Spring Boot集成Spring Batch处理大批量数据的关键在于读取、处理、写入三环节的资源适配与流程控制：分页读取防OOM，合理设置Chunk大小平衡性能与稳定性，启用批量写入机制，按需采用并行或分片提升吞吐。
Spring Boot 集成 Spring Batch 处理大批量数据，关键不在“能不能跑起来”，而在于“怎么不崩、不慢、不丢、不重”。核心是围绕读取、处理、写入三个环节做资源适配与流程控制，而不是堆配置。
用对读取方式，避免内存溢出
别用 JdbcCursorItemReader 直接查几百万条——它底层靠 JDBC ResultSet 流式拉取，但若 SQL 没加 ORDER BY 或数据库没开游标支持，可能一次性加载到内存。更稳妥的是分页驱动：
- 搭配
MyBatis-PageHelper：在ItemReader中调用带PageHelper.startPage()的 DAO 方法，利用其ThreadLocal隔离性保障多线程安全； - 或改用
JdbcPagingItemReader：显式配置PageQueryProvider和排序字段，由框架控制分页参数（如id > ?），避免OFFSET/LIMIT深分页性能退化； - fetchSize 设为 50–100：过大会占内存，过小会增加网络往返次数，MySQL 默认 0 表示全拉，必须显式设置。
调好 Chunk 大小和事务边界
Chunk 是 Spring Batch 的最小执行单元，也是事务边界。设得太小（如默认 10），频繁提交拖慢数据库；设太大（如 10000），失败时回滚代价高、OOM 风险上升。
- 推荐起始值：数据库写入类任务设为 500–1000，CPU 密集型处理类任务可设为 100–200；
- 配合
@Transactional使用：确保ItemWriter写入逻辑在同一个事务内完成，避免跨事务数据不一致； - 慎用
commit-interval全局配置：它只作用于简单 chunk 场景，复杂流程建议在 Step 级用.chunk(500)显式声明。
批量写入必须启用批处理能力
单条 INSERT 是批处理性能杀手。无论用 JPA 还是 JDBC，都要激活批量机制：
-
JdbcBatchItemWriter：设置setSql("INSERT INTO ...")+setItemSqlParameterSourceProvider(...)，底层调用PreparedStatement.addBatch()； - JPA 场景：开启
spring.jpa.properties.hibernate.jdbc.batch_size=50，并确保实体 ID 生成策略支持批量（如@GeneratedValue(strategy = GenerationType.SEQUENCE)）； - 避免在
ItemProcessor中触发额外 DB 查询：把关联数据提前查好、缓存或用 Map 预加载，防止 N+1 问题拖垮吞吐。
按需启用并行与分片能力
单机吞吐见顶后，不要硬扛，要拆：
- Step 内并行：用
AsyncTaskExecutor包装ItemProcessor，适合 CPU 密集型转换（如加解密、格式转换）； - Step 级并行：通过
Split定义多个子 Step，各自读不同数据段（如按时间范围或 ID 区间），共享同一 JobRepository； - 分布式分片：结合
JobExplorer+ 自定义PartitionHandler（如调用 REST 或消息队列分发），Worker 节点从 Redis 或 DB 获取分片参数，实现千万级数据小时级完成。
