调度框架Azkaban快速入门

作者：林伟兵，叩丁狼高级讲师。本文为原创文章，转载请注明出处。

1. Azkaban概述

Azkaban技术产生前景：

在大数据分析场景中，以ETL（ Extract抽取 -Transform交互转换 -Load加载）为例，数据的操作包含了如下流程：RDBMS ==>Sqoop ==>Hadoop ==>Sqoop ==>RDBMS/NoSQL/...,这里涉及了三个流程：数据抽取 ==> 数据清洗 ==> 数据入库。

这三个步骤出现了明显的顺序问题。假设数据抽取需要3h,数据清洗需要2h,数据入库需要1h。我们可以使用linux shell提供的crontab 来实现。他的优点是使用简单，缺点却有很多：

 1. 流程不便于跟踪和监控（流程某个环境出错没办法监控）。
    2. 在这个流程中有些模块执行的时间可能出现延迟/提前。比如数据清洗预测需要2h,结果用了3h，此刻数据入库在前一个任务还没执行完就已经开始执行了；比如清洗预测需要2h,结果用了1h，导致后面的流程出现无效等待的状态。

因此，像Azkaban这样的调度框架在我们数据平台中就扮演着很重要的角色。

大数据中常见的调度框架

大数据中常见的调度框架，最常见的就是crontab。除此之外还有很多集成框架：

Quartz：Quartz是OpenSymphony[ˈəʊpən ˈsɪmfəni] 开源组织在Job scheduling领域又一个开源项目，它可以与J2EE与J2SE应用程序相结合也可以单独使用。
Azkaban：Azkaban是由Linkedin公司推出的一个批量工作流任务调度器，其使用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。
Oozie：Oozie是一个工作流引擎服务器，用于运行hadoop map/reduce和hive等任务工作流。同时Oozie还是一个java web程序，运行在java servlet容器中，如tomcat中。Oozie以action为基本单位，可以将多个action构成一个DAG图的模式运行。Oozie工作流通过HPDL（一种通过XML自定义处理的语言）来构造Oozie工作流。
Zeus：宙斯是阿里巴巴开源的一款分布式Hadoop作业调度平台，实现任务的分布式调度，支持多机器的水平扩展。

Azkaban概述

Azkaban是一个由LinkedIn 创建的用来跑Hadoop 任务的批量的工作流执行器；其解决了job依赖顺序的问题，并提供了一个简单易用的用户界面检测我们的工作流。

Azkaban特性如下：

兼容所有Hadoop版本
简单易用的web操作界面和web工作流资源提交机制
在Azkaban中每个项目相互独立互不影响。
良好的工作流执行封装（执行任务流无需太复杂的操作一个按钮搞定）。
模块化和插件化：执行的具体任务不会与Azkaban相互耦合，代码侵入性低。
认证与授权：良好的权限管理机制
跟踪用户的行为：方便出现问题后知道是哪个用户的错误导致的。
任务成功/失败后的邮件通知机制
任务错误的重试机制

Azkaban3.x 以后不提供直接的安装包下载，其安装包需通过Gradle脚本来编译，并且要求最低的Java版本是8. 如下是Azkaban的学习网站：

Azkaban的官网：https://azkaban.github.io
Azkaban的框架源码：https://github.com/azkaban/azkaban
Azkaban文档：https://github.com/azkaban/azkaban.github.io

2. Azkaban架构简析

Azkaban由三个关键组件构成（如下图）：

MySQL关系型数据库：Azkaban使用数据库存储大部分状态，AzkabanWebServer和AzkabanExecutorServer都需要访问数据库。
AzkabanWebServer：AzkabanWebServer是整个Azkaban工作流系统的主要管理者，它负责project管理、用户登录认证、定时执行工作流、跟踪工作流执行进度等一系列任务。
AzkabanExecutorServer：早期版本的Azkaban在单个服务中具有AzkabanWebServer和AzkabanExecutorServer功能，目前Azkaban已将AzkabanExecutorServer分离成独立的服务器。其好处是某个任务流失败后，可以更方便的将其重新执行，便于Azkaban升级。

Azkaban的两种运行模式

在版本3.0中，Azkaban提供了以下两种模式：

solo server mode：最简单的模式，数据库内置的H2数据库，AzkabanWebServer和AzkabanExecutorServer都在一个进程中运行，任务量不大项目可以采用此模式（特别适合初学者学习使用，功能齐全）。
multiple executor mode：适用于更多的生产环境，其使用MySQL 来进行元数据管理并且支持主从结构。在这种模式下web server和executor server 独立运行在不同的主机中。这种模式带来的好处是可以让Azkaban更加健壮和可扩展。

在学习的过程中，我们可以使用来solo server 这种模式来运行Azkaban实例。

3. Azkaban的下载和编译

下载之前请确保本机的 Java 版本为 1.8 。
下载Azkaban源码：

azkaban-common: 基本的依赖包

azkaban-db: 框架核心组件-数据库工具

azkaban-exec-server & azkaban-web-server : 框架核心组件

azkaban-solo-server: 集成运行模式工具包

azkaban-spi : azkaban存储接口以及exception类

azkaban-hadoop-security-plugin: hadoop 有关kerberos插件

在编译源码之前，先要下载gradle的依赖包，至于要什么版本，查看如下：

如下地址是Gradle的官方下载地址：https://services.gradle.org/distributions

下载好对应的版本后，将压缩包存放到如下位置：

修改配置文件：

返回安装包主目录执行编译程序（注意官方给出的编译版本不带测试命令-x test,示例如下）
```
# Build without running tests
>$ ./gradlew build installDist -x test
```
执行上面的命令，出现了git有关的异常，这里主要是系统没有安装git命令，使用yum install -y git,后重新执行步骤4，接下来等待漫长的下载（因为默认使用的是国外的gradle镜像进行资源下载）。

为了减少编译时下载占用时间，一般会为gradle远程资源提供镜像地址方便下载：

#在 ${AZKABAN_HOME}/build.gradle文件中配置,然后重新执行步骤4：
mavenLocal()
maven{ url 'http://maven.aliyun.com/nexus/content/groups/public/'}
maven{ url 'http://maven.oschina.net/content/groups/public/'}

编译成功后，可以找到整个架构的每个部分都会多出一个build文件夹，这才是我们要安装的文件：

[root@azkabanvm azkaban]# ls azkaban-solo-server/build
classes  distributions  install  libs  resources  tmp
[root@azkabanvm azkaban]# ls azkaban-exec-server/build
classes  distributions  install  libs  resources  tmp
[root@azkabanvm azkaban]# ls azkaban-web-server/build
classes  distributions  dust  install  jsToPackage  less  libs  nodejs  resources  tmp
[root@azkabanvm azkaban]# ls azkaban-db/build
classes  distributions  install  libs  sql  tmp