目录
1 概述
1.1 什么是 Azkaban
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。
1.2 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;
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:
- 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);
1.3 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
1.4 常见工作流调度系统
1)简单的任务调度:直接使用 crontab 实现;
2)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
1.5 Azkaban 的架构
Azkaban 由三个关键组件构成:
- 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。