Airflow[v1.10]任务调度平台的安装教程

0.背景

真的是想不通，Airflow不论社区活跃度还是Github的star数都是远胜于Azkaban还有EasyScheduler的，但是为何却连一个完备的安装教程都没有呢？是我的需求太高？真的是心累不已，整整把搜索引擎还有youtube翻来覆去也没让我感到满足……不过好在，一步一坑一脚印的最终搭建连通好了环境以及Operator。好了，废话不多说，开始Airflow今日份安装教程。

1.安装前准备工作

• 安装版本说明

安装工具	版本	用途
Python	3.6.5	安装airflow及其依赖包、开发airflow的dag使用
MySQL	5.7	作为airflow的元数据库
Airflow	1.10.0	任务调度平台

请选择一台干净的物理机或者云主机。不然，产生任何多余影响或者后果，本人概不负责！

• 请确保你熟悉Linux环境及基本操作命令，顺便会一些Python基础命令，如果不熟悉，请出门左转充完电再来

2.安装Python3

Python3的安装可以参考我之前的文章，在此不再敖述

3.安装MySQL

3年前也写过一个关于Centos安装MySQL的教程，但是虽然实用，但是内容太久，在此我们用最简方式快速安装MySQL并配置用户（当然，如果你用现成的RDS也可以，省去了安装过程，可直接跳转至为Airflow建库建用户步骤了）。

• 老规矩，卸载mariadb

rpm -qa | grep mariadb

rpm -e --nodeps mariadb-libs-5.5.52-1.el7.x86_64

sudo rpm -e --nodeps mariadb-libs-5.5.52-1.el7.x86_64

rpm -qa | grep mariadb

• 下载mysql的repo源

wget http://repo.mysql.com/mysql-community-release-el7-5.noarch.rpm

• 通过rpm安装

sudo rpm -ivh mysql-community-release-el7-5.noarch.rpm

• 安装mysql并授权

sudo yum install mysql-server
sudo chown -R mysql:mysql /var/lib/mysql

• 启动mysql

sudo service mysqld start

---

以下操作均在mysql客户端上进行操作，首先需要连接并登录mysql。

用root用户连接登录mysql:

mysql -uroot

• 重置mysql密码

use mysql;

update user set password=password('root') where user='root';

flush privileges;

• 为Airflow建库、建用户

建库:

create database airflow;

建用户:

create user 'airflow'@'%' identified by 'airflow';

create user 'airflow'@'localhost' identified by 'airflow';

为用户授权:

grant all on airflow.* to 'airflow'@'%';

flush privileges;

exit;

---

4.安装Airflow

万事既已具备，让我们开始进入今天的主题！

4.1基础篇

• 1）通过pip安装airflow脚手架

安装之前需要设置一下临时环境变量SLUGIFY_USES_TEXT_UNIDECODE，不然，会导致安装失败，命令如下：

export SLUGIFY_USES_TEXT_UNIDECODE=yes

安装airflow脚手架:

sudo pip install apache-airflow===1.10.0

airflow会被安装到python3下的site-packages目录下，完整目录为:${PYTHON_HOME}/lib/python3.6/site-packages/airflow，我的airflow目录如下所示：

• 2. 正式安装airflow

安装airflow前，我们需要先配置一下airflow的安装目录AIRFLOW_HOME，同时为了方便使用airflow的相关命令，我们也把airflow配置到环境变量中，一劳永逸。

编辑/etc/profile系统环境变量文件：

sudo vim /etc/profile

做如下修改（当然，具体目录需要修改成你自己对应的目录，不要照搬不动哦）：

使修改后的环境变量立即生效:

sudo source /etc/profile

• 3）执行airflow命令做初始化操作

因为配置过airflow的环境变量SITE_AIRFLOW_HOME，我们在哪里执行如下命令都可：

airflow

到此，airflow会在刚刚的AIRFLOW_HOME目录下生成一些文件。当然，执行该命令时可能会报一些错误，可以不用理会！生成的文件列表如下所示：

• 4. 为airflow安装mysql模块

sudo pip install 'apache-airflow[mysql]'

airflow的包依赖安装均可采用该方式进行安装，具体可参考airflow官方文档

---

[敲黑板，划重点]

安装mysql模块时可能会报如下错误：

mysql_config not found

解决步骤如下：

(1)先查看下是否已经存在mysql_config文件:

find / -name mysql_config

(2)如果没有的话，安装mysql-devel:

sudo yum install mysql-devel

(3)安装完成之后，再次验证是否有mysql_config文件：

---

• 5. 采用mysql作为airflow的元数据库

修改airflow.cfg文件，配置mysql作为airflow元数据库:

---

这里就巨坑无比了，很多人的教程里面都是这么直接写的，然后就完蛋了！！！不信你试试看，等下初始化数据库必死无疑！而且还没有任何有效的解决方案可以供你搜索！！！其次也不要相信什么改成pymysql配合pymysql包实现，这样更惨，会有数据类型解析问题，让你毫无头绪！！！切记切记！！！

sql_alchemy_conn = mysql://airflow:airflow@localhost:3306/airflow

或

sql_alchemy_conn = mysql+pymysql://airflow:airflow@localhost:3306/airflow

---

那既然这种方式不可行，该怎么办呢？办法总比困难多的！因为Python3不再支持MySQLdb了，只有Python2才支持。但是呢，也只有MySQLdb才是最佳结果。

首先，我们通过pip安装一下mysqlclient:

sudo pip install mysqlclient

然后，再通过pip安装一下MySQLdb:

sudo pip install MySQLdb

最后，我们修改airflow.cfg文件中的sql_alchemy_conn配置:

sql_alchemy_conn = mysql+mysqldb://airflow:airflow@localhost:3306/airflow

到此，我们已经为airflow配置好元数据库信息且准备好依赖包。

• 6. 初始化元数据库信息（其实也就是新建airflow依赖的表）

airflow initdb

此时，我们的mysql元数据库（库名为airflow）中已经新建好了airflow的依赖表：

---

[敲黑板，划重点]

此时初始化数据库时，可能会报如下错误：

Global variable explicit_defaults_for_timestamp needs to be on (1) for mysql

该问题的解决方案在Airflow官方文档中有说明，链接为：http://airflow.apache.org/faq.html。需要通过修改MySQL配置文件my.cnf进行处理，步骤如下：

(1)查找my.cnf位置：

mysql --help | grep my.cnf

(2)修改my.cnf文件：

在[mysqld]下面（一定不要写错地方）添加如下配置:

explicit_defaults_for_timestamp=true

(3))重启MySQL使配置生效：

sudo service mysqld restart

(4)查看修改的配置是否生效：

(5)重新执行airflow initdb即可

---

• 7. 应用的基础命令
  • airflow组件：webserver, scheduler, worker, flower
  • 后台启动各组件命令：airflow xxx -D
  • 查看dag列表：airflow list_dags
  • 查看某个dag的任务列表：airflow list_tasks dag_id
  • 挂起/恢复某个dag：airflow pause/unpause dag_id
  • 测试某个dag任务：airflow test dag_id task_id execution_date

---

[敲黑板，划重点]

启动webserver组件时可能会报如下错误：

错误1：

Error: 'python:airflow.www.gunicorn_config' doesn‘t exist

安装指定版本的gunicorn即可：

(1) Airflow1.10版本对应gunicorn的19.4.0版本：

sudo pip install gunicorn==19.4.0

(2) Airflow1.8版本安装gunicorn的19.3.0版本：

sudo pip install gunicorn==19.3.0

错误2：

FileNotFoundError: [Errno 2] No such file or directory: 'gunicorn': 'gunicorn'

只需要配置好Python的bin目录环境变量即可（也可以参照https://www.cnblogs.com/lwglinux/p/7100400.html）：

sudo vim /etc/profile

source /etc/profile

---

4.2进阶篇

• 1. 初识executor（需要重启生效）

这里为什么要修改呢？因为SequentialExecutor是单进程顺序执行任务，默认执行器，通常只用于测试，LocalExecutor是多进程本地执行任务使用的，CeleryExecutor是分布式调度使用（当然也可以单机），生产环境常用，DaskExecutor则用于动态任务调度，常用于数据分析。

• 2）如何修改时区为东八区（需要重启生效）

为什么要修改时区呢？因为Airflow默认的时间是GMT时间，虽然可以在Airflow集群分布在不同时区时仍可保证时间相同，不会出现时间不同步的问题，但是这个时间比北京早8小时，不太符合我们的阅读习惯，也不够简洁直观。鉴于我们通常情况下，我们要么为单节点服务，要么即使扩展也是在同一个时区的，所以将时区修改为东八区，即北京时间，这样更便于我们使用。

Come on!

(1) 修改airflow.cfg文件:

default_timezone = Asia/Shanghai

这里修改的是scheduler的调度时间，也就是说在编写调度时间是可以直接写北京时间。

(2) 修改webserver页面上右上角展示的时间:

需要修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/www/templates/admin/master.html文件。

修改后效果如图所示：

(3) 修改webserver lastRun时间:

第1处修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/models.py文件。

def utc2local(self,utc):
       import time
       epoch = time.mktime(utc.timetuple())
       offset = datetime.fromtimestamp(epoch) - datetime.utcfromtimestamp(epoch)
       return utc + offset

效果如下：

第2处修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/www/templates/airflow/dags.html文件。

dag.utc2local(last_run.execution_date).strftime("%Y-%m-%d %H:%M")
dag.utc2local(last_run.start_date).strftime("%Y-%m-%d %H:%M")

效果如下：

修改完毕，此时可以通过重启webserver查看效果！

• 3. 添加用户认证

在这里我们采用简单的password认证方式足矣！

（1）安装password组件:

sudo pip install apache-airflow[password]

（2）修改airflow.cfg配置文件:

[webserver]
authenticate = True
auth_backend = airflow.contrib.auth.backends.password_auth

（3）编写python脚本用于添加用户账号:

编写add_account.py文件：

import airflow
from airflow import models, settings
from airflow.contrib.auth.backends.password_auth import PasswordUser

user = PasswordUser(models.User())
user.username = 'airflow'
user.email = '[email protected]'
user.password = 'airflow'

session = settings.Session()
session.add(user)
session.commit()
session.close()
exit()

执行add_account.py文件：

python add_account.py

你会发现mysql元数据库表user中会多出来一条记录的。

当然，你也可以借助于第三方插件方式对用户账号还有可视化UI建立/修改DAG代码。链接为：https://github.com/lattebank/airflow-dag-creation-manager-plugin，可惜只支持到Python2.x。不过后续我会对其做升级处理。

• 4. 修改webserver地址（需要重启生效）

• 5. 如何修改检测新DAG间隔（需要重启生效）

如果scheduler检测DAG过于频繁，会导致CPU负载非常高。而默认scheduler检测时间为0，也就是没有时间间隔。

可以通过修改airflow.cfg文件中的min_file_process_interval设置时间间隔，如下，我是修改为了5秒检测一次：

• 6. 如何修改scheduler线程数控制并发量（需要重启生效）

可以通过修改airflow.cfg文件中的parallelism来控制scheduler的并发量：

4.3高级篇

• 1. 配置Airflow分布式集群

(未完待续…)