# Entrevista Spring Batch 5: Particionamento, Chunks e Tolerância

> Domine as entrevistas de Spring Batch 5: 15 perguntas essenciais sobre particionamento, processamento por chunks e tolerância a falhas com exemplos em Java 21.

- Published: 2026-03-22
- Updated: 2026-05-03
- Author: SharpSkill
- Tags: spring batch, spring boot, java, batch processing, interview questions
- Reading time: 16 min

---

O Spring Batch 5 representa um pilar do processamento de dados em massa no ecossistema Spring. As entrevistas técnicas avaliam a capacidade de projetar jobs robustos, escaláveis e tolerantes a falhas. Dominar particionamento, processamento por chunks e mecanismos de tolerância a falhas distingue os desenvolvedores sênior.

> **Ponto-chave para a entrevista**
>
> Os recrutadores testam o entendimento profundo: por que escolher partitioning em vez de remote chunking? Como dimensionar corretamente os chunks? Essas decisões arquiteturais revelam experiência real em produção.

## Arquitetura fundamental do Spring Batch 5

### Pergunta 1: Quais são os componentes principais do Spring Batch?

A arquitetura do Spring Batch baseia-se em três camadas distintas: a aplicação (jobs e código de negócio), o Batch Core (classes runtime para iniciar e controlar os jobs) e a infraestrutura (readers, writers e serviços comuns como RetryTemplate).

```java
// BatchJobConfig.java
// Configuração de um job Spring Batch 5 com Java 21
@Configuration
public class BatchJobConfig {

    // JobRepository armazena os metadados de execução
    // Permite o restart e o monitoramento dos jobs
    private final JobRepository jobRepository;
    private final PlatformTransactionManager transactionManager;

    public BatchJobConfig(JobRepository jobRepository,
                          PlatformTransactionManager transactionManager) {
        this.jobRepository = jobRepository;
        this.transactionManager = transactionManager;
    }

    // Um Job encapsula o processo batch completo
    // Composto por um ou mais Steps executados sequencialmente
    @Bean
    public Job importUserJob(Step processUsersStep, Step cleanupStep) {
        return new JobBuilder("importUserJob", jobRepository)
                .start(processUsersStep)      // Step principal de processamento
                .next(cleanupStep)             // Step de limpeza
                .build();
    }

    // Um Step representa uma unidade de trabalho independente
    // Dois modelos: Tasklet (tarefa única) ou Chunk (processamento iterativo)
    @Bean
    public Step processUsersStep(ItemReader<UserRecord> reader,
                                  ItemProcessor<UserRecord, User> processor,
                                  ItemWriter<User> writer) {
        return new StepBuilder("processUsersStep", jobRepository)
                .<UserRecord, User>chunk(100, transactionManager)  // Commit a cada 100 itens
                .reader(reader)       // Lê os dados da fonte
                .processor(processor) // Transforma cada item
                .writer(writer)       // Escreve em lotes de 100
                .build();
    }
}
```

O JobRepository persiste o estado das execuções no banco de dados. Essa persistência permite reiniciar um job que falhou exatamente onde ele parou, sem reprocessar os dados já confirmados.

### Pergunta 2: Qual a diferença entre Tasklet e processamento por Chunk?

**Tasklet** executa uma ação discreta e não repetitiva: exclusão de arquivos, chamada a uma stored procedure, envio de e-mail de notificação. **Chunk** processa volumes massivos dividindo os dados em lotes gerenciáveis.

```java
// CleanupTasklet.java
// Tasklet: ação única sem iteração
@Component
public class CleanupTasklet implements Tasklet {

    private final Path tempDirectory = Path.of("/tmp/batch-work");

    @Override
    public RepeatStatus execute(StepContribution contribution,
                                 ChunkContext chunkContext) throws Exception {
        // Exclui todos os arquivos temporários do processamento
        try (var files = Files.walk(tempDirectory)) {
            files.filter(Files::isRegularFile)
                 .forEach(this::deleteQuietly);
        }

        // FINISHED indica que o tasklet concluiu seu trabalho
        // CONTINUABLE reiniciaria a execução (útil para polling)
        return RepeatStatus.FINISHED;
    }

    private void deleteQuietly(Path file) {
        try {
            Files.delete(file);
        } catch (IOException e) {
            // Loga e continua - não falha o job por um arquivo
        }
    }
}
```

```java
// ChunkProcessingConfig.java
// Processamento por chunks: tratamento de alto volume
@Configuration
public class ChunkProcessingConfig {

    @Bean
    public Step processOrdersStep(JobRepository jobRepository,
                                   PlatformTransactionManager transactionManager,
                                   ItemReader<OrderRecord> reader,
                                   ItemProcessor<OrderRecord, ProcessedOrder> processor,
                                   ItemWriter<ProcessedOrder> writer) {
        return new StepBuilder("processOrdersStep", jobRepository)
                // Chunk de 500: lê 500 itens, processa, escreve, depois faz commit
                .<OrderRecord, ProcessedOrder>chunk(500, transactionManager)
                .reader(reader)
                .processor(processor)
                .writer(writer)
                // Listener para monitorar o progresso
                .listener(new ChunkProgressListener())
                .build();
    }
}
```

O processamento orientado a chunks traz benefícios críticos: gestão otimizada de memória (apenas o chunk atual em memória), transações granulares (commit por chunk) e recuperação de falhas no último chunk confirmado.

## Aprofundamento no processamento por Chunks

### Pergunta 3: Como funciona o ciclo de vida de um chunk?

Cada chunk segue um ciclo preciso: leitura dos itens um a um até atingir o tamanho configurado, processamento individual de cada item, depois escrita do grupo. Uma transação envolve todo o chunk.

```java
// OrderItemReader.java
// ItemReader: lê um item por vez
@StepScope
@Component
public class OrderItemReader implements ItemReader<OrderRecord> {

    // @StepScope: nova instância por execução do step
    // Permite injetar parâmetros dinâmicos do job
    @Value("#{jobParameters['startDate']}")
    private LocalDate startDate;

    private Iterator<OrderRecord> orderIterator;

    @BeforeStep
    public void initializeReader(StepExecution stepExecution) {
        // Carrega os dados no início do step
        List<OrderRecord> orders = fetchOrdersFromDate(startDate);
        this.orderIterator = orders.iterator();
    }

    @Override
    public OrderRecord read() {
        // Retorna null para sinalizar o fim dos dados
        // Spring Batch chama read() até receber null
        if (orderIterator.hasNext()) {
            return orderIterator.next();
        }
        return null;  // Fim do dataset
    }

    private List<OrderRecord> fetchOrdersFromDate(LocalDate date) {
        // Recupera da fonte de dados
        return List.of();  // Implementação real
    }
}
```

```java
// OrderItemProcessor.java
// ItemProcessor: transforma cada item individualmente
@Component
public class OrderItemProcessor implements ItemProcessor<OrderRecord, ProcessedOrder> {

    private final PricingService pricingService;
    private final ValidationService validationService;

    public OrderItemProcessor(PricingService pricingService,
                               ValidationService validationService) {
        this.pricingService = pricingService;
        this.validationService = validationService;
    }

    @Override
    public ProcessedOrder process(OrderRecord item) {
        // Retornar null filtra o item (não será escrito)
        if (!validationService.isValid(item)) {
            return null;  // Item filtrado
        }

        // Transformação de negócio
        BigDecimal finalPrice = pricingService.calculatePrice(item);

        return new ProcessedOrder(
                item.orderId(),
                item.customerId(),
                finalPrice,
                LocalDateTime.now()
        );
    }
}
```

```java
// OrderItemWriter.java
// ItemWriter: escreve o chunk completo em uma única operação
@Component
public class OrderItemWriter implements ItemWriter<ProcessedOrder> {

    private final JdbcTemplate jdbcTemplate;

    public OrderItemWriter(JdbcTemplate jdbcTemplate) {
        this.jdbcTemplate = jdbcTemplate;
    }

    @Override
    public void write(Chunk<? extends ProcessedOrder> chunk) {
        // O chunk contém todos os itens processados
        // Escrita em lote para desempenho otimizado
        List<? extends ProcessedOrder> items = chunk.getItems();

        jdbcTemplate.batchUpdate(
                "INSERT INTO processed_orders (order_id, customer_id, final_price, processed_at) VALUES (?, ?, ?, ?)",
                items,
                items.size(),
                (ps, order) -> {
                    ps.setLong(1, order.orderId());
                    ps.setLong(2, order.customerId());
                    ps.setBigDecimal(3, order.finalPrice());
                    ps.setTimestamp(4, Timestamp.valueOf(order.processedAt()));
                }
        );
    }
}
```

Se ocorrer uma exceção durante o processamento do chunk, a transação é revertida. O job pode então retomar a partir desse chunk usando os metadados armazenados no JobRepository.

### Pergunta 4: Como escolher o tamanho ideal do chunk?

O tamanho do chunk impacta diretamente o desempenho e o consumo de memória. Um chunk pequeno demais multiplica os commits (overhead). Um chunk grande demais consome memória excessiva e prolonga os rollbacks em caso de falha.

```java
// ChunkSizingConfig.java
// Configuração dinâmica do tamanho do chunk
@Configuration
public class ChunkSizingConfig {

    // Valor padrão razoável para a maioria dos casos
    private static final int DEFAULT_CHUNK_SIZE = 100;

    // Para itens leves (poucos campos)
    private static final int LIGHT_ITEMS_CHUNK_SIZE = 500;

    // Para itens pesados (blobs, documentos)
    private static final int HEAVY_ITEMS_CHUNK_SIZE = 25;

    @Bean
    public Step processLightDataStep(JobRepository jobRepository,
                                      PlatformTransactionManager txManager,
                                      ItemReader<LightRecord> reader,
                                      ItemWriter<LightRecord> writer) {
        return new StepBuilder("processLightDataStep", jobRepository)
                // Itens leves: chunks maiores para menos commits
                .<LightRecord, LightRecord>chunk(LIGHT_ITEMS_CHUNK_SIZE, txManager)
                .reader(reader)
                .writer(writer)
                .build();
    }

    @Bean
    public Step processDocumentsStep(JobRepository jobRepository,
                                      PlatformTransactionManager txManager,
                                      ItemReader<Document> reader,
                                      ItemProcessor<Document, ProcessedDocument> processor,
                                      ItemWriter<ProcessedDocument> writer) {
        return new StepBuilder("processDocumentsStep", jobRepository)
                // Documentos pesados: chunks menores para limitar memória
                .<Document, ProcessedDocument>chunk(HEAVY_ITEMS_CHUNK_SIZE, txManager)
                .reader(reader)
                .processor(processor)
                .writer(writer)
                .build();
    }
}
```

> **Regra prática**
>
> Começar com 100 itens por chunk e ajustar conforme métricas: tempo de commit, uso de memória e duração do rollback. Usar listeners para monitorar e identificar o ponto ideal.

## Particionamento para processamento paralelo

### Pergunta 5: O que é particionamento e quando usar?

O particionamento divide um dataset em partições independentes processadas em paralelo. Cada partição é executada em sua própria thread (local) ou em um worker remoto. Essa abordagem multiplica o throughput sem sacrificar a capacidade de restart.

```java
// PartitionedJobConfig.java
// Configuração de um job particionado
@Configuration
public class PartitionedJobConfig {

    private final JobRepository jobRepository;
    private final PlatformTransactionManager transactionManager;

    public PartitionedJobConfig(JobRepository jobRepository,
                                 PlatformTransactionManager transactionManager) {
        this.jobRepository = jobRepository;
        this.transactionManager = transactionManager;
    }

    @Bean
    public Job partitionedImportJob(Step partitionedStep) {
        return new JobBuilder("partitionedImportJob", jobRepository)
                .start(partitionedStep)
                .build();
    }

    // Step manager: orquestra as partições
    @Bean
    public Step partitionedStep(Partitioner partitioner,
                                 Step workerStep,
                                 TaskExecutor taskExecutor) {
        return new StepBuilder("partitionedStep", jobRepository)
                // Divide o trabalho via Partitioner
                .partitioner("workerStep", partitioner)
                // Step executado para cada partição
                .step(workerStep)
                // 8 threads paralelas
                .taskExecutor(taskExecutor)
                // Número de partições a criar
                .gridSize(8)
                .build();
    }

    // TaskExecutor para execução paralela
    @Bean
    public TaskExecutor batchTaskExecutor() {
        ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
        executor.setCorePoolSize(8);
        executor.setMaxPoolSize(16);
        executor.setQueueCapacity(50);
        executor.setThreadNamePrefix("batch-partition-");
        executor.initialize();
        return executor;
    }
}
```

```java
// RangePartitioner.java
// Partitioner baseado em intervalos de ID
@Component
public class RangePartitioner implements Partitioner {

    private final JdbcTemplate jdbcTemplate;

    public RangePartitioner(JdbcTemplate jdbcTemplate) {
        this.jdbcTemplate = jdbcTemplate;
    }

    @Override
    public Map<String, ExecutionContext> partition(int gridSize) {
        // Recupera os limites do dataset
        Long minId = jdbcTemplate.queryForObject(
                "SELECT MIN(id) FROM orders WHERE status = 'PENDING'", Long.class);
        Long maxId = jdbcTemplate.queryForObject(
                "SELECT MAX(id) FROM orders WHERE status = 'PENDING'", Long.class);

        if (minId == null || maxId == null) {
            return Map.of();  // Sem dados a processar
        }

        // Calcula o tamanho de cada partição
        long range = (maxId - minId) / gridSize + 1;
        Map<String, ExecutionContext> partitions = new HashMap<>();

        for (int i = 0; i < gridSize; i++) {
            ExecutionContext context = new ExecutionContext();
            long start = minId + (i * range);
            long end = Math.min(start + range - 1, maxId);

            // Cada partição recebe seus limites
            context.putLong("minId", start);
            context.putLong("maxId", end);
            context.putInt("partitionNumber", i);

            partitions.put("partition" + i, context);
        }

        return partitions;
    }
}
```

O particionamento é adequado para datasets grandes onde os itens são independentes. As partições devem estar balanceadas para evitar que uma partição lenta atrase todo o job.

### Pergunta 6: Qual a diferença entre particionamento local e remoto?

O **particionamento local** executa todas as partições na mesma JVM com um pool de threads. O **particionamento remoto** distribui as partições entre várias JVMs (workers) por meio de middleware de mensageria.

```java
// RemotePartitioningConfig.java
// Configuração de particionamento remoto com mensageria
@Configuration
public class RemotePartitioningConfig {

    @Bean
    public Step managerStep(JobRepository jobRepository,
                             Partitioner partitioner,
                             MessageChannelPartitionHandler partitionHandler) {
        return new StepBuilder("managerStep", jobRepository)
                .partitioner("workerStep", partitioner)
                // Handler que se comunica com os workers remotos
                .partitionHandler(partitionHandler)
                .build();
    }

    // PartitionHandler envia os ExecutionContexts aos workers
    @Bean
    public MessageChannelPartitionHandler partitionHandler(
            MessagingTemplate messagingTemplate,
            JobExplorer jobExplorer) {
        MessageChannelPartitionHandler handler = new MessageChannelPartitionHandler();
        handler.setStepName("workerStep");
        handler.setGridSize(4);
        handler.setMessagingOperations(messagingTemplate);
        handler.setJobExplorer(jobExplorer);
        // Timeout de espera para os workers terminarem
        handler.setPollInterval(5000L);
        return handler;
    }
}
```

```java
// WorkerConfiguration.java
// Configuração no lado worker
@Configuration
public class WorkerConfiguration {

    private final JobRepository jobRepository;
    private final PlatformTransactionManager transactionManager;

    public WorkerConfiguration(JobRepository jobRepository,
                                PlatformTransactionManager transactionManager) {
        this.jobRepository = jobRepository;
        this.transactionManager = transactionManager;
    }

    // O worker recebe partições e executa o step
    @Bean
    public Step workerStep(ItemReader<OrderRecord> reader,
                            ItemProcessor<OrderRecord, ProcessedOrder> processor,
                            ItemWriter<ProcessedOrder> writer) {
        return new StepBuilder("workerStep", jobRepository)
                .<OrderRecord, ProcessedOrder>chunk(100, transactionManager)
                // Reader configurado com @StepScope para receber parâmetros da partição
                .reader(reader)
                .processor(processor)
                .writer(writer)
                .build();
    }

    // Reader que usa os limites da partição
    @Bean
    @StepScope
    public JdbcCursorItemReader<OrderRecord> partitionedReader(
            DataSource dataSource,
            @Value("#{stepExecutionContext['minId']}") Long minId,
            @Value("#{stepExecutionContext['maxId']}") Long maxId) {
        return new JdbcCursorItemReaderBuilder<OrderRecord>()
                .name("partitionedOrderReader")
                .dataSource(dataSource)
                .sql("SELECT * FROM orders WHERE id BETWEEN ? AND ? AND status = 'PENDING'")
                .preparedStatementSetter(ps -> {
                    ps.setLong(1, minId);
                    ps.setLong(2, maxId);
                })
                .rowMapper(new OrderRecordRowMapper())
                .build();
    }
}
```

## Tolerância a falhas e recuperação de erros

### Pergunta 7: Quais mecanismos de tolerância a falhas o Spring Batch oferece?

O Spring Batch oferece três mecanismos complementares: **skip** (ignorar itens com falha), **retry** (tentar novamente automaticamente) e **restart** (retomar um job que falhou). Esses mecanismos são configurados no nível do step.

```java
// FaultTolerantStepConfig.java
// Configuração completa de tolerância a falhas
@Configuration
public class FaultTolerantStepConfig {

    @Bean
    public Step faultTolerantStep(JobRepository jobRepository,
                                   PlatformTransactionManager transactionManager,
                                   ItemReader<DataRecord> reader,
                                   ItemProcessor<DataRecord, ProcessedRecord> processor,
                                   ItemWriter<ProcessedRecord> writer,
                                   SkipPolicy customSkipPolicy) {
        return new StepBuilder("faultTolerantStep", jobRepository)
                .<DataRecord, ProcessedRecord>chunk(100, transactionManager)
                .reader(reader)
                .processor(processor)
                .writer(writer)
                // Ativa o modo tolerante a falhas
                .faultTolerant()
                // SKIP: ignora até 10 erros de validação
                .skipLimit(10)
                .skip(ValidationException.class)
                .skip(DataIntegrityViolationException.class)
                // Alguns erros nunca devem ser ignorados
                .noSkip(FatalBatchException.class)
                // RETRY: tenta novamente erros transitórios
                .retryLimit(3)
                .retry(TransientDataAccessException.class)
                .retry(DeadlockLoserDataAccessException.class)
                // Backoff exponencial entre tentativas
                .backOffPolicy(exponentialBackOffPolicy())
                // Listener para registrar os skips
                .listener(skipListener())
                .build();
    }

    @Bean
    public BackOffPolicy exponentialBackOffPolicy() {
        ExponentialBackOffPolicy policy = new ExponentialBackOffPolicy();
        policy.setInitialInterval(1000);  // 1 segundo
        policy.setMultiplier(2.0);         // Dobra a cada tentativa
        policy.setMaxInterval(10000);      // Máximo de 10 segundos
        return policy;
    }

    @Bean
    public SkipListener<DataRecord, ProcessedRecord> skipListener() {
        return new SkipListener<>() {
            @Override
            public void onSkipInRead(Throwable t) {
                // Loga item ilegível
            }

            @Override
            public void onSkipInProcess(DataRecord item, Throwable t) {
                // Loga item que falhou no processamento
            }

            @Override
            public void onSkipInWrite(ProcessedRecord item, Throwable t) {
                // Loga item que falhou na escrita
            }
        };
    }
}
```

Retry é adequado para erros transitórios (timeout de rede, deadlock de banco). Skip é adequado para erros de dados individuais que não devem bloquear o processamento global.

### Pergunta 8: Como implementar um SkipPolicy customizado?

Um SkipPolicy customizado permite uma lógica de decisão refinada: ignorar conforme o tipo de exceção, número de erros ou critérios específicos de negócio.

```java
// AdaptiveSkipPolicy.java
// SkipPolicy com lógica de negócio avançada
@Component
public class AdaptiveSkipPolicy implements SkipPolicy {

    private static final int MAX_SKIP_COUNT = 100;
    private static final double MAX_SKIP_PERCENTAGE = 0.05;  // 5% máximo

    private final AtomicInteger totalProcessed = new AtomicInteger(0);
    private final AtomicInteger skipCount = new AtomicInteger(0);

    @Override
    public boolean shouldSkip(Throwable exception, long skipCountSoFar) {
        // Nunca ignorar erros fatais
        if (exception instanceof FatalBatchException
                || exception instanceof OutOfMemoryError) {
            return false;
        }

        // Limite absoluto de skips
        if (skipCountSoFar >= MAX_SKIP_COUNT) {
            return false;  // Para o job
        }

        // Limite percentual
        int total = totalProcessed.get();
        if (total > 1000) {  // Aplicar somente após o warmup
            double skipPercentage = (double) skipCountSoFar / total;
            if (skipPercentage > MAX_SKIP_PERCENTAGE) {
                return false;  // Erros demais proporcionalmente
            }
        }

        // Ignora erros de validação e dados
        return exception instanceof ValidationException
                || exception instanceof DataFormatException
                || exception instanceof IllegalArgumentException;
    }

    // Chamado por um listener para acompanhar o progresso
    public void incrementProcessed() {
        totalProcessed.incrementAndGet();
    }
}
```

### Pergunta 9: Como funciona o restart de um job que falhou?

O JobRepository armazena o estado de cada execução. Ao reiniciar, o Spring Batch identifica o último chunk confirmado e retoma a partir desse ponto. Os itens processados com sucesso não são reprocessados.

```java
// JobRestartService.java
// Serviço de gerenciamento de restart de jobs
@Service
public class JobRestartService {

    private final JobLauncher jobLauncher;
    private final JobExplorer jobExplorer;
    private final JobRepository jobRepository;
    private final Job importJob;

    public JobRestartService(JobLauncher jobLauncher,
                              JobExplorer jobExplorer,
                              JobRepository jobRepository,
                              @Qualifier("importJob") Job importJob) {
        this.jobLauncher = jobLauncher;
        this.jobExplorer = jobExplorer;
        this.jobRepository = jobRepository;
        this.importJob = importJob;
    }

    public JobExecution restartFailedJob(Long jobExecutionId) throws Exception {
        // Recupera a execução que falhou
        JobExecution failedExecution = jobExplorer.getJobExecution(jobExecutionId);

        if (failedExecution == null) {
            throw new IllegalArgumentException("Job execution not found: " + jobExecutionId);
        }

        // Verifica se o job pode ser reiniciado
        if (!failedExecution.getStatus().equals(BatchStatus.FAILED)) {
            throw new IllegalStateException("Only FAILED jobs can be restarted");
        }

        // Usa os mesmos parâmetros da execução original
        JobParameters originalParams = failedExecution.getJobParameters();

        // Relança o job - retoma automaticamente do último checkpoint
        return jobLauncher.run(importJob, originalParams);
    }

    public List<JobExecution> findRestartableJobs() {
        // Lista todas as execuções FAILED ainda não reiniciadas
        return jobExplorer.findJobInstancesByJobName(importJob.getName(), 0, 100)
                .stream()
                .flatMap(instance -> jobExplorer.getJobExecutions(instance).stream())
                .filter(exec -> exec.getStatus() == BatchStatus.FAILED)
                .filter(this::isRestartable)
                .toList();
    }

    private boolean isRestartable(JobExecution execution) {
        // Verifica que não há execução bem-sucedida mais recente
        JobInstance instance = execution.getJobInstance();
        return jobExplorer.getJobExecutions(instance).stream()
                .noneMatch(exec -> exec.getStatus() == BatchStatus.COMPLETED);
    }
}
```

> **Armadilha de entrevista**
>
> Um job só pode ser reiniciado se os JobParameters forem idênticos. Modificar um parâmetro cria uma nova instância de job, perdendo o histórico de progresso.

## Escalabilidade e otimização

### Pergunta 10: Quais estratégias de escalabilidade estão disponíveis?

O Spring Batch oferece quatro estratégias: **multi-threaded step** (múltiplas threads leem em paralelo), **parallel steps** (steps independentes em paralelo), **remote chunking** (processamento distribuído) e **partitioning** (dados distribuídos).

```java
// MultiThreadedStepConfig.java
// Step multi-thread: várias threads processam o mesmo dataset
@Configuration
public class MultiThreadedStepConfig {

    @Bean
    public Step multiThreadedStep(JobRepository jobRepository,
                                   PlatformTransactionManager transactionManager,
                                   ItemReader<Record> reader,
                                   ItemProcessor<Record, ProcessedRecord> processor,
                                   ItemWriter<ProcessedRecord> writer,
                                   TaskExecutor taskExecutor) {
        return new StepBuilder("multiThreadedStep", jobRepository)
                .<Record, ProcessedRecord>chunk(100, transactionManager)
                // ATENÇÃO: o reader deve ser thread-safe
                .reader(synchronizedReader(reader))
                .processor(processor)
                .writer(writer)
                // 4 threads processam chunks em paralelo
                .taskExecutor(taskExecutor)
                .throttleLimit(4)
                .build();
    }

    // Wrapper para tornar o reader thread-safe
    private ItemReader<Record> synchronizedReader(ItemReader<Record> reader) {
        SynchronizedItemStreamReader<Record> syncReader = new SynchronizedItemStreamReader<>();
        syncReader.setDelegate((ItemStreamReader<Record>) reader);
        return syncReader;
    }
}
```

```java
// ParallelStepsConfig.java
// Execução de steps independentes em paralelo
@Configuration
public class ParallelStepsConfig {

    @Bean
    public Job parallelJob(JobRepository jobRepository,
                            Step loadCustomersStep,
                            Step loadProductsStep,
                            Step loadOrdersStep,
                            Step processDataStep) {
        // Fluxo paralelo: customers e products carregados simultaneamente
        Flow loadCustomersFlow = new FlowBuilder<Flow>("loadCustomersFlow")
                .start(loadCustomersStep)
                .build();

        Flow loadProductsFlow = new FlowBuilder<Flow>("loadProductsFlow")
                .start(loadProductsStep)
                .build();

        Flow loadOrdersFlow = new FlowBuilder<Flow>("loadOrdersFlow")
                .start(loadOrdersStep)
                .build();

        // Split executa os fluxos em paralelo
        return new JobBuilder("parallelJob", jobRepository)
                .start(new FlowBuilder<Flow>("parallelLoadFlow")
                        .split(new SimpleAsyncTaskExecutor())
                        .add(loadCustomersFlow, loadProductsFlow, loadOrdersFlow)
                        .build())
                // Após o carregamento paralelo, processamento sequencial
                .next(processDataStep)
                .build()
                .build();
    }
}
```

O multi-threading é adequado quando o reader pode ser sincronizado. O particionamento é preferível para grandes volumes pois cada partição tem seu próprio reader sem contenção.

### Pergunta 11: Como monitorar o desempenho de um job?

O Spring Batch expõe métricas via listeners e JobRepository. A integração com Micrometer permite exportação para Prometheus, Grafana ou outros sistemas de monitoramento.

```java
// BatchMetricsConfig.java
// Configuração de monitoramento com Micrometer
@Configuration
public class BatchMetricsConfig {

    private final MeterRegistry meterRegistry;

    public BatchMetricsConfig(MeterRegistry meterRegistry) {
        this.meterRegistry = meterRegistry;
    }

    @Bean
    public JobExecutionListener metricsJobListener() {
        return new JobExecutionListener() {

            private Timer.Sample jobTimer;

            @Override
            public void beforeJob(JobExecution jobExecution) {
                // Inicia o timer de duração do job
                jobTimer = Timer.start(meterRegistry);
                Counter.builder("batch.job.started")
                        .tag("job", jobExecution.getJobInstance().getJobName())
                        .register(meterRegistry)
                        .increment();
            }

            @Override
            public void afterJob(JobExecution jobExecution) {
                // Registra a duração total
                jobTimer.stop(Timer.builder("batch.job.duration")
                        .tag("job", jobExecution.getJobInstance().getJobName())
                        .tag("status", jobExecution.getStatus().toString())
                        .register(meterRegistry));

                // Contador de jobs por status
                Counter.builder("batch.job.completed")
                        .tag("job", jobExecution.getJobInstance().getJobName())
                        .tag("status", jobExecution.getStatus().toString())
                        .register(meterRegistry)
                        .increment();
            }
        };
    }

    @Bean
    public StepExecutionListener metricsStepListener() {
        return new StepExecutionListener() {

            @Override
            public void afterStep(StepExecution stepExecution) {
                String jobName = stepExecution.getJobExecution().getJobInstance().getJobName();
                String stepName = stepExecution.getStepName();

                // Métricas de throughput
                Gauge.builder("batch.step.read.count", stepExecution, StepExecution::getReadCount)
                        .tag("job", jobName)
                        .tag("step", stepName)
                        .register(meterRegistry);

                Gauge.builder("batch.step.write.count", stepExecution, StepExecution::getWriteCount)
                        .tag("job", jobName)
                        .tag("step", stepName)
                        .register(meterRegistry);

                Gauge.builder("batch.step.skip.count", stepExecution, StepExecution::getSkipCount)
                        .tag("job", jobName)
                        .tag("step", stepName)
                        .register(meterRegistry);

                return null;
            }
        };
    }
}
```

### Pergunta 12: Quais são as armadilhas comuns no particionamento?

Erros frequentes incluem: partições desbalanceadas (uma partição contém 90% dos dados), readers não thread-safe e gerenciamento incorreto do estado entre partições.

```java
// BalancedPartitioner.java
// Partitioner que realmente equilibra a carga
@Component
public class BalancedPartitioner implements Partitioner {

    private final JdbcTemplate jdbcTemplate;

    public BalancedPartitioner(JdbcTemplate jdbcTemplate) {
        this.jdbcTemplate = jdbcTemplate;
    }

    @Override
    public Map<String, ExecutionContext> partition(int gridSize) {
        // Conta total de itens a processar
        Integer totalCount = jdbcTemplate.queryForObject(
                "SELECT COUNT(*) FROM orders WHERE status = 'PENDING'", Integer.class);

        if (totalCount == null || totalCount == 0) {
            return Map.of();
        }

        // Calcula o tamanho-alvo por partição
        int itemsPerPartition = (int) Math.ceil((double) totalCount / gridSize);

        Map<String, ExecutionContext> partitions = new HashMap<>();

        // Usa OFFSET/LIMIT para partições balanceadas
        // Mais caro que ranges mas garante o equilíbrio
        for (int i = 0; i < gridSize; i++) {
            ExecutionContext context = new ExecutionContext();
            context.putInt("offset", i * itemsPerPartition);
            context.putInt("limit", itemsPerPartition);
            context.putInt("partitionNumber", i);

            partitions.put("partition" + i, context);
        }

        return partitions;
    }
}

// OffsetBasedReader.java
// Reader compatível com particionamento por offset
@StepScope
@Component
public class OffsetBasedReader implements ItemReader<OrderRecord>, ItemStream {

    private final JdbcTemplate jdbcTemplate;
    private Iterator<OrderRecord> iterator;

    @Value("#{stepExecutionContext['offset']}")
    private int offset;

    @Value("#{stepExecutionContext['limit']}")
    private int limit;

    public OffsetBasedReader(JdbcTemplate jdbcTemplate) {
        this.jdbcTemplate = jdbcTemplate;
    }

    @Override
    public void open(ExecutionContext executionContext) {
        // Carrega exatamente a porção atribuída a esta partição
        List<OrderRecord> records = jdbcTemplate.query(
                "SELECT * FROM orders WHERE status = 'PENDING' ORDER BY id LIMIT ? OFFSET ?",
                new OrderRecordRowMapper(),
                limit, offset
        );
        this.iterator = records.iterator();
    }

    @Override
    public OrderRecord read() {
        return iterator.hasNext() ? iterator.next() : null;
    }

    @Override
    public void update(ExecutionContext executionContext) {
        // Salvamento de estado para restart se necessário
    }

    @Override
    public void close() {
        // Limpeza
    }
}
```

## Perguntas avançadas para sêniores

### Pergunta 13: Como gerenciar dependências entre jobs?

O Spring Batch não gerencia nativamente dependências entre jobs. Soluções incluem: orquestradores externos (Airflow, Kubernetes CronJob) ou implementação customizada com JobExplorer.

```java
// JobDependencyService.java
// Gerenciamento de dependências entre jobs
@Service
public class JobDependencyService {

    private final JobExplorer jobExplorer;
    private final JobLauncher jobLauncher;
    private final Map<String, Job> jobs;

    public JobDependencyService(JobExplorer jobExplorer,
                                  JobLauncher jobLauncher,
                                  Map<String, Job> jobs) {
        this.jobExplorer = jobExplorer;
        this.jobLauncher = jobLauncher;
        this.jobs = jobs;
    }

    public JobExecution runWithDependencies(String jobName,
                                             JobParameters params,
                                             List<String> dependsOn) throws Exception {
        // Verifica se todas as dependências foram bem-sucedidas
        for (String dependency : dependsOn) {
            if (!hasSuccessfulExecution(dependency, params)) {
                throw new JobExecutionException(
                        "Dependency not satisfied: " + dependency);
            }
        }

        Job job = jobs.get(jobName);
        if (job == null) {
            throw new IllegalArgumentException("Unknown job: " + jobName);
        }

        return jobLauncher.run(job, params);
    }

    private boolean hasSuccessfulExecution(String jobName, JobParameters params) {
        // Procura uma execução COMPLETED com os mesmos parâmetros de negócio
        return jobExplorer.findJobInstancesByJobName(jobName, 0, 1)
                .stream()
                .flatMap(instance -> jobExplorer.getJobExecutions(instance).stream())
                .filter(exec -> exec.getStatus() == BatchStatus.COMPLETED)
                .anyMatch(exec -> matchesBusinessParams(exec.getJobParameters(), params));
    }

    private boolean matchesBusinessParams(JobParameters actual, JobParameters expected) {
        // Compara parâmetros de negócio (ignora timestamps de execução)
        String actualDate = actual.getString("businessDate");
        String expectedDate = expected.getString("businessDate");
        return Objects.equals(actualDate, expectedDate);
    }
}
```

### Pergunta 14: Como testar eficazmente um job Spring Batch?

Testar jobs Spring Batch exige uma abordagem em camadas: testes unitários dos componentes (reader, processor, writer), testes de integração dos steps e testes end-to-end de jobs completos.

```java
// OrderProcessorTest.java
// Teste unitário do processor
@ExtendWith(MockitoExtension.class)
class OrderProcessorTest {

    @Mock
    private PricingService pricingService;

    @Mock
    private ValidationService validationService;

    @InjectMocks
    private OrderItemProcessor processor;

    @Test
    void shouldProcessValidOrder() {
        // Given
        OrderRecord input = new OrderRecord(1L, 100L, BigDecimal.TEN);
        when(validationService.isValid(input)).thenReturn(true);
        when(pricingService.calculatePrice(input)).thenReturn(new BigDecimal("12.50"));

        // When
        ProcessedOrder result = processor.process(input);

        // Then
        assertThat(result).isNotNull();
        assertThat(result.finalPrice()).isEqualTo(new BigDecimal("12.50"));
    }

    @Test
    void shouldFilterInvalidOrder() {
        // Given
        OrderRecord input = new OrderRecord(1L, 100L, BigDecimal.TEN);
        when(validationService.isValid(input)).thenReturn(false);

        // When
        ProcessedOrder result = processor.process(input);

        // Then - null significa filtrado
        assertThat(result).isNull();
        verify(pricingService, never()).calculatePrice(any());
    }
}
```

```java
// ImportJobIntegrationTest.java
// Teste de integração do job completo
@SpringBatchTest
@SpringBootTest
@ActiveProfiles("test")
class ImportJobIntegrationTest {

    @Autowired
    private JobLauncherTestUtils jobLauncherTestUtils;

    @Autowired
    private JobRepositoryTestUtils jobRepositoryTestUtils;

    @Autowired
    private JdbcTemplate jdbcTemplate;

    @BeforeEach
    void setup() {
        // Limpa metadados entre testes
        jobRepositoryTestUtils.removeJobExecutions();
        // Reseta dados de teste
        jdbcTemplate.execute("DELETE FROM processed_orders");
        jdbcTemplate.execute("DELETE FROM orders");
    }

    @Test
    void shouldCompleteJobSuccessfully() throws Exception {
        // Given - dados de teste
        insertTestOrders(100);

        // When
        JobParameters params = new JobParametersBuilder()
                .addLocalDate("businessDate", LocalDate.now())
                .addLong("run.id", System.currentTimeMillis())
                .toJobParameters();

        JobExecution execution = jobLauncherTestUtils.launchJob(params);

        // Then
        assertThat(execution.getStatus()).isEqualTo(BatchStatus.COMPLETED);
        assertThat(countProcessedOrders()).isEqualTo(100);
    }

    @Test
    void shouldHandleEmptyDataset() throws Exception {
        // Given - sem dados

        // When
        JobExecution execution = jobLauncherTestUtils.launchJob();

        // Then - job tem sucesso mesmo sem dados
        assertThat(execution.getStatus()).isEqualTo(BatchStatus.COMPLETED);
    }

    @Test
    void shouldRestartFromFailurePoint() throws Exception {
        // Given - simula erro no meio do processamento
        insertTestOrders(100);
        insertPoisonOrder(50);  // Causa um erro

        // When - primeira execução falha
        JobExecution firstExecution = jobLauncherTestUtils.launchJob();
        assertThat(firstExecution.getStatus()).isEqualTo(BatchStatus.FAILED);

        // Corrige os dados
        removePoisonOrder(50);

        // When - restart
        JobExecution restartExecution = jobLauncherTestUtils.launchJob(
                firstExecution.getJobParameters());

        // Then - retoma a partir do ponto de falha
        assertThat(restartExecution.getStatus()).isEqualTo(BatchStatus.COMPLETED);
    }

    private void insertTestOrders(int count) {
        for (int i = 1; i <= count; i++) {
            jdbcTemplate.update(
                    "INSERT INTO orders (id, customer_id, amount, status) VALUES (?, ?, ?, 'PENDING')",
                    i, i * 10, BigDecimal.valueOf(i * 10));
        }
    }

    private int countProcessedOrders() {
        return jdbcTemplate.queryForObject(
                "SELECT COUNT(*) FROM processed_orders", Integer.class);
    }
}
```

### Pergunta 15: Como otimizar o desempenho de gravações no banco de dados?

A gravação geralmente se torna o gargalo. Otimizações incluem: batch inserts JDBC, desativação de constraints durante a carga e uso de tabelas de staging.

```java
// OptimizedJdbcWriter.java
// Writer otimizado para grandes volumes
@Component
public class OptimizedJdbcWriter implements ItemWriter<ProcessedOrder> {

    private final JdbcTemplate jdbcTemplate;
    private final DataSource dataSource;

    public OptimizedJdbcWriter(JdbcTemplate jdbcTemplate, DataSource dataSource) {
        this.jdbcTemplate = jdbcTemplate;
        this.dataSource = dataSource;
    }

    @Override
    public void write(Chunk<? extends ProcessedOrder> chunk) throws Exception {
        List<? extends ProcessedOrder> items = chunk.getItems();

        if (items.isEmpty()) {
            return;
        }

        // Usa PreparedStatement com batch
        try (Connection connection = dataSource.getConnection();
             PreparedStatement ps = connection.prepareStatement(
                     "INSERT INTO processed_orders (order_id, customer_id, final_price, processed_at) " +
                             "VALUES (?, ?, ?, ?)")) {

            for (ProcessedOrder order : items) {
                ps.setLong(1, order.orderId());
                ps.setLong(2, order.customerId());
                ps.setBigDecimal(3, order.finalPrice());
                ps.setTimestamp(4, Timestamp.valueOf(order.processedAt()));
                ps.addBatch();
            }

            // Executa todos os inserts em uma única operação de rede
            ps.executeBatch();
        }
    }
}

// StagingTableWriter.java
// Padrão staging table para volumes muito grandes
@Component
public class StagingTableWriter implements ItemWriter<ProcessedOrder>, StepExecutionListener {

    private final JdbcTemplate jdbcTemplate;
    private String stagingTable;

    public StagingTableWriter(JdbcTemplate jdbcTemplate) {
        this.jdbcTemplate = jdbcTemplate;
    }

    @Override
    public void beforeStep(StepExecution stepExecution) {
        // Cria tabela temporária para este step
        stagingTable = "staging_orders_" + stepExecution.getId();
        jdbcTemplate.execute(
                "CREATE TEMP TABLE " + stagingTable + " (LIKE processed_orders INCLUDING ALL)");
    }

    @Override
    public void write(Chunk<? extends ProcessedOrder> chunk) {
        // Escreve na tabela de staging (sem constraints FK)
        String sql = "INSERT INTO " + stagingTable +
                " (order_id, customer_id, final_price, processed_at) VALUES (?, ?, ?, ?)";

        jdbcTemplate.batchUpdate(sql, chunk.getItems(), chunk.size(),
                (ps, order) -> {
                    ps.setLong(1, order.orderId());
                    ps.setLong(2, order.customerId());
                    ps.setBigDecimal(3, order.finalPrice());
                    ps.setTimestamp(4, Timestamp.valueOf(order.processedAt()));
                });
    }

    @Override
    public ExitStatus afterStep(StepExecution stepExecution) {
        if (stepExecution.getStatus() == BatchStatus.COMPLETED) {
            // Bulk copy para a tabela final
            jdbcTemplate.execute(
                    "INSERT INTO processed_orders SELECT * FROM " + stagingTable);
        }
        // Limpa tabela de staging
        jdbcTemplate.execute("DROP TABLE IF EXISTS " + stagingTable);
        return stepExecution.getExitStatus();
    }
}
```

## Conclusão

Dominar o Spring Batch 5 em entrevistas técnicas baseia-se na compreensão profunda dos mecanismos internos:

✅ **Arquitetura**: Job → Step → Chunk (Reader, Processor, Writer)

✅ **Processamento por chunks**: dimensionamento, ciclo de vida, transações

✅ **Particionamento**: local vs remoto, equilíbrio das partições

✅ **Tolerância a falhas**: skip, retry, restart com política adequada

✅ **Escalabilidade**: multi-threading, parallel steps, remote chunking

✅ **Testes**: unitários, integração, end-to-end

✅ **Otimização**: batch writes, staging tables, monitoramento

Perguntas avançadas avaliam a capacidade de justificar decisões arquiteturais conforme o contexto: volume de dados, restrições de tempo, tolerância a erros e infraestrutura disponível.

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pt/blog/spring-boot/spring-batch-5-interview-partitioning-chunks-fault-tolerance