Azkaban学习笔记

1 Azkaban概述

• 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；

  4）大数据场景下每个任务执行时间较长，且通常需要每天都执行这些任务，人工手动等待每个任务执行完毕再执行下一个任务显然是不可行的。

• Azkaban是一个较轻量级的的任务调度工作，可以根据每个任务单元的依赖关系，帮我们自动执行工作流，且可以定时调度工作流程。

• 常见的工作流调度系统：

  1）简单的任务调度（如数据库的定时调度任务，不存在依赖关系）：直接使用Linux的Crontab来定义；

  2）复杂的任务调度（复杂的工作流程，存在依赖关系）：开发调度平台或使用现成的开源调度系统，比如Ooize（Oozie是CDH平台下的工作流调度系统，配合CDH下的HUE进行可视化操作会比较方便，脱离了HUE会比较复杂难操作）、Azkaban（简单易用，通过yaml文件和页面进行工作流调度）、 Airflow（使用python进行工作流调度，需要python基础）、DolphinScheduler（可视化页面进行配置，也比较方便）等。

• Azkaban的架构
  

  Azkaban Web Server：主要的功能有用户管理和权限管理、任务的定时和触发
  Azkaban Executor Server：负责任务的执行
  Mysql：存储工作流的配置、定时规则、任务的执行状态

• Azkaban有两种部署模式，一种是单机模式（测试使用，一个进程，包含了Web Server和Executor Server），一种是集群模式（生产环境使用，Web Server和Executor Server是两个进程，可以部署多Executor Server，用于容灾和负载均衡）

2 Azkaban集群模式安装

• 集群规划，在hadoop102上部署Web Server，在hadoop102、hadoop103、hadoop104部署Executor Server

• 安装步骤
  （1）将azkaban-db-3.84.4.tar.gz（跟mysql相关的建表语句），azkaban-exec-server-3.84.4.tar.gz（executor server的安装包），azkaban-web-server-3.84.4.tar.gz（web server的安装包）上传到hadoop102的/opt/software路径
  （2）解压三个安装包到azkaban文件夹下，并更名

  mv azkaban-exec-server-3.84.4/ azkaban-exec
  mv azkaban-web-server-3.84.4/ azkaban-web
  

  （3）启动mysql，创建azkaban数据库

  mysql> create database azkaban;
  

  （4）创建azkaban用户并赋予权限

  # 设置密码有效长度4位及以上
  install plugin validate_password soname 'validate_password.so';
  mysql> set global validate_password_length=4;
  # 设置密码策略最低级别
  mysql> set global validate_password_policy=0;
  # 创建Azkaban用户，任何主机都可以访问Azkaban，密码是000000
  mysql> CREATE USER 'azkaban'@'%' IDENTIFIED BY '000000';
  # 赋予Azkaban用户增删改查权限
  mysql> GRANT SELECT,INSERT,UPDATE,DELETE ON azkaban.* to 'azkaban'@'%' WITH GRANT OPTION;
  # 创建Azkaban表，完成后退出MySQL
  mysql> use azkaban;
  mysql> source /opt/module/azkaban/azkaban-db-3.84.4/create-all-sql-3.84.4.sql
  mysql> quit;
  

  （5）更改MySQL包大小；防止Azkaban连接MySQL阻塞

  sudo vim /etc/my.cnf
  
  [mysqld]
  max_allowed_packet=1024M
  

  （6）重启mysql

  sudo systemctl restart mysqld
  

  （7）配置Executor Server：编辑azkaban-exec/conf/azkaban.properties，修改如下信息

  # 时区
  default.timezone.id=Asia/Shanghai
  # 指明WebServer所在的主机名
  azkaban.webserver.url=http://hadoop102:8081
  # 指明访问executor的端口号	
  executor.port=12321
  # 数据库相关参数
  database.type=mysql
  mysql.port=3306
  mysql.host=hadoop102
  mysql.database=azkaban
  mysql.user=azkaban
  mysql.password=azkaban
  mysql.numconnections=100
  

  （8）配置Executor Server：分发azkaban-exec到hadoop103、hadoop104

  （9）配置Executor Server：必须进入到/opt/module/azkaban/azkaban-exec路径（因为配置文件中配置了一些相对路径，这个相对路径是基于启动路径的），分别在三台机器上，启动并激活executor server，如果在/opt/module/azkaban/azkaban-exec目录下出现executor.port文件，说明启动成功，也可以在mysql中的executors表中查看，有相应的主机名和激活状态

  [atguigu@hadoop102 azkaban-exec]$ bin/start-exec.sh
  [atguigu@hadoop103 azkaban-exec]$ bin/start-exec.sh
  [atguigu@hadoop104 azkaban-exec]$ bin/start-exec.sh
  [atguigu@hadoop102 azkaban-exec]$ curl -G "hadoop102:12321/executor?action=activate" && echo
  [atguigu@hadoop103 azkaban-exec]$ curl -G "hadoop103:12321/executor?action=activate" && echo
  [atguigu@hadoop104 azkaban-exec]$ curl -G "hadoop104:12321/executor?action=activate" && echo
  

  （10）配置Web Server：编辑azkaban-web/conf/azkaban.properties， 修改如下信息

  ...
  # 时区
  default.timezone.id=Asia/Shanghai
  ...
  # 数据库相关信息
  database.type=mysql
  mysql.port=3306
  mysql.host=hadoop102
  mysql.database=azkaban
  mysql.user=azkaban
  mysql.password=azkaban
  mysql.numconnections=100
  ...
  # StaticRemainingFlowSize：根据各Executor正在排队的任务数选择执行任务的Executor；
  # MinimumFreeMemory：最小空余内存，默认值是6G，空余内存小于6g的Executor被排除。测试环境，必须将MinimumFreeMemory删除掉，否则它会认为集群资源不够，因为每台机器内存都小于6G，不执行。
  # CpuStatus：根据各ExecutorCPU占用情况选择执行任务的Executor；
  azkaban.executorselector.filters=StaticRemainingFlowSize,CpuStatus
  

  （11）配置Web Server：修改azkaban-web/conf/azkaban-users.xml文件，添加F用户

  <azkaban-users>
     <!-- 用户 -->
    <user groups="azkaban" password="azkaban" roles="admin" username="azkaban"/>
    <user password="metrics" roles="metrics" username="metrics"/>
    <user password="123456" roles="admin" username="F"/>
    <!-- 角色 -->
    <role name="admin" permissions="ADMIN"/>
    <role name="metrics" permissions="METRICS"/>
  </azkaban-users>
  

  （12）配置Web Server：必须进入到hadoop102的/opt/module/azkaban/azkaban-web路径，启动web server

  [atguigu@hadoop102 azkaban-web]$ bin/start-web.sh
  

  （13）访问http://hadoop102:8081,并用F用户登陆

3 Azkaban使用

• Azkaban使用最重要的是两个文件的编写，一个是azkaban.project，里面的内容是固定的，指明描述工作流的语法版本是2.0（yaml语法），1.0的语法是properties语法，也即键值对形式

  azkaban-flow-version: 2.0
  

  另外一个是.flow文件，用于描述工作流，2.0使用的是yaml语法，里面的内容是一个nodes数组，nodes数组的每一个元素代表了一个工作单元job

3.1 HelloWorld案例

• HelloWorld案例
  （1）在windows环境，新建azkaban.project文件，编辑内容如下

  azkaban-flow-version: 2.0
  

  （2）新建basic.flow文件，内容如下，其中name为job名称、type为job类型（command表示执行作业的方式为命令）、config是job的配置

  nodes:
    - name: jobA
      type: command
      config:
        command: echo "Hello World"
  

  （3）将azkaban.project、basic.flow文件压缩到一个zip文件，文件名称必须是英文。
  （4）在webserver页面创建项目，给项目命名和添加项目描述
  （5）上传压缩文件
  （6）执行任务流，执行产生的图会实时显示执行状况，绿色代表执行成功，红色代表执行失败，蓝色代表执行中
  

  （7)执行结束后可以在Flow Log中查看工作流执行情况，在Job List中查看每个工作单元的执行情况

3.2 作业依赖案例

• 作业依赖案例：JobA和JobB执行完了，才能执行JobC

  （1）在windows环境，新建azkaban.project文件，编辑内容如下

  azkaban-flow-version: 2.0
  

  （2）新建basic.flow文件，其中dependsOn表示工作单元jobC依赖于工作单元jobA和jobB的完成

  nodes:
    - name: jobC
      type: command
      # jobC 依赖 JobA和JobB
      dependsOn:
        - jobA
        - jobB
      config:
        command: echo "I’m JobC"
  
    - name: jobA
      type: command
      config:
        command: echo "I’m JobA"
  
    - name: jobB
      type: command
      config:
        command: echo "I’m JobB"
  

  （3）将azkaban.project和basic.flow进行压缩
  （4）在webserver页面创建项目，给项目命名和添加项目描述
  （5）上传压缩文件并执行

3.3 自动失败重试案例

• 需求：如果执行任务失败，需要重试3次，重试的时间间隔10000ms

  （1）在windows环境，新建azkaban.project文件，编辑内容如下

  azkaban-flow-version: 2.0
  

  （2）新建basic.flow文件，其中retries是重试次数、retry.baackoff是重试的时间间隔

  nodes:
    - name: JobA
      type: command
      config:
        command: sh /not_exists.sh
        retries: 3
        retry.backoff: 10000
  

  （3）将azkaban.project和basic.flow进行压缩
  （4）在webserver页面创建项目，给项目命名和添加项目描述
  （5）上传压缩文件并执行

• 自动失败重试适用于由于其他因素而不是任务本身因素导致的失败，比如网络波动；而如果是由于任务本身因素导致的失败，自动失败重试往往是没有用的， 这种时候只能自己定位到问题产生处，再进行手动失败重试，避免执行已经成功执行的任务单元。

3.4 手动失败重试案例

• 生产环境下，长工作流中的每一个工作单元都有可能失败，当解决问题之后，需要继续执行工作流，执行方法有两种；第一种是在Web Server页面的HIstory中找到执行失败的工作流，点击Execution Id—Preppare Execution会跳过工作流中执行成功的单元；第二种的是找到执行失败的Project，点击Execute Flow，在展示的工作流界面中，右键Disable想要跳过执行的单元

3.5 JavaProcess作业类型案例

• azkaban的工作单元类型大部分都是command，也可以执行自定义的Java类代码；JavaProcess类型可以运行一个自定义主类方法，type类型为javaprocess，可用的配置为：

  Xms：最小堆

  Xmx：最大堆

  classpath：类路径

  java.class：要运行的Java对象，其中必须包含Main方法

  main.args：main方法的参数

• 步骤
  （1）把编写好的maven项目打包成jar饱

  （2）在windows环境，新建azkaban.project文件，编辑内容如下

  azkaban-flow-version: 2.0
  

  （3）新建basic.flow文件

  nodes:
    - name: test_java
      type: javaprocess
      config:
        Xms: 96M
        Xmx: 200M
        java.class: com.atguigu.AzTest
  

  （4）在Web Server创建项目，把jar包、azkaban.properties和basic.flow打包成zip文件后，上传执行

3.6 条件工作流案例

• 条件工作流功能允许用户自定义执行条件来决定是否运行某些Job。条件可以由当前Job的父Job输出的运行时参数构成，也可以使用预定义宏（azkaban预定义好的一些规则）。在这些条件下，用户可以在确定Job执行逻辑时获得更大的灵活性，例如，只要父Job之一成功，就可以运行当前Job。

• 运行时参数案例的基本原理是

  （1）父Job将参数写入JOB_OUTPUT_PROP_FILE环境变量所指向的文件

  （2）子Job使用 ${jobName:param}来获取父Job输出的参数并定义执行条件
  支持的条件运算符：

  （1）== 等于

  （2）!= 不等于

  （3）> 大于

  （4）>= 大于等于

  （5）< 小于

  （6）<= 小于等于

  （7）&& 与

  （8）|| 或

  （9）! 非

• 运行时参数案例：JobA执行一个shell脚本。JobB执行一个shell脚本，但JobB不需要每天都执行，而只需要每个周一执行。
  （1）新建JobA.sh

  #!/bin/bash
  echo "do JobA"
  wk=`date +%w`
  echo "{\"wk\":$wk}" > $JOB_OUTPUT_PROP_FILE
  

  （2）新建JobB.sh

  #!/bin/bash
  echo "do JobB"
  

  （3）新建condition.flow

  nodes:
   - name: JobA
     type: command
     config:
       command: sh JobA.sh
  
   - name: JobB
     type: command
     dependsOn:
       - JobA
     config:
       command: sh JobB.sh
     condition: ${JobA:wk} == 1
  

  （4）将JobA.sh、JobB.sh、condition.flow和azkaban.project打包成condition.zip
  （5）创建condition项目=》上传condition.zip文件=》执行作业=》观察结果

• Azkaban中预置了几个特殊的判断条件，称为预定义宏。

  预定义宏会根据所有父Job的完成情况进行判断，再决定是否执行。可用的预定义宏如下：

  （1）all_success: 表示父Job全部成功才执行(默认)

  （2）all_done：表示父Job全部完成才执行

  （3）all_failed：表示父Job全部失败才执行

  （4）one_success：表示父Job至少一个成功才执行

  （5）one_failed：表示父Job至少一个失败才执行

• 预定义宏案例：JobA执行一个shell脚本，JobB执行一个shell脚本，JobC执行一个shell脚本，要求JobA、JobB中有一个成功即可执行
  （1）新建JobA.sh

  #!/bin/bash
  echo "do JobA"
  

  （2）新建JobC.sh

  #!/bin/bash
  echo "do JobC"
  

  （3）新建macro.flow

  nodes:
   - name: JobA
     type: command
     config:
       command: sh JobA.sh
  
   - name: JobB
     type: command
     config:
       command: sh JobB.sh
  
   - name: JobC
     type: command
     dependsOn:
       - JobA
       - JobB
     config:
       command: sh JobC.sh
     condition: one_success
  

  （4）JobA.sh、JobC.sh、macro.flow、azkaban.project文件，打包成macro.zip。注意：没有JobB.sh。
  （5）创建macro项目=》上传macro.zip文件=》执行作业=》观察结果

3.7 定时执行案例

• 需求：JobA每间隔1分钟执行一次
  （1）Azkaban可以定时执行工作流。在执行工作流时候，选择左下角Schedule
  （2）右上角注意时区是上海，然后在左面填写具体执行时间，底部会显示接下来执行工作流的最近10个时间
  

  （3)在导航栏里的Scheduling能够查看目前正在调度的任务

3.8 邮件报警案例

• 为了能够及时发现数仓中任务执行产生的问题，Azkaban默认支持进行邮件报警

• 步骤
  （1）开启任意邮箱账号的SMTP服务
  （2）记住授权码
  （3）在azkaban-web节点hadoop102上，编辑/opt/module/azkaban/azkaban-web/conf/azkaban.properties，修改如下内容：保存并重启web-server。

  #这里设置邮件发送服务器，需要 申请邮箱，且开通stmp服务，以下只是例子
  mail.sender=atguigu@126.com
  mail.host=smtp.126.com
  mail.user=atguigu@126.com
  mail.password=用邮箱的授权码
  

  （4）编辑basic.flow

  nodes:
    - name: jobA
      type: command
      config:
        command: echo "This is an email test."
  

  （5）将azkaban.project和basic.flow压缩成email.zip
  （6）在Web Server页面创建项目并上传压缩文件，执行工作流时点击Notification可以设置执行失败和成功时通知邮箱
  

3.9 电话报警案例

• 有时任务执行失败后邮件报警接收不及时，因此可能需要其他报警方式，比如电话报警。如有类似需求，可与第三方告警平台进行集成，例如睿象云。

4 Azkaban多Executor模式注意事项

• Azkaban多Executor模式是指，在集群中多个节点部署Executor。在这种模式下， Azkaban web Server会根据策略，选取其中一个Executor去执行任务。但这种策略可能会导致有时候任务执行失败，因为可能执行任务所需要的脚本和应用在选中的Executor上是没有的。

  为确保所选的Executor能够准确的执行任务，我们须在以下两种方案任选其一，推荐使用方案二

• 方案一：指定特定的Executor（hadoop102）去执行任务。

  1）在MySQL中azkaban数据库executors表中，查询hadoop102上的Executor的id。
  2）在执行工作流程时，选择Flow Parameters，增加一行，name为useExecutor，value为指定执行的Executor的id

  方案二：在Executor所在所有节点部署任务所需脚本和应用。