knowledge_azkaban

目录

• 1 工作流调度器azkaban
  • 1.1 概述
    • 1.1.1 为什么需要工作流调度系统
    • 1.1.2 工作流调度实现方式
    • 1.1.3 常见工作流调度系统
    • 1.1.4 各种调度工具特性对比
    • 1.1.5 Azkaban与Oozie对比
  • 1.2 Azkaban介绍
  • 1.3 Azkaban安装部署
    • 1.3.1 azkaban的编译
    • 1.3.2 azkaban单服务模式安装与使用
    • 1.3.3 azkaban两个服务模式安装
  • 1.4 Azkaban实战

1 工作流调度器azkaban

1.1 概述

azkaban官网：https://azkaban.github.io/

1.1.1 为什么需要工作流调度系统

1. 一个完整的数据分析系统通常都是由大量任务单元组成：shell脚本程序，java程序，mapreduce程序、hive脚本等
2. 各任务单元之间存在时间先后及前后依赖关系
3. 为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行

例如，我们可能有这样一个需求，某个业务系统每天产生20G原始数据，我们每天都要对其进行处理，处理步骤如下所示：

1. 通过Hadoop先将原始数据同步到HDFS上；
2. 借助MapReduce计算框架对原始数据进行转换，生成的数据以分区表的形式存储到多张Hive表中；
3. 需要对Hive中多个表的数据进行JOIN处理，得到一个明细数据Hive大表；
4. 将明细数据进行各种统计分析，得到结果报表信息；
5. 需要将统计分析得到的结果数据同步到业务系统中，供业务调用使用。

1.1.2 工作流调度实现方式

简单的任务调度：直接使用linux的crontab来定义；
复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如ooize、azkaban、airflow等

1.1.3 常见工作流调度系统

市面上目前有许多工作流调度器，在hadoop领域，常见的工作流调度器有Oozie, Azkaban,Cascading,Hamake等。

1.1.4 各种调度工具特性对比

下面的表格对上述四种hadoop工作流调度器的关键特性进行了比较，尽管这些工作流调度器能够解决的需求场景基本一致，但在设计理念，目标用户，应用场景等方面还是存在显著的区别，在做技术选型的时候，可以提供参考。

特性	Hamake	Oozie	Azkaban	Cascading
工作流描述语言	XML	XML (xPDL based)	text file with key/value pairs	Java API
依赖机制	data-driven	explicit	explicit	explicit
是否要web容器	No	Yes	Yes	No
进度跟踪	console/log messages	web page	web page	Java API
Hadoop job调度支持	no	yes	yes	yes
运行模式	command line utility	daemon	daemon	API
Pig支持	yes	yes	yes	yes
事件通知	no	no	no	yes
需要安装	no	yes	yes	no
支持的hadoop版本	0.18+	0.20+	currently unknown	0.18+
重试支持	no	workflownode evel	yes	yes
运行任意命令	yes	yes	yes	yes
Amazon EMR支持	yes	no	currently unknown	yes

1.1.5 Azkaban与Oozie对比

对市面上最流行的两种调度器，给出以下详细对比，以供技术选型参考。总体来说，ooize相比azkaban是一个重量级的任务调度系统，功能全面，但配置使用也更复杂。如果可以不在意某些功能的缺失，轻量级调度器azkaban是很不错的候选对象。

详情如下：

1. 功能
   • 两者均可以调度mapreduce,pig,java,脚本工作流任务
   • 两者均可以定时执行工作流任务
2. 工作流定义
   • Azkaban使用Properties文件定义工作流
   • Oozie使用XML文件定义工作流
3. 工作流传参
   • Azkaban支持直接传参，例如$
   • Oozie支持参数和EL表达式，例如$
4. 定时执行
   • Azkaban的定时执行任务是基于时间的
   • Oozie的定时执行任务基于时间和输入数据
5. 资源管理
   • Azkaban有较严格的权限控制，如用户对工作流进行读/写/执行等操作
   • Oozie暂无严格的权限控制
6. 工作流执行
   • Azkaban有两种运行模式，分别是solo server mode(executor server和web server部署在同一台节点)和multi server mode(executor server和web server可以部署在不同节点)
   • Oozie作为工作流服务器运行，支持多用户和多工作流
7. 工作流管理
   • Azkaban支持浏览器以及ajax方式操作工作流
   • Oozie支持命令行、HTTP REST、Java API、浏览器操作工作流

1.2 Azkaban介绍

Azkaban是由Linkedin开源的一个批量工作流任务调度器。用于在一个工作流内以一个特定的顺序运行一组工作和流程。
Azkaban定义了一种KV文件(properties)格式来建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。

它有如下功能特点：

1. Web用户界面
2. 方便上传工作流
3. 方便设置任务之间的关系
4. 调度工作流
5. 认证/授权(权限的工作)
6. 能够杀死并重新启动工作流
7. 模块化和可插拔的插件机制
8. 项目工作区
9. 工作流和任务的日志记录和审计
   

1.3 Azkaban安装部署

1.3.1 azkaban的编译

我们这里选用azkaban3.51.0这个版本自己进行重新编译，编译完成之后得到我们需要的安装包进行安装。
注意：我们这里编译需要使用jdk1.8的版本来进行编译，如果编译服务器使用的jdk版本是1.7的，记得切换成jdk1.8，我们这里使用的是jdk8u141这个版本来进行编译。

cd /app/
wget https://github.com/azkaban/azkaban/archive/3.51.0.tar.gz
tar -zxvf 3.51.0.tar.gz -C ../servers/
cd /develop/azkaban-3.51.0/
yum -y install git
yum -y install gcc-c++
./gradlew build installDist -x test

编译之后需要的安装文件列表如下：

1. azkaban-exec-server
   编译完成之后得到我们需要的安装包在以下目录下即可获取得到：
   /develop/azkaban-3.51.0/azkaban-exec-server/build/distributions

2. azkaban-web-server
   存放目录：/develop/azkaban-3.51.0/azkaban-web-server/build/distributions

3. azkaban-solo-server
   存放目录：/develop/azkaban-3.51.0/azkaban-solo-server/build/distributions

4. execute-as-user.c
   azkaban two server模式下需要的C程序在这个路径下面：/develop/azkaban-3.51.0/az-exec-util/src/main/c

5. 数据库脚本文件
   存放目录：/develop/azkaban-3.51.0/azkaban-db/build/install/azkaban-db

1.3.2 azkaban单服务模式安装与使用

1. 所需软件：
   azkaban-solo-server

2. 单服务模式安装：

   1. 解压
      azkaban的solo server使用的是一个单节点的模式来进行启动服务的，只需要一个azkaban-solo-server-0.1.0-SNAPSHOT.tar.gz的安装包即可启动，所有的数据信息都是保存在H2这个azkaban默认的数据当中。上传我们的压缩包，然后修改配置文件启动即可：
      cd /app
tar -zxvf azkaban-solo-server-0.1.0-SNAPSHOT.tar.gz -C ../servers/

   2. 修改两个配置文件

      • 修改时区配置文件
        cd /develop/azkaban-solo-server-0.1.0-SNAPSHOT/conf
vim azkaban.properties
default.timezone.id=Asia/Shanghai
        

      • 修改commonprivate.properties配置文件
        cd /develop/azkaban-solo-server-0.1.0-SNAPSHOT/plugins/jobtypes
vim commonprivate.properties
execute.as.user=false
memCheck.enabled=false

   注：如果启用内存检查，则当系统内存小于4G，azkaban不会运行，所以此处禁用内存检查。

   3. 启动solo-server
      cd /develop/azkaban-solo-server-0.1.0-SNAPSHOT
bin/start-solo.sh

   4. 浏览器页面访问
      http://node03:8081/
      

3. 单服务模式使用
   需求：使用azkaban调度我们的shell脚本，执行linux的shell命令。
   

创建普通文本文件foo.job ，文件内容如下：
type=command
command=echo "hello world"

然后将这个文件打包为压缩文件（注：一定要打包为.zip格式！）。
azkaban上传我们的压缩包：

1.3.3 azkaban两个服务模式安装

1. 确认所需软件
   Azkaban Web服务安装包：azkaban-web-server-0.1.0-SNAPSHOT.tar.gz
   Azkaban执行服务安装包：azkaban-exec-server-0.1.0-SNAPSHOT.tar.gz
   编译之后的sql脚本：create-all-sql-0.1.0-SNAPSHOT.sql
   C程序文件脚本：execute-as-user.c程序
   

2. 数据库准备
   进入mysql的客户端，并执行以下命令：

mysql  -uroot -proot
-- 执行以下命令
CREATE DATABASE azkaban;
CREATE USER 'azkaban'@'%' IDENTIFIED BY 'azkaban';   
GRANT all privileges ON azkaban.* to 'azkaban'@'%' identified by 'azkaban' WITH GRANT OPTION;
flush privileges;
use azkaban;
source /app/create-all-sql-0.1.0-SNAPSHOT.sql;

3. 解压软件安装包

# 解压azkaban-web-server
cd /app
tar -zxvf azkaban-web-server-0.1.0-SNAPSHOT.tar.gz -C ../servers/
cd /develop
mv azkaban-web-server-0.1.0-SNAPSHOT/ azkaban-web-server-3.51.0

# 解压azkaban-exec-server
cd /app
tar -zxvf azkaban-exec-server-0.1.0-SNAPSHOT.tar.gz -C ../servers/
cd /develop
mv azkaban-exec-server-0.1.0-SNAPSHOT/ azkaban-exec-server-3.51.0

4. 安装SSL安全认证
   安装ssl安全认证，允许我们使用https的方式访问我们的azkaban的web服务。
   密码一定要一个个的字母输入，或者粘贴也行。
   cd /develop/azkaban-web-server-3.51.0
keytool -keystore keystore -alias jetty -genkey -keyalg RSA

5. azkaban web server安装
   修改azkaban-web-server的配置文件：

cd /develop/azkaban-web-server-3.51.0/conf
vim azkaban.properties

# Azkaban Personalization Settings
azkaban.name=Azkaban
azkaban.label=My Azkaban
azkaban.color=#FF3601
azkaban.default.servlet.path=/index
web.resource.dir=web/
default.timezone.id=Asia/Shanghai
# Azkaban UserManager class
user.manager.class=azkaban.user.XmlUserManager
user.manager.xml.file=conf/azkaban-users.xml
# Loader for projects
executor.global.properties=conf/global.properties
azkaban.project.dir=projects
# Velocity dev mode
velocity.dev.mode=false
# Azkaban Jetty server properties.
jetty.use.ssl=true
jetty.maxThreads=25
jetty.port=8081
jetty.ssl.port=8443
jetty.keystore=/develop/azkaban-web-server-3.51.0/keystore
jetty.password=azkaban
jetty.keypassword=azkaban
jetty.truststore=/develop/azkaban-web-server-3.51.0/keystore
jetty.trustpassword=azkaban
# Azkaban Executor settings
# mail settings
mail.sender=
mail.host=
# User facing web server configurations used to construct the user facing server URLs. They are useful when there is a reverse proxy between Azkaban web servers and users.
# enduser -> myazkabanhost:443 -> proxy -> localhost:8081
# when this parameters set then these parameters are used to generate email links.
# if these parameters are not set then jetty.hostname, and jetty.port(if ssl configured jetty.ssl.port) are used.
# azkaban.webserver.external_hostname=myazkabanhost.com
# azkaban.webserver.external_ssl_port=443
# azkaban.webserver.external_port=8081
job.failure.email=
job.success.email=
lockdown.create.projects=false
cache.directory=cache
# JMX stats
jetty.connector.stats=true
executor.connector.stats=true
# Azkaban mysql settings by default. Users should configure their own username and password.
database.type=mysql
mysql.port=3306
mysql.host=node03
mysql.database=azkaban
mysql.user=azkaban
mysql.password=azkaban
mysql.numconnections=100
#Multiple Executor
azkaban.use.multiple.executors=true
#azkaban.executorselector.filters=StaticRemainingFlowSize,MinimumFreeMemory,CpuStatus
azkaban.executorselector.comparator.NumberOfAssignedFlowComparator=1
azkaban.executorselector.comparator.Memory=1
azkaban.executorselector.comparator.LastDispatched=1
azkaban.executorselector.comparator.CpuUsage=1
azkaban.activeexecutor.refresh.milisecinterval=10000
azkaban.queueprocessing.enabled=true
azkaban.activeexecutor.refresh.flowinterval=10
azkaban.executorinfo.refresh.maxThreads=10

6. azkaban executor server 安装
   第一步：修改azkaban-exex-server配置文件

cd /develop/azkaban-exec-server-3.51.0/conf
vim azkaban.properties
 
# Azkaban Personalization Settings
azkaban.name=Azkaban
azkaban.label=My Azkaban
azkaban.color=#FF3601
azkaban.default.servlet.path=/index
web.resource.dir=web/
default.timezone.id=Asia/Shanghai
# Azkaban UserManager class
user.manager.class=azkaban.user.XmlUserManager
user.manager.xml.file=conf/azkaban-users.xml
# Loader for projects
executor.global.properties=conf/global.properties
azkaban.project.dir=projects
# Velocity dev mode
velocity.dev.mode=false
# Azkaban Jetty server properties.
jetty.use.ssl=true
jetty.maxThreads=25
jetty.port=8081
jetty.keystore=/develop/azkaban-web-server-3.51.0/keystore
jetty.password=azkaban
jetty.keypassword=azkaban
jetty.truststore=/develop/azkaban-web-server-3.51.0/keystore
jetty.trustpassword=azkaban
# Where the Azkaban web server is located
azkaban.webserver.url=https://node03:8443
# mail settings
mail.sender=
mail.host=
# User facing web server configurations used to construct the user facing server URLs. They are useful when there is a reverse proxy between Azkaban web servers and users.
# enduser -> myazkabanhost:443 -> proxy -> localhost:8081
# when this parameters set then these parameters are used to generate email links.
# if these parameters are not set then jetty.hostname, and jetty.port(if ssl configured jetty.ssl.port) are used.
# azkaban.webserver.external_hostname=myazkabanhost.com
# azkaban.webserver.external_ssl_port=443
# azkaban.webserver.external_port=8081
job.failure.email=
job.success.email=
lockdown.create.projects=false
cache.directory=cache
# JMX stats
jetty.connector.stats=true
executor.connector.stats=true
# Azkaban plugin settings
azkaban.jobtype.plugin.dir=plugins/jobtypes
# Azkaban mysql settings by default. Users should configure their own username and password.
database.type=mysql
mysql.port=3306
mysql.host=node03
mysql.database=azkaban
mysql.user=azkaban
mysql.password=azkaban
mysql.numconnections=100
# Azkaban Executor settings
executor.maxThreads=50
executor.flow.threads=30

第二步：添加插件
将我们编译后的C文件execute-as-user.c上传到这个目录来/develop/azkaban-exec-server-3.51.0/plugins/jobtypes，或者直接将我们/app下面的文件拷贝过来也行。

cp /app/execute-as-user.c /develop/azkaban-exec-server-3.51.0/plugins/jobtypes/
# 然后执行以下命令生成execute-as-user
yum -y install gcc-c++
cd /develop/azkaban-exec-server-3.51.0/plugins/jobtypes
gcc execute-as-user.c -o execute-as-user  [[a1]](#a1)  <a href="#a1">[a2]</a>
chown root execute-as-user
chmod 6050 execute-as-user

设置内部链接：
[a1]
[a2]
语法：[[a1]](#a1) <a href="#a1">[a2]</a>

第三步：修改配置文件
修改配置文件

cd  /develop/azkaban-exec-server-3.47.0/plugins/jobtypes
vim commonprivate.properties

execute.as.user=false
memCheck.enabled=false
azkaban.native.lib=/develop/azkaban-exec-server-3.51.0/plugins/jobtypes

最终生成如下：

7. 启动服务
   第一步：启动azkaban exec server
   cd /develop/azkaban-exec-server-3.51.0
bin/start-exec.sh

第二步：激活我们的exec-server
node03机器任意目录下执行以下命令：
（实际测试时，必须在/develop/azkaban-exec-server-3.51.0/路径下运行，否则报错）
curl -G "node03:$(<./executor.port)/executor?action=activate" && echo

第三步：启动azkaban-web-server
cd /develop/azkaban-web-server-3.51.0/
bin/start-web.sh

访问地址：https://node03:8443

修改linux的时区问题：
由于先前做好了时钟同步，所以不用担心时区问题，不需要修改时区了。

注：先配置好服务器节点上的时区。
1、先生成时区配置文件Asia/Shanghai，用交互式命令 tzselect 即可
2、拷贝该时区文件，覆盖系统本地时区配置
cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime

[a1] {#a1} 如果提示gcc command not found，那么就在线安装gcc+c++即可。 任意目录执行命令 yum -y install gcc-c++

1.4 Azkaban实战

Azkaba内置的任务类型支持command、java

1. Command类型单一job示例：
   创建job描述文件：创建文本文件，更改名称为mycommand.job，注意后缀.txt一定不要带上，保存为格式为UFT-8 without bom；
   内容如下：
   type=command
command=echo 'hello world'
   将job资源文件打包成zip文件。
   创建project并上传压缩包，通过azkaban的web管理平台创建project并上传job压缩包(zip包)，启动执行job。

2. Command类型多job工作流flow：

   1. 创建有依赖关系的多个job描述
      第一个job：foo.job
      type=command
command=echo 'foo'
      第二个job：bar.job依赖foo.job
      type=command
dependencies=foo
command=echo 'bar'
   2. 将所有job资源文件打到一个zip包中
   3. 在azkaban的web管理界面创建工程并上传zip包
   4. 启动工作流flow

3. HDFS操作任务

   1. 创建job描述文件fs.job
      type=command
command=/develop/hadoop-2.6.0-cdh5.14.0/bin/hadoop fs -mkdir /azkaban
   2. 将job资源文件打包成zip文件
   3. 通过azkaban的web管理平台创建project并上传job压缩包
   4. 启动执行该job

4. MAPREDUCE任务
   Mr任务依然可以使用command的job类型来执行：

   1. 创建job描述文件，及mr程序jar包（示例中直接使用hadoop自带的example jar）
      type=command
command=/develop/hadoop-2.6.0-cdh5.14.0/bin/hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.14.0.jar pi 3 5
   2. 将所有job资源文件打到一个zip包中
   3. 在azkaban的web管理界面创建工程并上传zip包
   4. 启动job

5. HIVE脚本任务

   1. 创建job描述文件和hive脚本

   • Hive脚本： hive.sql
     create database if not exists azhive;
use azhive;
     `create table if not exists aztest(id string,name string) row format delimited fields terminated by '\t';

   • Job描述文件：hive.job
     type=command
command=/develop/hive-1.1.0-cdh5.14.0/bin/hive -f 'hive.sql'

   2. 将所有job资源文件打到一个zip包中；
   3. 在azkaban的web管理界面创建工程并上传zip包；
   4. 启动job。

6. azkaban的定时任务
   使用azkaban的scheduler功能可以实现对我们的作业任务进行定时调度功能。
   开启方式如下截图所示：
   
   
   
   

设置定时任务，如下截图所示：

*/1 * ? * *  # 每分钟执行一次定时调度任务
0 1 ? * *  # 每天晚上凌晨一点钟执行这个任务
0 */2 ? * *  # 每隔两个小时定时执行这个任务
30 21 ? * * # 每天晚上九点半定时执行这个任务

注：可以网上搜索在线crontab表达式生成器。