工作流调度器Azkaban

1.工作流调度器

1.为什么需要工作流调度系统

• 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
  • 各任务单元之间存在时间先后及前后依赖关系
  • 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：
  • 通过Hadoop先将原始数据同步到HDFS上；
  • 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；
  • 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宽表；
  • 将明细数据进行各种统计分析，得到结果报表信息；
  • 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。

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、dophinschedule等

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(work flow)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格式文件(properties)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：
  • 提供功能清晰、简单易用的web UI界面
    • 方便上传工作流
    • 调度工作流
    • 能够杀死并重新启动工作流
    • 工作流和任务的日志记录和审计
  • 提供job配置文件快速建立任务和任务之间的关系
  • 提供模块化的可插拔机制，原生支持command、java、hive、hadoop
  • 安全性高：认证/授权(权限的工作)
  • 提供分布式的多个执行服务器executor
  • 提供conditional workflow工作流

3. azkaban的基本架构

• Azkaban由三部分构成
  • 1、Azkaban Web Server
    提供了Web UI，是azkaban的主要管理者，包括 project 的管理，认证，调度，对工作流执行过程的监控等。
  • 2、Azkaban Executor Server
    负责具体的工作流和任务的调度提交
  • 3、Mysql
    用于保存项目、日志或者执行计划之类的信息

4. Azkaban架构的三种运行模式

1. solo server mode(单机模式）

• solo server mode是azkaban的一个独立的实例
• 易于安装：不需要安装mysql，它内置了H2数据库，作为它的底层持久化存储
• 易于开始使用：管理服务器web server和执行服务器execute server都在一个进程中运行，任务量不大项目可以采用此模式
• 包含azkaban所有的功能
• 有兴趣的同学，可以参考官网文档

2. two server mode

• web server 和 executor server运行在不同的进程
• 数据库为mysql，管理服务器和执行服务器在不同进程
• 这种模式下，管理服务器和执行服务器互不影响。
  ​

3. multiple executor mode

• web server 和 executor server运行在不同的进程，executor server有多个
• 该模式下，执行服务器和管理服务器在不同主机上，且执行服务器可以有多个。