Redis实现延时处理的方法实例

开发中，往往会遇到一些关于延时任务的需求。例如

•生成订单30分钟未支付，则自动取消

•生成订单60秒后,给用户发短信

对上述的任务，我们给一个专业的名字来形容，那就是延时任务。

最近需要做一个延时处理的功能，主要是从kafka中消费消息后根据消息中的某个延时字段来进行延时处理，在实际的实现过程中有一些需要注意的地方，记录如下。

实现过程

说到java中的定时功能，首先想到的Timer和ScheduledThreadPoolExecutor，但是相比之下Timer可以排除，主要原因有以下几点：

• Timer使用的是绝对时间，系统时间的改变会对Timer产生一定的影响；而ScheduledThreadPoolExecutor使用的是相对时间，所以不会有这个问题。
• Timer使用单线程来处理任务，长时间运行的任务会导致其他任务的延时处理，而ScheduledThreadPoolExecutor可以自定义线程数量。
• Timer没有对运行时异常进行处理，一旦某个任务触发运行时异常，会导致整个Timer崩溃，而ScheduledThreadPoolExecutor对运行时异常做了捕获（可以在 afterExecute() 回调方法中进行处理），所以更加安全。

1、ScheduledThreadPoolExecutor决定了用ScheduledThreadPoolExecutor来进行实现，接下来就是代码编写啦(大体流程代码)。

主要的延时实现如下：

ScheduledExecutorService executorService = new ScheduledThreadPoolExecutor(10, new NamedThreadFactory("scheduleThreadPool"), new 
ThreadPoolExecutor.AbortPolicy());
//从消息中取出延迟时间及相关信息的代码略
int delayTime = 0;
executorService.scheduleWithFixedDelay(new Runnable() {
  @Override
  public void run() {
   //具体操作逻辑
  }},0,delayTime, TimeUnit.SECONDS);

其中NamedThreadFactory是我自定义的一个线程工厂，主要给线程池定义名称及相关日志打印便于后续的问题分析，这里就不多做介绍了。拒绝策略也是采用默认的拒绝策略。

然后测试了一下，满足目标需求的功能，可以做到延迟指定时间后执行，至此似乎功能就被完成了。

大家可能疑问，这也太简单了有什么好说的，但是这种方式实现简单是简单但是存在一个潜在的问题，问题在哪呢，让我们看一下ScheduledThreadPoolExecutor的源码：

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

ScheduledThreadPoolExecutor由于它自身的延时和周期的特性，默认使用了DelayWorkQueue，而并不像我们平时使用的SingleThreadExecutor等构造是可以使用自己定义的LinkedBlockingQueue并且设置队列大小，问题就出在这里。

DelayWrokQueue是一个无界队列，而我们的目标数据源是kafka，也就是一个高并发高吞吐的消息队列，很大可能在某一时间段有大量的消息过来从而导致OOM，在使用多线程时我们是肯定要考虑到OOM的可能性的，因为OOM带来的后果往往比较严重，系统OOM临时的解决办法一般只能是重启，可能会导致用户数据丢失等不可能挽回的问题，所以从编码设计阶段要采用尽可能稳妥的手段来避免这些问题。

2、采用redis和线程结合

这一次换了思路，采用redis来帮助我们做缓冲，从而避免消息过多OOM的问题。

相关redis zset api：

//添加元素
ZADD key score member [[score member] [score member] …]
//根据分值及限制数量查询
ZRANGEBYSCORE key min max [WITHSCORES] [LIMIT offset count]
//从zset中删除指定成员
ZREM key member [member …]

我们采用redis基础数据结构的zset结构，采用score来存储我们目标发送时间的数值，整体处理流程如下：

• 第一步数据存储：9:10分从kafka接收了一条a的订单消息，要求30分钟后进行发货通知，那我们就将当前时间加上30分钟然后转为时间戳作为a的score，key为a的订单号存入redis中。代码如下：

public void onMessage(String topic, String message) {
  String orderId;
		int delayTime = 0;
  try {
   Map msgMap = gson.fromJson(message, new TypeToken() {
   }.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();
    //计算出预计发送时间
    calendar.add(Calendar.MINUTE, delayTime);
    long sendTime = calendar.getTimeInMillis();
    RedisUtils.getInstance().zetAdd(Constant.DELAY, sendTime, orderId);
    LOGGER.info("orderId:{}---放入redis中等待发送---sendTime：{}", ---orderId:{}, sendTime);
   }
  } catch (Exception e) {
   LOGGER.info("onMessage 延时发送异常:{}", e);
  }
 }

• 第二步数据处理：另起一个线程具体调度时间根据业务需求来定，我这里3分钟执行一次，内部逻辑：从redis中取出一定量的zset数据，如何取呢，使用zset的zrangeByScore方法，根据数据的score进行排序，当然可以带上时间段，这里从0到现在，来进行消费，需要注意的一点是，在取出数据后我们需要用zrem方法将取出的数据从zset中删除，防止其他线程重复消费数据。在此之后进行接下来的发货通知等相关逻辑。代码如下：

public void run(){
  //获取批量大小
  int orderNum = Integer.parseInt(PropertyUtil.get(Constant.ORDER_NUM,"100"));
  try {
   //批量获取离发送时间最近的orderNum条数据
	 Calendar calendar = Calendar.getInstance();
	 long now = calendar.getTimeInMillis();
	 //获取无限早到现在的事件key(防止上次批量数量小于放入数量，存在历史数据未消费情况)
	 Set 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)){
    //删除key 防止重复发送
    for (String orderId : orderIds) {
     RedisUtils.getInstance().zrem(Constant.DELAY, orderId);
    }
	  //接下来执行发送等业务逻辑     
   }
  } catch (Exception e) {
   LOGGER.warn("task.run exception:{}", e);
  }
 }

至此完成了依赖redis和线程完成了延时发送的功能。

结语

那么对上面两种不同的实现方式进行一下优缺点比较：

• 第一种方式实现简单，不依赖外部组件，能够快速的实现目标功能，但缺点也很明显，需要在特定的场景下使用，如果是我这种消息量大的情况下使用很可能是有问题，当然在数据源消息不多的情况下不失为好的选择。
• 第二种方式实现稍微复杂一点，但是能够适应消息量大的场景，采用redis的zset作为了“中间件”的效果，并且帮助我们进行延时的功能实现能够较好的适应高并发场景，缺点在于在编写的过程中需要考虑实际的因素较多，例如线程的执行周期时间，发送可能会有一定时间的延迟，批量数据大小的设置等等。

综上是本人这次延时功能的实现过程的两种实现方式的总结，具体采用哪种方式还需大家根据实际情况选择，希望能给大家带来帮助。