1. Azkaban是什么?
Azkaban是由Linkedin公司推出的一个批量工作流任务调度器,主要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,它的配置是通过简单的key:value对的方式,通过配置中的Dependencies 来设置依赖关系。Azkaban使用job配置文件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。
2.为什么需要工作流调度系统
2.1 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
2.2 各任务单元之间存在时间先后及前后依赖关系
2.3 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:
C通过Hadoop先将原始数据上传到HDFS上(HDFS的操作);
• 使用MapReduce对原始数据进行清洗(MapReduce的操作);
• 将清洗后的数据导入到hive表中(hive的导入操作);
• 对Hive中多个表的数据进行JOIN处理,得到一张hive的明细表(创建中间表);
• 通过对明细表的统计和分析,得到结果报表信息(hive的查询操作);
3. Azkaban特点
• 兼容任何版本的hadoop
• 易于使用的Web用户界面
• 简单的工作流的上传
• 方便设置任务之间的关系
• 调度工作流
• 模块化和可插拔的插件机制
• 认证/授权(权限的工作)
• 能够杀死并重新启动工作流
• 有关失败和成功的电子邮件提醒
4 常见工作流调度系统
• 简单的任务调度:直接使用crontab实现;
• 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等
5. Azkaban架构
Azkaban在LinkedIn上实施,以解决Hadoop作业依赖问题。我们有工作需要按顺序运行,从ETL工作到数据分析产品。最初是单一服务器解决方案,随着多年来Hadoop用户数量的增加,Azkaban 已经发展成为一个更强大的解决方案。
Azkaban由三个关键组件构成:关系型数据库(MySQL), AzkabanWebServer, AzkabanExecutorServer
• AzkabanWebServer:AzkabanWebServer是整个Azkaban工作流系统的主要管理者,它用户登录认证、负责project管理、定时执行工作流、跟踪工作流执行进度等一系列任务。
• AzkabanExecutorServer:负责具体的工作流的提交、执行,它们通过mysql数据库来协调任务的执行。
• 关系型数据库(MySQL):存储大部分执行流状态,AzkabanWebServer和AzkabanExecutorServer都需要访问数据库。
6.Azkaban下载地址
下载地址:http://azkaban.github.io/downloads.html