大数据Hadoop之——任务调度器Azkaban（Azkaban环境部署）

一、概述

1）什么是任务调度？

大数据平台技术框架支持的开发语言多种多样，开发人员的背景差异也很大，这就产生出很多不同类型的程序（任务）运行在大数据平台之上，如：MapReduce、Hive、Pig、Spark、Java、Shell、Python 等。

这些任务需要不同的运行环境，并且除了定时运行，各种类型之间的任务存在依赖关系，一张简单的任务依赖图如下：

2）常见任务调度工具

• Crontab
   （Linux 自带命令，使用方式简单，适合不是非常复杂的场景，比如只按照时间来调度）

• Oozie
  （ Hadoop 自带的开源调度系统，使用方式比较复杂，适合大型项目场景）

• Azkaban
  （一个开源调度系统，使用方式比较简单，适合中小型项目场景）

• 企业定制开发（企业自研的调度系统，不开源）

3）什么是Azkaban

Azkaban是由Linkedin开源的一个批量工作流任务调度器，Azkaban来自LinkedIn公司，用于管理他们的Hadoop批处理工作流。日常生产环境中，为了得到想要的数据，通常需要执行很多作业，一批作业执行完毕，再将中间结果进一步处理，最后得到有价值的数据，因此作业之间执行有先后顺序和依赖关系。这样的一组作业称为一个工作流，Azkaban就是用来构建、运行和管理工作流的工具，它提供友好的Web用户界面来维护和跟踪用户的工作流程。Azkaban已经在LinkedIn运行了好几年，管理着很多Hadoop和数据仓库作业流，具有很强的可用性。

官方文档：
https://azkaban.readthedocs.io/en/latest/
https://azkaban.github.io/azkaban/docs/latest/

简单来讲，它有几个特点：

• 分布式多执行器

• MySQL重试

• 友好的用户界面

• 有条件的工作流

• 数据触发

• 高安全

• 支持插件扩展，从Web UI到作业执行

• 全作者身份管理系统

二、Azkaban 与 Oozie 对比

Azkaban 和 Oozie 是市面上最流行的两种调度器。总体来说，Ooize 相比 Azkaban 是一个重量级的任务调度系统，功能全面，但部署和使用也更复杂，比较适合作为大型项目的任务调度系统。而 Azkaban 相对而言，配置和使用更为简单，能够满足常见的任务调度，比较适合作为中小型项目的任务调度系统。

对比如下：

三、Azkaban 运行模式及架构

Azkaban 三大核心组件

• 关系型元数据库（MySQL）

• Azkaban Web Server

• Azkaban Executor Server

1）Azkaban Web Server

AzkabanWebServer 是 Azkaban 的主要管理者，负责项目管理、身份验证、调度和监控执行,并且为用户界面

2）Azkaban Executor Server

提交和执行工作流，记录工作流日志，和 Azkaban WebServer 可以在同一台服务器，也可部署在独立的机器。把 Executor 单独分开有几个好处：

• 在多 Executor 模式下可以方便扩展

• 工作流在某一个 Executor 挂掉，可以在另一个 Executor 上重试

• 可以滚动升级，从而不影响调度

3）关系型元数据库（MySQL）

负责存储azkaban系统的数据，包括用户上传的工作流文件、作业执行的日志等。Executor Server和Web Server都通过jdbc频繁地对其操作。

Azkaban 元数据库

四、Azkaban安装部署

在3.0版本之后，我们提供了两种模式：独立的“单独服务器”模式和分布式多执行器模式。下面介绍两种模式的区别。

• solo server mode(单机模式)：该模式中Web Server和Executor Server运行在同一个进程中，进程名AzkabanSingleServer。可以使用自带的H2数据库或者配置mysql数据。该模式适用于小规模的使用。

• multiple executor mode（多执行器模式），适用于大规模的生产环境。它的数据库应该由设置了主从关系的MySQL实例进行备份。Web Server和Executor Server运行在不同的进程中，这样升级和维护就不会影响到用户。这种多主机设置为阿兹卡班带来了健壮和可伸缩的方面。

目前我们采用的是multiple executor mode方式，分别在不同的主机上部署多个Azkaban ExecutorServer以应对高并发定时任务执行的情况，从而减轻单个服务器的压力。

安装步骤如下：

• 设置数据库

• 配置数据库以使用多个执行程序

• 为数据库中配置的每个Executor下载并安装Executor Server

• Azkaban安装插件

• 安装Web服务器

官方文档：https://azkaban.readthedocs.io/en/latest/getStarted.html

1）solo server mode安装

1、下载

$ cd opt/bigdata/hadoop/software
$ git clone https://github.com/azkaban/azkaban.git

复制

2、构建Azkaban安装包

$ cd azkaban; ./gradlew build installDist

复制

【温馨提示】如果编译失败了，就多执行几次

3、启动服务

$ cd azkaban-solo-server/build/install/azkaban-solo-server
$ ./bin/start-solo.sh
$ netstat -tnlp|grep 8081

### 停止服务，这里不执行
$ ./bin/shutdown-solo.sh

复制

检查进程

$ jps

复制

4、web访问验证

• 访问http://ip:8081 (默认端口是8081
  )

• zkaban默认登录名/密码：azkaban/azkaban
  

访问：http://192.168.0.113:8081

5、配置https并重启服务

阿兹卡班独立服务器默认不使用SSL。但你也可以在独立的web服务器上用同样的方法设置它。Azkaban web服务器支持SSL套接字连接器，这意味着必须提供密钥存储库，您可以按照以下步骤生成这里提供的有效的jetty密钥存储库:

创建ssl配置

$ keytool -keystore keystore -alias jetty -genkey -keyalg RSA

1.输入密钥库口令: 123456
2.再次输入新口令: 123456
3.[Unknown]: azkaban
4.[Unknown]: azkaban
5.[Unknown]: azkaban
6.[Unknown]: shenzhen
7.[Unknown]: guangdong
8.[Unknown]: CN
9.[no]: Y 
10.(如果和密钥库口令相同, 按回车):

复制

修改Azkaban 配置文件azkaban.properties
或azkaban.private.properties
(推荐)。

$ cd opt/bigdata/hadoop/software/azkaban/azkaban-solo-server/build/install/azkaban-solo-server/conf
$ touch azkaban.private.properties

复制

在azkaban.private.properties
（文件需要创建）配置如下：

# 根据上面设置的填，keystore文件会自动生成
# ssl 文件名
jetty.keystore=/opt/bigdata/hadoop/software/azkaban/azkaban-solo-server/build/install/azkaban-solo-server/keystore
jetty.password=123456
jetty.keypassword=123456
# 文件名
jetty.truststore=/opt/bigdata/hadoop/software/azkaban/azkaban-solo-server/build/install/azkaban-solo-server/keystore
jetty.trustpassword=123456

复制

在azkaban.properties
修改如下配置：

jetty.use.ssl=true
jetty.ssl.port=8443

复制

重启服务

$ ./bin/shutdown-solo.sh ; ./bin/start-solo.sh
$ jps
$ netstat -tnlp|grep 8443

复制

web访问验证

https://192.168.0.113:8443

2）multiple executor mode安装（推荐）

先停掉上面的服务

$ opt/bigdata/hadoop/software/azkaban/azkaban-solo-server/build/install/azkaban-solo-server/bin/shutdown-solo.sh

复制

部署规划

1、把编译好的包copy到其它目录

这里也提供一下我编译的安装包，下载地址如下：

链接：https://pan.baidu.com/s/1zvUyfXg3sCPqBfESWY-oLQ
提取码：6666

$ mkdir opt/bigdata/hadoop/server/azkaban
$ cd opt/bigdata/hadoop/software/azkaban/
$ cp ./azkaban-web-server/build/distributions/azkaban-web-server-3.91.0-313-gadb56414.tar.gz opt/bigdata/hadoop/server/azkaban/
$ cp ./azkaban-exec-server/build/distributions/azkaban-exec-server-3.91.0-313-gadb56414.tar.gz opt/bigdata/hadoop/server/azkaban/
$ cp ./azkaban-db/build/distributions/azkaban-db-3.91.0-313-gadb56414.tar.gz opt/bigdata/hadoop/server/azkaban/

### 解压并改名
$ cd opt/bigdata/hadoop/server/azkaban

复制

2、安装mysql

因为我之前安装过了mysql，不清楚的可以参考我之前的文章：大数据Hadoop之——数据仓库Hive

3、初始化azkaban表

#【温馨提示】一般公司禁止mysql -u root -p123456这种方式连接，在history里有记录，存在安全隐患，小伙伴不要被公司安全审计哦，切记！！！
$ mysql -u root -p
输入密码：123456

CREATE DATABASE azkaban;
CREATE USER 'azkaban'@'%' IDENTIFIED BY 'azkaban';
GRANT SELECT,INSERT,UPDATE,DELETE ON azkaban.* to 'azkaban'@'%' WITH GRANT OPTION;

复制

Mysql数据包大小可能需要重新配置。默认情况下，MySQL允许的包大小可能低得离谱。要增加它，您需要将属性max_allowed_packet
设置为一个更大的数字，比如1024M。要在linux中配置，请打开/etc/my.cnf
或者/etc/my.cnf.d/mysql-server.cnf
（推荐），在mysqld后面的某个地方，添加以下内容:

[mysqld]
max_allowed_packet=1024M

复制

重启mysql服务

$ systemctl restart mysqld
$ netstat -tnlp|grep 3306

复制

开始初始化azkaban表

$ cd opt/bigdata/hadoop/server/azkaban/azkaban-db
# 连接mysql
$ mysql -u root -p
密码：123456

use azkaban
# 可能版本不一样，sql文件也不太一样，create-all-sql-*.sql
source create-all-sql-3.91.0-313-gadb56414.sql

复制

4、安装 Azkaban Executor Server（hadoop-node1）

$ cd opt/bigdata/hadoop/server/azkaban/azkaban-exec
# mysql配置，如果不一样，就需要调整
$ grep mysql conf/azkaban.properties

复制

修改conf/azkaban.properties
配置文件

### 修改时区
default.timezone.id=Asia/Shanghai
### 修改mysql host
mysql.host=hadoop-node1
### webserver.url
azkaban.webserver.url=https://hadoop-node1:8443
### executor.port不设置就是随机值了，不方便管理，所以这里还是固定一个端口号，看资料大部分都是使用12321这个端口，这里也随大流
executor.port=12321

复制

启动服务

# 【温馨提示】必须进入到azkaban-exec目录下执行启动重启命令，因为配置文件中有些路径用的是相对路径
$ cd opt/bigdata/hadoop/server/azkaban/azkaban-exec
# 重启
$ ./bin/shutdown-exec.sh ; ./bin/start-exec.sh
# AzkabanExecutorServer
$ jps
$ telnet -tnlp|grep 12321

复制

在数据库中查看记录

通过接口的方式去激活，不能直接改表字段值，切记！！！

# 记得换成自己的IP或域名
$ curl -G "hadoop-node1:12321/executor?action=activate" && echo

复制

【温馨提示】重启Azkaban Executor Server得重新激活

5、安装 另一台Azkaban Executor Server（hadoop-node2）

• 【第一步】先登录hadoop-node2
  创建azkaban目录

$ mkdir -p opt/bigdata/hadoop/server/azkaban

复制

• 【第二步】登录到hadoop-node1
   copy 安装目录到hadoop-node2

$ cd opt/bigdata/hadoop/server/azkaban
$ scp -r azkaban-exec hadoop-node2:/opt/bigdata/hadoop/server/azkaban/

复制

• 【第三步】启动Executor Server

# 登录到hadoop-node2 切换到azkaban目录
$ cd opt/bigdata/hadoop/server/azkaban/azkaban-exec
$ ./bin/start-exec.sh
$ jps
$ netstat -tnlp|grep 12321

复制

• 【第四步】激活Executor Server

# 记得换成自己的IP或域名
$ curl -G "hadoop-node2:12321/executor?action=activate" && echo

复制

【温馨提示】重启Azkaban Executor Server得重新激活

6、安装Azkaban Web Server（hadoop-node1）

$ cd opt/bigdata/hadoop/server/azkaban/azkaban-web
# mysql配置，如果不一样，就需要调整
$ grep mysql conf/azkaban.properties

复制

修改conf/azkaban.properties
配置文件

### 修改时区
default.timezone.id=Asia/Shanghai
### 修改mysql host
mysql.host=hadoop-node1
### azkaban.executorselector.filters调度策略
# 把MinimumFreeMemory去掉，因为MinimumFreeMemory是6G，自己电脑资源有限，如果小伙伴的机器资源雄厚，可以保留
# StaticRemainingFlowSize：根据排队的任务数来调度任务到哪台executor机器
# CpuStatus：跟据cpu空闲状态来调度任务到哪台executor机器
azkaban.executorselector.filters=StaticRemainingFlowSize,CpuStatus

复制

启动服务

$ ./bin/start-web.sh
$ jps
$ netstat -tnlp|grep 8081

复制

7、配置HTTPS

跟上面的一样

$ keytool -keystore keystore -alias jetty -genkey -keyalg RSA

1.输入密钥库口令: 123456
2.再次输入新口令: 123456
3.[Unknown]: azkaban
4.[Unknown]: azkaban
5.[Unknown]: azkaban
6.[Unknown]: shenzhen
7.[Unknown]: guangdong
8.[Unknown]: CN
9.[no]: Y 
10.(如果和密钥库口令相同, 按回车):

复制

配置

在azkaban-web/azkaban.private.properties
（文件需要创建）配置如下：

# 根据上面设置的填，keystore文件会自动生成
# ssl 文件名
jetty.keystore=/opt/bigdata/hadoop/server/azkaban/azkaban-web/keystore
jetty.password=123456
jetty.keypassword=123456
# 文件名
jetty.truststore=/opt/bigdata/hadoop/server/azkaban/azkaban-web/keystore
jetty.trustpassword=123456

复制

在azkaban-web/azkaban.properties
修改如下配置：

jetty.use.ssl=true
jetty.ssl.port=8443

复制

修改azkaban-exec/conf/azkaban.properties

jetty.port=8443
# Where the Azkaban web server is located
azkaban.webserver.url=https://hadoop-node1:8443

复制

重启服务

$ ./bin/shutdown-web.sh ; ./bin/start-web.sh
$ jps
$ netstat -tnlp|grep 8443

复制

web访问验证：https://192.168.0.113:8443

8、Web 用户与角色

官方文档：https://azkaban.readthedocs.io/en/latest/userManager.html

$ cd opt/bigdata/hadoop/server/azkaban/azkaban-web
$ cat conf/azkaban-users.xml

复制

配置一个管理员用户，增加如下一行

<user password="123456" roles="metrics" username="test"/>

复制

重启web服务

$ ./bin/shutdown-web.sh ; ./bin/start-web.sh

复制

https://hadoop-node1:8443

五、Azkaban实战

官方文档：https://azkaban.readthedocs.io/en/latest/createFlows.html

1）HelloWorld示例（单个工作流）

1、在windows环境，新建helloworld.project
文件，编辑内容如下：

azkaban-flow-version: 2.0

复制

【温馨提示】该文件作用，是采用新的Flow-API方式解析flow文件，内容基本上是固定的，2.0版本xxx.flow是yaml格式，2.0之前的版本是key=value格式，示例如下：

type=command
command=echo 'hello'

复制

2、新建helloworld.flow
文件，内容如下：

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

复制

【温馨提示】注意缩进的空格

• Name：job名称

• Type：job类型。command表示你要执行作业的方式为命令

• Config：job配置
  3、将上面两个文件压缩成一个zip文件，目前只支持zip文件，文件名称必须是英文。
  

4、新建project

5、把zip文件上传到azkaban执行

6、执行

2）工作量依赖案例

• DependentWorkflow.flow

nodes:
  - name: jobA
    type: command
    config:
      command: echo "jobA"
  - name: jobB
    type: command
    config:
      command: echo "jobB"
  - name: jobC
    type: command
    dependsOn:
      - jobA
      - jobB
    config:
      command: echo "jobC"

复制

• DependentWorkflow.project

azkaban-flow-version: 2.0

复制

• 创建project，并把zip文件上传到azkaban执行

• 执行（执行完jobA和jobB才执行jobC）

4）自动失败重试案例

执行一个不存在的脚本/tmp/retry.sh，则任务失败，间隔10000ms，重试3次，其实总共会执行4次，1+3（重试3次）

• AutoFailed2Retry.flow

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

复制

retries
：重试次数
retry.backoff
：重试的间隔时间（ms）

• AutoFailed2Retry.project

azkaban-flow-version: 2.0

复制

• 创建project，并把zip文件上传到azkaban执行

• 执行

执行了4次，最后一次执行的状态为失败状态

5）手动失败重试案例

需求：JobA=》JobB（依赖于A）=》JobC（依赖于B）=》JobD（依赖于C）=》JobE（依赖于D）=》JobF（依赖于E）。生产环境，任何Job都可能挂掉，可以根据需求执行想要执行的Job。这里假设JobC失败了。

• ManualFailed2Retry.flow

---
nodes:
  - name: JobA
    type: command
    config:
      command: echo "This is JobA."
  - name: JobB
    type: command
    dependsOn:
      - JobA
    config:
      command: echo "This is JobB."
  - name: JobC
    type: command
    dependsOn:
      - JobB
    config:
      command: sh /tmp/retry.sh
  - name: JobD
    type: command
    dependsOn:
      - JobC
    config:
      command: echo "This is JobD."
  - name: JobE
    type: command
    dependsOn:
      - JobD
    config:
      command: echo "This is JobE."
  - name: JobF
    type: command
    dependsOn:
      - JobE
    config:
      command: echo "This is JobF."


复制

• ManualFailed2Retry.project

azkaban-flow-version: 2.0

复制

• 创建project，并把zip文件上传到azkaban执行

• 执行

执行到JobC失败了，后面的Job就会自动取消了

• 手动创建这个/tmp/retry.sh脚本，每个Executor都创建这个脚本，因为不确定会调度到哪个Executor

$ echo "echo 'This is JobC.'" > tmp/retry.sh

复制

可以看到，之前JobA和JobB执行成功的就不再执行了。正是预期效果。

6）JavaProcess工作流案例

【温馨提示】type
不单单只有command
，还有javaprocess
，当然还有其它type，例如：noop
等。可以参考官方文档
【概述】

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：最小堆内存

• Xmx：最大堆内存

• classpath：类路径，可以省略，省略的话，是flow当前文件路径

• 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

• 新建azkaban的maven工程或者module

• 创建com.bigdata.AzTest
  类，内容如下：

【示例】

package com.bigdata;

public class AzTest {
    public static void main(String[] args) {
        System.out.println("This is Azkaban Test!!!");
    }
}


复制

• 打包成jar包azkaban-1.0-SNAPSHOT.jar

• 新建com.bigdata.testJava.flow，内容如下：

nodes:
  - name: az_javaprocess_test
    type: javaprocess
    config:
      Xms: 100M
      Xmx: 200M
      java.class: com.bigdata.AzTest

复制

• JavaprocessTest001.project，project文件是固定的也是并不可少的。

azkaban-flow-version: 2.0

复制

• 把三个文件打包成zip包

• 把zip包上传到azkaban上执行

六、Azkaban进阶（条件工作流）

1）条件工作流概述

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。在这些条件下，用户可以在确定Job执行逻辑时获取得更大的灵活性，例如：只要父Job之一成功，就可以运行当前Job。

1、基本原理

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

• 子Job使用${jobName.param}来获取父Job输出的参数并定义执行条件

2、支持的条件运算符：

• == 等于

• != 不等于

• 大于

• = 大于等于

• < 小于

• <= 小于等于

• && 与

• || 或

• ! 非

3、示例

【示例一】
需求：JobA执行一个shell脚本。JoB执行一个shell脚本，但JobB不需要每天都执行，而只需要每周一执行。

• 新建JobA.sh

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

复制

获取当前周第几天，0：周日，1表示周一，则JobB需要到周一才执行，今天不执行

• 新建JobB.sh

#!/bin/bash
echo "do JoB"

复制

• 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

复制

• 将JobA.sh、JobB.sh、condition.flow和azkaban.project打包成xxx.zip

• 创建condition项目=》上传xxx.zip文件=》执行作业=》观察结果

2）预定义宏

1、宏概念

Azkaban中预置了几个特殊的判断条件，称为预定于宏。

预定于宏会根据所有父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：

• all_success
  ：表示父Job全部成功才执行（默认）

• all_done
  ：表示父Job全部完成才执行

• all_failed
  ：表示父Job全部失败才执行

• one_success
  ：表示父Job至少一个成功才执行

• one_failed
  ：表示父Job至少一个失败才执行

2、示例

需求：

• 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

步骤如下：

• 新建JobA.sh

#!/bin/bash
echo "do JobA"

复制

• 新建JobB.sh（不创建，验证）

#!/bin/bash
echo "do JobB"

复制

• 新建JobC.sh

#!/bin/bash
echo "do JobC"

复制

• 新建marco.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

复制

• 新建marco.project

azkaban-flow-version: 2.0

复制

• 把文件打包成zip文件，并上传到azkaban上执行

• 执行

JobB执行失败了，JobC还是执行成功，验证成功。

3）定时执行工作流

拿之前的案例，设置定时调度

每分钟执行一次

把定时任务移除

4）邮件报警

1、开启邮箱协议SMTP服务

这里以QQ邮箱为示范，需要开启邮箱协议

2、修改azkaban-web配置，配置发送邮件信息

$ cd opt/bigdata/hadoop/server/azkaban/azkaban-web
$ vi conf/azkaban.properties
# 修改的内容如下：
mail.sender=2920992033@qq.com
mail.host=smtp.qq.com
# 下面两行没有需要增加
mail.user=2920992033@qq.com
# password就换成上面截图的授权码（自己邮箱授权码）
mail.password=xxxx

复制

重启web服务生效

$ ./bin/shutdown-web.sh ; ./bin/start-web.sh

复制

3、azkaban配置邮件接受人

还是拿上面的案例进行测试

查看邮箱，发现已经收到了工作流报警邮件

5）电话报警

因为azkaban默认是不支持电话报警的，所以这里使用睿象云做中转实现电话报警。

1、登录睿象云官网注册并登录配置

这里选择免费试用，自己测试就免费试用也够了，如果是商用或者在企业里用肯定是需要付费使用的。

使用智能告警平台

选择集成

这里使用Email集成方式，因为azkaban支持邮件

2、配置通知策略

3、设置azkaban配置

配置这个邮箱：881841810azkaban@camail.aiops.com

能收到告警电话，验证ok。小伙伴可以自己试试。

总结

原生的 Azkaban 支持的plugin类型有以下这些：

• command：Linux shell命令行任务

• javaprocess：原生java任务

• gobblin：通用数据采集工具

• hadoopJava：运行hadoopMR任务

• hive：支持执行hiveSQL

• pig：pig脚本任务

• spark：spark任务

• hdfsToTeradata：把数据从hdfs导入Teradata

• teradataToHdfs：把数据从Teradata导入hdfs

上面我们示例中用到了command和javaprocess，其中最简单而且最常用的是command
类型。

Azkaban基础部分就先到这了，后续会有更多相关的文章，请小伙伴耐心等待~