基于Azkaban的任务定时调度实践

本文由云+社区发表

作者：maxluo

一、Azkaban介绍

Azkaban是LinkedIn开源的任务调度框架，类似于JavaEE中的JBPM和Activiti工作流框架。

Azkaban功能和特点：

1，任务的依赖处理。

2，任务监控，失败告警。

3，任务流的可视化。

4，任务权限管理。

常见的任务调度框架有Apache Oozie、LinkedIn Azkaban、Apache Airflow、Alibaba Zeus,由于Azkaban具有轻量可插拔、友好的WebUI、SLA告警、完善的权限控制、易于二次开发等优点，也得到了广泛应用。下图为Azkaban的架构图，主要有三部分组成：Azkaban Webserver、Azkaban Executor、 DB。

Webserver主要负责权限验证、项目管理、作业流下发等工作；

Executor主要负责作业流/作业的具体执行以及搜集执行日志等工作；

MySQL用于存储作业/作业流的执行状态信息。图中所示的是单executor场景，但是实际应用中大部分的项目使用的都是多executor场景。

1.1 作业流执行过程

Azkaban webserver会根据搜集起来的Executor的状态选择一个合适的任务运行节点，并将任务推送给该节点，管理并运行该工作流的所有job。

1.2 部署模式

Azkaban支持三种部署模式，分别用于学习和测试，高可用部署方式。

solo-server模式

DB使用的是一个内嵌的H2，Web Server和Executor Server运行在同一个进程里。这种模式包含Azkaban的所有特性，但一般用来学习和测试。

two-server模式

DB使用的是MySQL，MySQL支持master-slave架构，Web Server和Executor Server运行在不同的进程中。

分布式multiple-executor模式

DB使用的是MySQL，MySQL支持master-slave架构，Web Server和Executor Server运行在不同机器上，且有多个Executor Server。

1.3 编译部署

编译环境

yum install git 

yum install gcc-c++

yum install java-1.8.0-openjdk-devel

下载源码&解压

mkdir –p /data/azkaban/install

cd /data/azkaban

wget https://github.com/azkaban/azkaban/archive/3.42.0.tar.gz

mv 3.42.0.tar.gz azkaban-3.42.0.tar.gz

tar -zxvf azkaban-3.42.0.tar.gz

编译

cd azkaban-3.42.0

./gradlew build installDist -x test

solo-server模式部署

下面为了部署测试简单，采用solo-server模式进行部署。

cd /data/azkaban/install tar -zxvf ../azkaban-3.42.0/azkaban-solo-server/build/distributions/azkaban-solo-server-0.1.0-SNAPSHOT.tar.gz -C .

修改时区

cd /data/azkaban/install/azkaban-solo-server-0.1.0-SNAPSHOT

tzselect #选择Asia/Shanghai

vim ./conf/azkaban.properties

default.timezone.id=Asia/Shanghai #修改时区

启动

./bin/azkaban-solo-start.sh

注:启动/关闭必须进到/data/azkaban/install/azkaban-solo-server-0.1.0-SNAPSHOT/目录。

二、Azkaban与数仓集群的网络互通

目前Azkaban与云产品Snova网络互通基于两个事实：1，Azkaban Executor的服务器能够访问外网或者能够访问Snova的服务端IP。2，Snova提供外网IP访问的能力。下图为网络连通示意图：

Azkaban Executor在执行运行job时，其脚本或者命令通过公网IP访问Snova。

接下来分步骤讲解如何基于Azkaban的工作流。

三、前期准备工作

3.1 Snova集群创建外网IP

在Snova集群控制台，基础配置页面，点击“申请外网地址”，等待运行成功后，会看到访问该集群的外网IP地址。

3.2 添加Snova访问地址白名单

在Snova控制台，集群详情页，配置页，新建白名单如下所示。

为什么要建这个访问白名单？

为了系统安全，Snova默认情况是拒绝不在白名单的地址或者用户访问数据库。

即配置IP白名单CIDR地址为xx.xx.xx.xx/xx,包括所有Azkaban Executor的所有IP或者网段。

3.3 用户授权

在3.2章节中，建议单独创建一个用户用于SCF的任务调度和计算。因此需要授权该用户访问对应数据库和表的权限。

创建用户

CREATE USER scf_visit WITH LOGIN PASSWORD 'scf_passwd';

并设置用户访问密码。

数据库表授权

GRANT ALL on t1 to scf_visit;

四、定时调度任务

http://node1:8081/index

登录Azkaban，Create Project=>Upload 上一步生成的zip包 =>execute flow执行一步步操作即可。

具体步骤可以见参考文档：

https://www.cnblogs.com/qingyunzong/p/8810610.html

4.1 创建工程

4.2 创建job

job1

文件名:job.job，必须以.job结尾。内容如下：

type=command

command=echo "job1"

retries=5

注：type类型及使用方式见https://azkaban.github.io/azkaban/docs/latest/#job-types

job2

type=command

dependencies=job1

retries=5

command=echo "job2 xx"

command.1=ls –al

注：dependencies为该job依赖的任务文件名（不包括.job后缀）。如果依赖多个，则以逗号分隔，如job2,job5。

job3

type=command

dependencies=job2,job5

command=sleep 60

job5

type=command

dependencies=job1

command=pwd

job6

type=command

dependencies=job3

command=sh /data/shell/admin.sh psqlx

其中/data/shell/admin.sh ，注意作用可以封装用户功能代码，脚本内容如下，实现读取表中的数据，并进行打印：

function psqlx() {  result=PGPASSWORD=scf_passwd  psql -h xx.xx.xx.xx  -p xx -U scf_visit   -d postgres <<EOF select * from t1; EOF  echo $result }

4.3上传job压缩包

压缩所有job文件到一个zip包中。注意：所有文件必须在压缩包的根目录中，没有子目录，如下：

4.3运行

查询执行过程和结果。

4.4设置周期调度

在调试成功完成后，可以设置周期调度计划，比如每天定时进行工作流的调度，完成运行计划。

五、实践总结

对市面上最流行的两种调度器，给出以下详细对比。知名度比较高的应该是Apache Oozie。

5.1 对比

从功能上来对比

　　两者均可以调度linux命令、mapreduce、spark、pig、java、hive、java程序、脚本工作流任务

　　两者均可以定时执行工作流任务

从工作流定义上来对比

　　1、Azkaban使用Properties文件定义工作流

　　2、Oozie使用XML文件定义工作流

从工作流传参上来对比

　　1、Azkaban支持直接传参，例如${input}

　　2、Oozie支持参数和EL表达式，例如${fs:dirSize(myInputDir)}

从定时执行上来对比

　　1、Azkaban的定时执行任务是基于时间的

　　2、Oozie的定时执行任务基于时间和输入数据

从资源管理上来对比

　　1、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

　　2、Oozie暂无严格的权限控制

5.2 应用场景

对于数据分析基本上可以概括为三个步骤：一、数据导入。二、数据计算。三、数据导出。

三个类型的任务可能是多个并发运行，且任务依赖。因此Azkaban基本上能满足以上的任务调度管理和运行场景需求。

首先创建一个job1，用于用户数据导入，比如从cos导入,任务内容执行以下SQL命令。

insert into gp_table select * from cos_table;

数据的导入也可以通过其他导入工具，如DataX将其他数据库的数据周期性的导入Snova数据仓库中。因此只需把DataX部署到Azkaban Executor机器对应目录，并进行调用即可

其次，创建job2,用户数据计算分析。该步骤可以是多个job多次运行的结果，也可以是并发运行。

最后，可以把计算结果出库到应用数据库。

insert into cos_table select * from gp_table;

5.2 不足

1，Azkaban目前Job粒度的失败重试理解相对复杂，在Projects->Executions找到对应的执行失败的Id，选择该执行实例ID，进入详情，点击重新运行，则会生成一个全新的工作流实例ID，而不是重新运行原来失败的实例ID，新的实例ID从失败的job开始运行，已经成功运行的直接跳过，不再运行。

2，job通过shell命令启动复杂的程序，shell返回成功，并不代表程序运行成功。

3，job运行管理容错性不足，当一个job提交一个运行任务后，此时重启或者executor进程挂掉，该任务将出现状态失败的情况，实际可能任务已经运行成功。

此文已由腾讯云+社区在各渠道发布

获取更多新鲜技术干货，可以关注我们腾讯云技术社区-云加社区官方号及知乎机构号