引言

从单机定时任务到分布式工作流调度，不同场景需要选择匹配的调度框架。
本文对比 Spring @Scheduled、XXL-JOB、DolphinScheduler （海豚调度器）和 Apache Airflow 的核心差异，助你避免过度设计或功能不足。

---

一、核心定位与适用场景

框架/工具	核心定位	典型场景
Spring @Scheduled	单机轻量级定时任务，基于注解配置	单体应用简单任务（如本地日志清理）
XXL-JOB	轻量级分布式任务调度	分布式分片任务（如批量数据同步）
DolphinScheduler	企业级可视化工作流调度平台	复杂ETL流程、多部门协作任务（如数据仓库构建）
Apache Airflow	数据工程专用DAG调度器	机器学习流水线、大数据处理任务

---

二、架构与设计对比

1. 架构模型

框架/工具	架构特点	依赖组件
Spring @Scheduled	单机进程内调度，无中心节点	仅需Spring框架
XXL-JOB	中心化调度（调度中心 + 执行器）	MySQL、调度中心独立部署
DolphinScheduler	去中心化（Master/Worker + ZooKeeper）	ZooKeeper、数据库、API网关
Airflow	中心化调度（Scheduler + Worker）	元数据库（如MySQL）、消息队列

2. 任务执行能力

特性	Spring @Scheduled	XXL-JOB	DolphinScheduler	Airflow
分布式任务	❌ 单机执行	✅ 多节点分片	✅ 多节点分发	✅ 多节点分发
动态任务配置	❌ 需重启生效	✅ 管理台动态调整	✅ API动态调整	✅ 代码动态生成
任务依赖管理	❌ 无	❌ 无	✅ 可视化依赖编排	✅ DAG依赖定义
跨语言支持	❌ 仅Java	❌ 仅Java	✅ Shell/Python	✅ 全命令行任务
分片执行	❌ 不支持	✅ 原生支持	✅ 支持	❌ 需自定义实现

---

三、功能特性对比

功能	Spring @Scheduled	XXL-JOB	DolphinScheduler	Airflow
定时表达式	✅ Cron表达式	✅ Cron/API触发	✅ Cron/手动触发	✅ Cron/事件触发
失败重试	❌ 需手动实现	✅ 简单重试	✅ 灵活重试+告警	✅ 任务级重试
任务监控	❌ 无	✅ 基础监控面板	✅ 全链路监控	✅ DAG执行日志
数据传递	❌ 无	❌ 无	✅ 跨任务参数传递	✅ XCom机制
可视化界面	❌ 无	✅ 基础管理台	✅ 拖拽式编辑器	✅ DAG可视化面板
学习成本	⭐ 极低	⭐⭐ 中等	⭐⭐⭐ 较高	⭐⭐⭐⭐ 高

---

四、选型决策指南

1. 选择 Spring @Scheduled 的场景

• 单体应用，无需分布式协调
• 任务规则固定（如每天凌晨执行）
• 开发效率优先，拒绝额外依赖

2. 选择 XXL-JOB 的场景

• 分布式环境下的分片任务（如批量处理海量数据）
• Java技术栈，需要快速实现动态任务管理
• 对运维成本敏感，拒绝复杂工作流编排

3. 选择 DolphinScheduler 的场景

• 企业级可视化工作流编排（如跨团队ETL任务）
• 需要国产化替代或中文支持
• 任务需跨系统调用（如混合Shell/Java/Python任务）

4. 选择 Airflow 的场景

• 数据工程管道（如Spark任务调度、ML模型训练）
• 依赖Python生态，需动态生成DAG
• 需要与Kubernetes、Docker等深度集成

---

五、性能与扩展性对比

维度	Spring @Scheduled	XXL-JOB	DolphinScheduler	Airflow
单机任务吞吐量	⭐⭐⭐⭐ 高	⭐⭐⭐ 中	⭐⭐ 中低	⭐⭐ 中低
分布式扩展能力	❌ 不支持	✅ 水平扩展执行器	✅ 动态扩容Worker	✅ 弹性Worker集群
高可用性	❌ 单点故障	✅ 调度中心集群	✅ Master/Worker	✅ Scheduler HA

---

六、总结

• Spring @Scheduled：单机定时任务的“瑞士军刀”，简单但不可扩展。
• XXL-JOB：分布式分片任务的性价比之选，适合轻量级Java项目。
• DolphinScheduler（海豚调度器）：国产化工作流调度标杆，平衡功能与易用性。
• Airflow：数据工程领域的“终极武器”，强大但需付出学习成本。

决策口诀：

• 单机任务用Spring，分片调度选XXL；
• 工作流看国产化，数据工程Airflow强。