一、前言：调度器江湖

本文将对比的调度器：

二、一图看懂定位差异

2.1 功能定位矩阵

2.2 适用场景速览

三、核心维度对比

3.1 架构对比

3.2 架构特点对比表

3.3 任务定义方式

代码示例对比：

# ========== Airflow ==========
from airflow.decorators import dag, task
from datetime import datetime

@dag(schedule_interval='@daily', start_date=datetime(2024, 1, 1))
def etl_pipeline():
    
    @task
    def extract():
        return {'data': [1, 2, 3]}
    
    @task
    def transform(data):
        return [x * 2 for x in data['data']]
    
    @task
    def load(data):
        print(f"Loading {data}")
    
    raw = extract()
    transformed = transform(raw)
    load(transformed)

etl_dag = etl_pipeline()

// ========== XXL-Job ==========
@Component
public class MyJobHandler {
    
    @XxlJob("extractHandler")
    public void extractJob() {
        XxlJobHelper.log("开始抽取数据");
        // 业务逻辑
        XxlJobHelper.handleSuccess("抽取完成");
    }
    
    @XxlJob("transformHandler")
    public void transformJob() {
        String param = XxlJobHelper.getJobParam();
        XxlJobHelper.log("参数: " + param);
        // 业务逻辑
    }
}

// ========== DolphinScheduler (可视化配置) ==========
{
  "taskType": "SHELL",
  "name": "extract_data",
  "taskParams": {
    "rawScript": "python extract.py --date ${dt}"
  }
}

四、功能特性对比

4.1 核心功能矩阵

4.2 大数据任务支持

4.3 工作流能力对比

五、运维与部署对比

5.1 部署复杂度

5.2 高可用对比

5.3 资源占用

六、易用性对比

6.1 学习曲线

6.2 文档与社区

6.3 用户界面对比

七、性能对比

7.1 调度性能

7.2 适用规模

八、场景选型指南

8.1 决策流程图

8.2 场景推荐表

8.3 公司规模推荐

九、迁移指南

9.1 从 Crontab 迁移

迁移步骤：

# Crontab 原配置
0 2 * * * /scripts/extract.sh
30 2 * * * /scripts/transform.sh
0 3 * * * /scripts/load.sh

# 迁移到 Airflow
@dag(schedule_interval='0 2 * * *')
def etl_pipeline():
    extract = BashOperator(task_id='extract', bash_command='/scripts/extract.sh')
    transform = BashOperator(task_id='transform', bash_command='/scripts/transform.sh')
    load = BashOperator(task_id='load', bash_command='/scripts/load.sh')
    
    extract >> transform >> load

9.2 从 Azkaban 迁移

9.3 迁移注意事项

十、混合架构方案

10.1 大厂常见架构

10.2 分层调度策略

10.3 统一调度中台

十一、总结与建议

11.1 综合评分

11.2 最终推荐

11.3 口诀总结

Airflow：Python 控，代码流，国际范儿大厂标配

DolphinScheduler：可视化，去中心，国产开源多租户

XXL-Job：轻量级，上手快，Java 定时任务首选

Azkaban/Oozie：老前辈，Hadoop 生态可以考虑

11.4 选型 Checklist

在做最终决策前，请回答以下问题：

□ 团队主要技术栈是什么？（Python/Java/其他）
□ 任务是简单定时还是复杂工作流？
□ 是否需要可视化 DAG 编辑？
□ 是否需要多租户资源隔离？
□ 团队运维能力如何？
□ 是否有大数据任务（Spark/Flink/Hive）？
□ 预期任务规模是多少？
□ 是否需要中文文档和社区支持？

十二、附录

12.1 快速安装命令

# ===== Airflow =====
pip install apache-airflow
airflow standalone  # 快速启动

# ===== DolphinScheduler =====
# Docker方式
docker run -d --name dolphinscheduler \
  -p 12345:12345 \
  apache/dolphinscheduler-standalone-server:latest

# ===== XXL-Job =====
git clone https://github.com/xuxueli/xxl-job.git
cd xxl-job
mvn clean package -DskipTests
# 启动 xxl-job-admin

12.2 参考资源