一致性HASH）：每个任务按照Hash算法固定选择某一台机器，且所有任务均匀散列在不同机器上。
6. LEAST_FREQUENTLY_USED（最不经常使用）：使用频率最低的机器优先被选举；
7. LEAST_RECENTLY_USED（最近最久未使用）：最久未使用的机器优先被选举；
8. FAILOVER（故障转移）：按照顺序依次进行心跳检测，第一个心跳检测成功的机器选定为目标执行器并发起调度；
9. BUSYOVER（忙碌转移）：按照顺序依次进行空闲检测，第一个空闲检测成功的机器选定为目标执行器并发起调度；
10. SHARDING_BROADCAST(分片广播)：广播触发对应集群中所有机器执行一次任务，同时系统自动传递分片参数；可根据分片参数开发分片任务；

再谈前置条件

一般提到路由，可能更多的是理解为对请求做转发时的路由匹配：比如nginx的Location路由，或者SpringCloud组件的Gateway网关上请求Predicate的URL路由匹配。

不过这里说的路由，其实指的在集群条件下对执行器进行的路由选择，是一种负载均衡策略。所以这里假设了一个场景就是，在分布式环境下，有多个执行器组成的集群。这里回顾一下xxl-rpc部署示意图：

• 这里指的路由策略是执行器集群部署
• 关于调度器集群部署不在此范围暂不讨论，
• 后面会单开一节具体讨论如何集群部署，达到高性能、高可用目的！

路由策略

这里继续引用XXL-job源码分析之任务触发里面关于代码执行的流程

可以看到路由策略的执行代码类路径在：com.xxl.job.admin.core.trigger.XxlJobTrigger ，方法路径在：com.xxl.job.admin.core.trigger.XxlJobTrigger#processTrigger：

executorRouteStrategyEnum.getRouter().route(triggerParam, group.getRegistryList());

策略定义

XXL-job定义了策略枚举：

public enum ExecutorRouteStrategyEnum { /** FIRST（第一个）：固定选择第一个机器； */ FIRST(I18nUtil.getString("jobconf_route_first"), new ExecutorRouteFirst()), /** （最后一个）：固定选择最后一个机器； */ LAST(I18nUtil.getString("jobconf_route_last"), new ExecutorRouteLast()), /** （轮询）：； */ ROUND(I18nUtil.getString("jobconf_route_round"), new ExecutorRouteRound()), /** （随机）：随机选择在线的机器； */ RANDOM(I18nUtil.getString("jobconf_route_random"), new ExecutorRouteRandom()), /** （一致性HASH）：每个任务按照Hash算法固定选择某一台机器，且所有任务均匀散列在不同机器上。 */ CONSISTENT_HASH(I18nUtil.getString("jobconf_route_consistenthash"), new ExecutorRouteConsistentHash()), /** （最不经常使用）：使用频率最低的机器优先被选举； */ LEAST_FREQUENTLY_USED(I18nUtil.getString("jobconf_route_lfu"), new ExecutorRouteLFU()), /** （最近最久未使用）：最久未使用的机器优先被选举； */ LEAST_RECENTLY_USED(I18nUtil.getString("jobconf_route_lru"), new ExecutorRouteLRU()), /** （故障转移）：按照顺序依次进行心跳检测，第一个心跳检测成功的机器选定为目标执行器并发起调度； */ FAILOVER(I18nUtil.getString("jobconf_route_failover"), new ExecutorRouteFailover()), /** （忙碌转移）：按照顺序依次进行空闲检测，第一个空闲检测成功的机器选定为目标执行器并发起调度； */ BUSYOVER(I18nUtil.getString("jobconf_route_busyover"), new ExecutorRouteBusyover()), /** (分片广播)：广播触发对应集群中所有机器执行一次任务，同时系统自动传递分片参数；可根据分片参数开发分片任务； */ SHARDING_BROADCAST(I18nUtil.getString("jobconf_route_shard"), null); ExecutorRouteStrategyEnum(String title, ExecutorRouter router) { this.title = title; this.router = router; } private String title; private ExecutorRouter router; public String getTitle() { return title; } public ExecutorRouter getRouter() { return router; } public static ExecutorRouteStrategyEnum match(String name, ExecutorRouteStrategyEnum defaultItem){ if (name != null) { for (ExecutorRouteStrategyEnum item: ExecutorRouteStrategyEnum.values()) { if (item.name().equals(name)) { return item; } } } return defaultItem; } }

其中枚举里面有一个属性router，真正的路由策略实现都在这个接口：com.xxl.job.admin.core.route.ExecutorRouter。

路由接口

看一看路由接口定义代码：

public abstract class ExecutorRouter { protected static Logger logger = LoggerFactory.getLogger(ExecutorRouter.class); /** * route address * * @param addressList * @return ReturnT.content=address */ public abstract ReturnT<String> route(TriggerParam triggerParam, List<String> addressList); }

而上面的各种策略都实现了这个接口：

这种是典型的策略模式应用，这里也可以看出好的代码通过设计模式可以很方便的做到扩展！

路由策略详解

对于这些路由策略实现，从简单到复杂一个个的来解析。

FIRST（第一个）

此策略的定义是：固定选择第一个机器！意思就是不论执行器有多少个，始终选择执行器列表的第一个进行任务执行。

这个策略的实现也相当简单：

public class ExecutorRouteFirst extends ExecutorRouter { @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList){ return new ReturnT<String>(addressList.get(0)); } }

这个代码里面就是固定从addressList里面get第一个执行器

LAST（最后一个）

此策略的定义是：固定选择最后一个机器！意思就是不论执行器有多少个，始终选择执行器列表的最后一个进行任务执行。

这个策略的实现也相当简单：

public class ExecutorRouteLast extends ExecutorRouter { @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { return new ReturnT<String>(addressList.get(addressList.size()-1)); } }

这个代码里面就是固定从addressList里面get最后一个个执行器

ROUND（轮询）

此策略的定义是：意思就是不论执行器有多少个，从执行器列表逐个选择进行任务执行。

这个策略的实现如下：

public class ExecutorRouteRound extends ExecutorRouter { private static ConcurrentMap<Integer, AtomicInteger> routeCountEachJob = new ConcurrentHashMap<>(); private static long CACHE_VALID_TIME = 0; private static int count(int jobId) { // cache clear if (System.currentTimeMillis() > CACHE_VALID_TIME) { routeCountEachJob.clear(); CACHE_VALID_TIME = System.currentTimeMillis() + 1000*60*60*24; } AtomicInteger count = routeCountEachJob.get(jobId); if (count == null || count.get() > 1000000) { // 初始化时主动Random一次，缓解首次压力 count = new AtomicInteger(new Random().nextInt(100)); } else { // count++ count.addAndGet(1); } routeCountEachJob.put(jobId, count); return count.get(); } @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { String address = addressList.get(count(triggerParam.getJobId())%addressList.size()); return new ReturnT<String>(address); } }

这个代码稍微复杂一点，为了实现轮询的效果在内存中声明了一个Map来来进行计数，其中的key为任务jobId，value为每个任务的调用次数：

• 声明一个Map类型字段routeCountEachJob来进行每个任务的调用次数计数，其中为ConcurrentMap、AtomicInteger类型的原因是防止并发
• count(int jobId)方法的作用对当前触发的任务进行计数，这里AtomicInteger原子类对每次执行后就+1
• 每24小时后重新开始计数
• 然后根据当前任务（jobId）的调用次数从addressList里面选择执行器：即count % 执行器个数

这样文字可能理解起来还是不太直接，其实就是类似如下的示例：

RANDOM（随机）

此策略的定义是：意思就是不论执行器有多少个，从执行器列表随机选择在线的机器。

这个策略的实现也比较直观：

public class ExecutorRouteRandom extends ExecutorRouter { private static Random localRandom = new Random(); @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { String address = addressList.get(localRandom.nextInt(addressList.size())); return new ReturnT<String>(address); } }

这个代码里面就是随机从addressList里面get一个执行器：

localRandom.nextInt(addressList.size())

LEAST_FREQUENTLY_USED（最不经常使用）

此策略的定义是：意思就是不论执行器有多少个，使用频率最低的机器优先被选择出来进行任务执行。

这个策略的实现如下：

public class ExecutorRouteLFU extends ExecutorRouter { // 任务调用计算器,其中key为jobId-任务ID，value为HashMap：记录每个实例的调用次数 private static ConcurrentMap<Integer, HashMap<String, Integer>> jobLfuMap = new ConcurrentHashMap<Integer, HashMap<String, Integer>>(); private static long CACHE_VALID_TIME = 0; public String route(int jobId, List<String> addressList) { // 缓存1天（24小时），然后重新计数 // cache clear if (System.currentTimeMillis() > CACHE_VALID_TIME) { jobLfuMap.clear(); CACHE_VALID_TIME = System.currentTimeMillis() + 1000*60*60*24; } // 初始化 // lfu item init HashMap<String, Integer> lfuItemMap = jobLfuMap.get(jobId); // Key排序可以用TreeMap+构造入参Compare；Value排序暂时只能通过ArrayList； if (lfuItemMap == null) { lfuItemMap = new HashMap<String, Integer>(); jobLfuMap.putIfAbsent(jobId, lfuItemMap); // 避免重复覆盖 } // put new for (String address: addressList) { if (!lfuItemMap.containsKey(address) || lfuItemMap.get(address) >1000000 ) { lfuItemMap.put(address, new Random().nextInt(addressList.size())); // 初始化时主动Random一次，缓解首次压力 } } // 这里有一个删除动作，其实是因为实例可能动态上下线，对于下线的节点需要排除 // remove old List<String> delKeys = new ArrayList<>(); for (String existKey: lfuItemMap.keySet()) { if (!addressList.contains(existKey)) { delKeys.add(existKey); } } // 移除下线节点，尽量防止调度到下线的节点上导致失败 if (delKeys.size() > 0) { for (String delKey: delKeys) { lfuItemMap.remove(delKey); } } // 进行调用次数排序 // load least userd count address List<Map.Entry<String, Integer>> lfuItemList = new ArrayList<Map.Entry<String, Integer>>(lfuItemMap.entrySet()); Collections.sort(lfuItemList, new Comparator<Map.Entry<String, Integer>>() { @Override public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) { return o1.getValue().compareTo(o2.getValue()); } }); // 调用次数+1 Map.Entry<String, Integer> addressItem = lfuItemList.get(0); String minAddress = addressItem.getKey(); addressItem.setValue(addressItem.getValue() + 1); return addressItem.getKey(); } @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { String address = route(triggerParam.getJobId(), addressList); return new ReturnT<String>(address); } }

这个代码比较复杂一点， 不过如果对比缓存的淘汰策略的话，这个其实就是所谓的"LFU"：

LFU（The Least Frequently Used）最近不多使用算法，与LRU的区别在于LRU是以时间衡量，LFU是以时间段内的次数

• 算法：若是一个数据在必定时间内被访问的次数很低，那么被认为在将来被访问的几率也是最低的，当规定空间用尽且需要放入新数据的时候，会优先淘汰时间段内访问次数最低的数据。

• 优势：LFU也能够有效的保护缓存，相对场景来说，比LRU有更好的缓存命中率。由于是以次数为基准，因此更加准确，天然能有效的保证和提升命中率。

• 缺点：由于LFU须要记录数据的访问频率，所以需要额外的空间；当访问模式改变的时候，算法命中率会急剧降低，这也是他最大弊端

所以这个策略里面为了实现LFU的效果在内存中声明了一个Map来来进行计数，其中的key为任务jobId，value为每个任务的调用次数：

• 声明一个Map类型字段jobLfuMap来进行每个任务的调用次数计数，其中为ConcurrentMap原因是防止并发
• jobLfuMap的value是一个HashMap<String, String>：其中key为任务的实例地址address，value为调用次数。这样设计的目的是为了通过这样的数据结构来达到，记录每一个任务jobId在每一个实例上的调用次数！与ROUND的区别是：ROUND记录的每个任务jobId的所有调用数次，LFU多了一个维度
• 通过上面的这种数据结构，最终可以对每个实例的调用次数进行排序：所以要依赖一个ArrayList来排序，最终选取调用次数最少的实例来作为任务执行目标机器！

LEAST_RECENTLY_USED（最近最久未使用）

此策略的定义是：意思就是不论执行器有多少个，最久未使用的机器优先被选举。

这个策略的实现如下：

public class ExecutorRouteLRU extends ExecutorRouter { private static ConcurrentMap<Integer, LinkedHashMap<String, String>> jobLRUMap = new ConcurrentHashMap<Integer, LinkedHashMap<String, String>>(); private static long CACHE_VALID_TIME = 0; public String route(int jobId, List<String> addressList) { // 缓存1天（24小时），然后重新计数 // cache clear if (System.currentTimeMillis() > CACHE_VALID_TIME) { jobLRUMap.clear(); CACHE_VALID_TIME = System.currentTimeMillis() + 1000*60*60*24; } // init lru LinkedHashMap<String, String> lruItem = jobLRUMap.get(jobId); if (lruItem == null) { /** * LinkedHashMap * a、accessOrder：true=访问顺序排序（get/put时排序）；false=插入顺序排期； * b、removeEldestEntry：新增元素时将会调用，返回true时会删除最老元素；可封装LinkedHashMap并重写该方法，比如定义最大容量，超出是返回true即可实现固定长度的LRU算法； */ lruItem = new LinkedHashMap<String, String>(16, 0.75f, true); jobLRUMap.putIfAbsent(jobId, lruItem); } // 新加入的节点处理：添加到lru中进行统计 // put new for (String address: addressList) { if (!lruItem.containsKey(address)) { lruItem.put(address, address); } } // 这里有一个删除动作，其实是因为实例可能动态上下线，对于下线的节点需要排除 // remove old List<String> delKeys = new ArrayList<>(); for (String existKey: lruItem.keySet()) { if (!addressList.contains(existKey)) { delKeys.add(existKey); } } if (delKeys.size() > 0) { for (String delKey: delKeys) { lruItem.remove(delKey); } } // 排序最后一个节点 // load String eldestKey = lruItem.entrySet().iterator().next().getKey(); String eldestValue = lruItem.get(eldestKey); return eldestValue; } @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { String address = route(triggerParam.getJobId(), addressList); return new ReturnT<String>(address); } }

这个代码比较复杂一点， 不过如果对比缓存的淘汰策略的话，这个其实就是所谓的"LRU"：

LRU（The Least Recently Used）最近最久未使用算法。相比于FIFO算法智能些。

• 算法：若是一个数据最近不多被访问到，那么被认为在将来被访问的几率也是最低的，当规定空间用尽且需要放入新数据的时候，会优先淘汰最久未被访问的数据。

• 优势：LRU能够有效的对访问比较频繁的数据进行保护，也就是针对热点数据的命中率提升有明显的效果。

缺点：对于周期性、偶发性的访问数据，有大几率可能形成缓存污染，也就是置换出去了热点数据，把这些偶发性数据留下了，从而致使LRU的数据命中率急剧降低。

所以这个策略里面为了实现LFU的效果在内存中声明了一个Map来来进行计数，其中的key为任务jobId，value为每个任务的调用次数：

• 声明一个Map类型字段jobLRUMap来进行每个任务的调用次数计数，其中为ConcurrentMap原因是防止并发
• jobLRUMap的value是一个LinkedHashMap<String, String>：其中key为任务的实例地址address，value为address。这里比较巧妙的是直接利用了LinkedHashMap的排序能力

/** * Constructs an empty <tt>LinkedHashMap</tt> instance with the * specified initial capacity, load factor and ordering mode. * * @param initialCapacity the initial capacity * @param loadFactor the load factor * @param accessOrder the ordering mode - <tt>true</tt> for * access-order, <tt>false</tt> for insertion-order * @throws IllegalArgumentException if the initial capacity is negative * or the load factor is nonpositive */ public LinkedHashMap(int initialCapacity, float loadFactor, boolean accessOrder) { super(initialCapacity, loadFactor); this.accessOrder = accessOrder; }

LinkedHashMap的排序模式

a、accessOrder：true=访问顺序排序（get/put时排序）；false=插入顺序排期；

LinkedHashMap中'accessOrder‘字段的用途是什么？

LinkedHashMap是Java中的一个类，它是HashMap的一个子类，具有HashMap的所有特性，并且还保持了插入顺序或访问顺序的特性。

'accessOrder'字段是LinkedHashMap类中的一个布尔类型的属性，用于指定迭代顺序是否基于访问顺序。当accessOrder为true时，表示迭代顺序将基于最近访问顺序，即最近访问的元素将排在迭代顺序的末尾；当accessOrder为false时，表示迭代顺序将基于插入顺序，即元素将按照插入的顺序进行迭代。

使用accessOrder字段可以方便地实现LRU（Least Recently Used，最近最少使用）缓存淘汰算法。通过将accessOrder设置为true，当访问某个元素时，该元素会被移到链表的末尾，这样在需要淘汰元素时，只需要移除链表头部的元素即可。

LinkedHashMap的应用场景包括但不限于：

1. 缓存系统：通过设置accessOrder为true，可以实现基于访问顺序的缓存淘汰策略。
2. LRU缓存：通过继承LinkedHashMap并重写removeEldestEntry方法，可以实现固定大小的LRU缓存。
3. 记录访问顺序：当需要按照访问顺序记录某些数据时，可以使用LinkedHashMap。

FAILOVER（故障转移）

此策略的定义是：按照顺序依次进行心跳检测，第一个心跳检测成功的机器选定为目标执行器并发起调度。

这个策略的实现如下：

public class ExecutorRouteFailover extends ExecutorRouter { @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { StringBuffer beatResultSB = new StringBuffer(); for (String address : addressList) { // beat ReturnT<String> beatResult = null; try { ExecutorBiz executorBiz = XxlJobScheduler.getExecutorBiz(address); beatResult = executorBiz.beat(); } catch (Exception e) { logger.error(e.getMessage(), e); beatResult = new ReturnT<String>(ReturnT.FAIL_CODE, ""+e ); } beatResultSB.append( (beatResultSB.length()>0)?"<br><br>":"") .append(I18nUtil.getString("jobconf_beat") + "：") .append("<br>address：").append(address) .append("<br>code：").append(beatResult.getCode()) .append("<br>msg：").append(beatResult.getMsg()); // beat success if (beatResult.getCode() == ReturnT.SUCCESS_CODE) { beatResult.setMsg(beatResultSB.toString()); beatResult.setContent(address); return beatResult; } } return new ReturnT<String>(ReturnT.FAIL_CODE, beatResultSB.toString()); } }

这个策略的实现也比较直观，根据注册的实例列表依次发起心跳检测，如果成功，则选取为执行节点！代码并不复杂，不过可能对FAILOVER（故障转移）这个术语所震撼，觉得很高大上。

对于FAILOVER这种故障处理策略来说，不同的框架或者场景实现不同，难易程度也不同，而且也不是所有的系统/接口适合故障转移。比如对一个有超时机制的微服务架构来说：

如果链路比较多，一个业务请求需要经过A->B->C3个服务，每个服务有2个节点。假设在A服务调用B的时候，存在网络问题，A的实例A1失败，这里转移到A2成功；A->B的时候，B1失败，B2成功；同理B->C，C1失败，C2成功，虽然最终请求成功，但是整体耗时会增大一倍，早已经进过了网关（整体）响应时长导致timeout了，所以有些场景的FAILOVER并不一定是有益甚至有害的（重试也增加了服务调用次数，服务的压力）。关于这一块会后面单独开一节服务故障模式的讨论

BUSYOVER（忙碌转移）

此策略的定义是：按照顺序依次进行空闲检测，第一个空闲检测成功的机器选定为目标执行器并发起调度。

这个策略的实现如下：

public class ExecutorRouteBusyover extends ExecutorRouter { @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { StringBuffer idleBeatResultSB = new StringBuffer(); for (String address : addressList) { // beat ReturnT<String> idleBeatResult = null; try { ExecutorBiz executorBiz = XxlJobScheduler.getExecutorBiz(address); idleBeatResult = executorBiz.idleBeat(new IdleBeatParam(triggerParam.getJobId())); } catch (Exception e) { logger.error(e.getMessage(), e); idleBeatResult = new ReturnT<String>(ReturnT.FAIL_CODE, ""+e ); } idleBeatResultSB.append( (idleBeatResultSB.length()>0)?"<br><br>":"") .append(I18nUtil.getString("jobconf_idleBeat") + "：") .append("<br>address：").append(address) .append("<br>code：").append(idleBeatResult.getCode()) .append("<br>msg：").append(idleBeatResult.getMsg()); // beat success if (idleBeatResult.getCode() == ReturnT.SUCCESS_CODE) { idleBeatResult.setMsg(idleBeatResultSB.toString()); idleBeatResult.setContent(address); return idleBeatResult; } } return new ReturnT<String>(ReturnT.FAIL_CODE, idleBeatResultSB.toString()); } }

这个策略的实现也比较直观，根据注册的实例列表依次发起空闲检测，如果成功，则选取为执行节点！代码并不复杂，不过可能需要联合起前面XXL-rpc的章节来配合理解

CONSISTENT_HASH（一致性HASH）

此策略的定义是：每个任务按照Hash算法固定选择某一台机器，且所有任务均匀散列在不同机器上。

这个策略的实现如下：

/** * 分组下机器地址相同，不同JOB均匀散列在不同机器上，保证分组下机器分配JOB平均；且每个JOB固定调度其中一台机器； * a、virtual node：解决不均衡问题 * b、hash method replace hashCode：String的hashCode可能重复，需要进一步扩大hashCode的取值范围 * Created by xuxueli on 17/3/10. */ public class ExecutorRouteConsistentHash extends ExecutorRouter { private static int VIRTUAL_NODE_NUM = 100; /** * get hash code on 2^32 ring (md5散列的方式计算hash值) * @param key * @return */ private static long hash(String key) { // md5 byte MessageDigest md5; try { md5 = MessageDigest.getInstance("MD5"); } catch (NoSuchAlgorithmException e) { throw new RuntimeException("MD5 not supported", e); } md5.reset(); byte[] keyBytes = null; try { keyBytes = key.getBytes("UTF-8"); } catch (UnsupportedEncodingException e) { throw new RuntimeException("Unknown string :" + key, e); } md5.update(keyBytes); byte[] digest = md5.digest(); // hash code, Truncate to 32-bits long hashCode = ((long) (digest[3] & 0xFF) << 24) | ((long) (digest[2] & 0xFF) << 16) | ((long) (digest[1] & 0xFF) << 8) | (digest[0] & 0xFF); long truncateHashCode = hashCode & 0xffffffffL; return truncateHashCode; } public String hashJob(int jobId, List<String> addressList) { // ------A1------A2-------A3------ // -----------J1------------------ TreeMap<Long, String> addressRing = new TreeMap<Long, String>(); for (String address: addressList) { for (int i = 0; i < VIRTUAL_NODE_NUM; i++) { long addressHash = hash("SHARD-" + address + "-NODE-" + i); addressRing.put(addressHash, address); } } long jobHash = hash(String.valueOf(jobId)); SortedMap<Long, String> lastRing = addressRing.tailMap(jobHash); if (!lastRing.isEmpty()) { return lastRing.get(lastRing.firstKey()); } return addressRing.firstEntry().getValue(); } @Override public ReturnT<String> route(TriggerParam triggerParam, List<String> addressList) { String address = hashJob(triggerParam.getJobId(), addressList); return new ReturnT<String>(address); } }

这个策略的实现也比较直观，这里就不展开讨论了，有兴趣的可以在评论区晒出理解分享给大家！

路由策略的选择

上面介绍了各种路由策略的实现，关于这里面的路由策略的选择就不过多讨论了，建议默认情况采用下轮询！

各种路由策略比较