工作流调度器Azkaban
Azkaban
- 1. 概述
- 1.1 为什么要是用工作流调度系统
- 1.2 工作流的实现方式以及常见的工作流调度系统
- 2. Azkaban介绍
- 3. Azkaban安装
- 3.1 准备工作
- 3.2 安装
- 3.2.1 azkaban web服务器安装
- 3.2.2 azkaban 执行服器安装
- 3.2.3 创建数据库和导入表结构
- 3.2.4 创建SSL配置
- 3.2.5 更改时区
- 3.2.6 配置文件
- 3.2.6.1 azkaban web服务器配置
- 3.2.6.2 azkaban 执行服务器
- 3.2.6.3 用户配置
- 3.3 启动
- 4. 实战
- 4.1 Command类型单一job示例
- 4.2 Command类型多job工作流flow
- 4.3 HDFS操作任务
- 4.4 MAPREDUCE任务
- 4.5 HIVE脚本任务
1. 概述
1.1 为什么要是用工作流调度系统
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先将原始数据同步到HDFS上；
- 借助MapReduce计算框架对原始数据进行转换，生成的数据以分区表的形式存储到多张Hive表中；
- 需要对Hive中多个表的数据进行JOIN处理，得到一个明细数据Hive大表；
- 将明细数据进行复杂的统计分析，得到结果报表信息；
- 需要将统计分析得到的结果数据同步到业务系统中，供业务调用使用。
- 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。
- 各任务单元之间存在时间先后及前后依赖关系。
- 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。
1.2 工作流的实现方式以及常见的工作流调度系统
对于简单的任务调度：可以直接使用linux的crontab来实现。
对于复杂的任务调度：开发调度平台或者使用现成的开源调度系统，比如ooize、azkaban等。
下面是市面上常见的工作流调度器的特性对比：
| 特性 | Hamake | Oozie | Azkaban | Cascading |
|---|---|---|---|---|
| 工作流描述语言 | XML | XML (xPDL based) | text file with key/value pairs | Java API |
| 依赖机制 | data-driven | explicit | explicit | explicit |
| 是否要web容器 | No | Yes | Yes | No |
| 进度跟踪 | console/log messages | web page | web page | Java API |
| Hadoop job调度支持 | no | yes | yes | yes |
| 运行模式 | command line utility | daemon | daemon | API |
| Pig支持 | yes | yes | yes | yes |
| 事件通知 | no | no | no | yes |
| 需要安装 | no | yes | yes | no |
| 支持的hadoop版本 | 0.18+ | 0.20+ | currently unknown | 0.18+ |
| 重试支持 | no | workflownode evel | yes | yes |
| 运行任意命令 | yes | yes | yes | yes |
| Amazon EMR支持 | yes | no | currently unknown | yes |
2. Azkaban介绍
Azkaban是由Linkedin开源的一个批量工作流任务调度器。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。Azkaban定义了一种KV文件格式来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。
它有如下功能特点：
- Web用户界面
- 方便上传工作流
- 方便设置任务之间的关系
- 调度工作流
- 认证/授权(权限的工作)
- 能够杀死并重新启动工作流
- 模块化和可插拔的插件机制
- 项目工作区
- 工作流和任务的日志记录和审计
3. Azkaban安装
3.1 准备工作
- Azkaban Web服务器：azkaban-web-server-3.30.1.tar.gz
- Azkaban执行服务器：azkaban-executor-server-3.30.1.tar.gz
- mysql安装好：目前只支持mysql（需要存储任务数据）
- 下载地址:http://azkaban.github.io/downloads.html （源码安装）
3.2 安装
将安装文件上传到集群,最好上传到安装 hive、sqoop的机器上,方便命令的执行。新建azkaban目录,用于存放azkaban运行程序。
3.2.1 azkaban web服务器安装
解压azkaban-web-server-3.30.1.tar.gz
命令: tar –zxvf azkaban-web-server-3.30.1.tar.gz
将解压后的azkaban-web-server-3.30.1 移动到 azkaban目录中,并重新命名 webserver
命令: mv azkaban-web-server-3.30.1 ../azkaban
cd ../azkaban
mv azkaban-web-server-3.30.1 server
3.2.2 azkaban 执行服器安装
解压azkaban-executor-server-3.30.1.tar.gz
命令:tar –zxvf azkaban-executor-server-3.30.1.tar.gz
将解压后的azkaban-executor-server-3.30.1 移动到 azkaban目录中,并重新命名 executor
命令:mv azkaban-executor-server-3.30.1 ../azkaban
cd ../azkaban
mv azkaban-executor-server-2.5.0 executor
3.2.3 创建数据库和导入表结构
解压: azkaban-sql-script-3.30.1.tar.gz
命令:tar –zxvf azkaban-sql-script-3.30.1.tar.gz
将解压后的mysql 脚本,导入到mysql中:
进入mysql
mysql> create database azkaban;
mysql> use azkaban;
Database changed
mysql> source /home/hadoop/azkaban-3.30.1/create-all-sql-3.30.1.sql;
3.2.4 创建SSL配置
命令: keytool -keystore keystore -alias jetty -genkey -keyalg RSA
运行此命令后,会提示输入当前生成 keystor的密码及相应信息,输入的密码请劳记,信息如下:
输入keystore密码：
再次输入新密码:
您的名字与姓氏是什么？
[Unknown]：
您的组织单位名称是什么？
[Unknown]：
您的组织名称是什么？
[Unknown]：
您所在的城市或区域名称是什么？
[Unknown]：
您所在的州或省份名称是什么？
[Unknown]：
该单位的两字母国家代码是什么
[Unknown]： CN
CN=Unknown, OU=Unknown, O=Unknown, L=Unknown, ST=Unknown, C=CN 正确吗？
[否]： y
输入<jetty>的主密码
（如果和 keystore 密码相同，按回车）：
再次输入新密码:
完成上述工作后,将在当前目录生成 keystore 证书文件,将keystore 考贝到 azkaban web服务器根目录中.如:cp keystore azkaban/server
3.2.5 更改时区
- 先生成时区配置文件Asia/Shanghai，用交互式命令 tzselect 即可
- 拷贝该时区文件，覆盖系统本地时区配置
cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime
3.2.6 配置文件
3.2.6.1 azkaban web服务器配置
进入azkaban web服务器安装目录 conf目录,修改azkaban.properties文件。
命令vi azkaban.properties
#Azkaban Personalization Settings
azkaban.name=Test #服务器UI名称,用于服务器上方显示的名字
azkaban.label=My Local Azkaban #描述
azkaban.color=#FF3601 #UI颜色
azkaban.default.servlet.path=/index #
web.resource.dir=web/ #默认根web目录
default.timezone.id=Asia/Shanghai #默认时区,已改为亚洲/上海 默认为美国#Azkaban UserManager class
user.manager.class=azkaban.user.XmlUserManager #用户权限管理默认类
user.manager.xml.file=conf/azkaban-users.xml #用户配置,具体配置参加下文#Loader for projects
executor.global.properties=conf/global.properties # global配置文件所在位置
azkaban.project.dir=projects #
#数据库配置
database.type=mysql #数据库类型
mysql.port=3306 #端口号
mysql.host=localhost #数据库连接IP
mysql.database=azkaban #数据库实例名
mysql.user=root #数据库用户名
mysql.password=root #数据库密码
mysql.numconnections=100 #最大连接数velocity.dev.mode=false
#以下是Jetty服务器属性.
jetty.maxThreads=25 #最大线程数
jetty.ssl.port=8443 #Jetty SSL端口
jetty.port=8081 #Jetty端口
jetty.keystore=keystore #SSL文件名
jetty.password=123456 #SSL文件密码
jetty.keypassword=123456 #Jetty主密码 与 keystore文件相同
jetty.truststore=keystore #SSL文件名
jetty.trustpassword=123456 # SSL文件密码#执行服务器属性
executor.port=12321 #执行服务器端口#邮件设置
[email protected] #发送邮箱
mail.host=smtp.163.com #发送邮箱smtp地址
mail.user=xxxxxxxx #发送邮件时显示的名称
mail.password=********** #邮箱密码
[email protected] #任务失败时发送邮件的地址
[email protected] #任务成功时发送邮件的地址
lockdown.create.projects=false #
cache.directory=cache #缓存目录
3.2.6.2 azkaban 执行服务器
executor配置进入执行服务器安装目录conf,修改azkaban.properties。
vi azkaban.properties
#Azkaban
default.timezone.id=Asia/Shanghai #时区#Azkaban JobTypes 插件配置
azkaban.jobtype.plugin.dir=plugins/jobtypes #jobtype 插件所在位置#Loader for projects
executor.global.properties=conf/global.properties
azkaban.project.dir=projects#数据库设置
database.type=mysql #数据库类型(目前只支持mysql)
mysql.port=3306 #数据库端口号
mysql.host=192.168.20.200 #数据库IP地址
mysql.database=azkaban #数据库实例名
mysql.user=root #数据库用户名
mysql.password=root #数据库密码
mysql.numconnections=100 #最大连接数#执行服务器配置
executor.maxThreads=50 #最大线程数
executor.port=12321 #端口号(如修改,请与web服务中一致)
executor.flow.threads=30 #线程数
3.2.6.3 用户配置
进入azkaban web服务器conf目录,修改azkaban-users.xml
vi azkaban-users.xml 增加 管理员用户
<azkaban-users>
<user username="azkaban" password="azkaban" roles="admin" groups="azkaban" />
<user username="metrics" password="metrics" roles="metrics"/>
<user username="admin" password="admin" roles="admin,metrics" />
<role name="admin" permissions="ADMIN" />
<role name="metrics" permissions="METRICS"/>
azkaban-users>
3.3 启动
- 启动web服务器：bin/azkaban-web-start.sh （在web服务器根目录运行）
- 启动执行服务器：bin/azkaban-executor-start.sh （在执行服务器根目录运行）
启动完成后,在浏览器(建议使用谷歌浏览器)中输入https://服务器IP地址:8443 ,即可访问azkaban服务了.在登录中输入刚才新的户用名及密码,点击 login。
4. 实战
4.1 Command类型单一job示例
- 创建job描述文件
vi command.job
#command.job
type=command
command=echo 'hello'
-
将job资源文件打包成zip文件
zip command.job -
通过azkaban的web管理平台创建project并上传job压缩包
首先创建project,然后上传zip包。 -
启动执行该job
4.2 Command类型多job工作流flow
- 创建有依赖关系的多个job描述
第一个job：foo.job
# foo.job
type=command
command=echo foo
第二个job：bar.job依赖foo.job
第二个job
# bar.job
type=command
dependencies=foo
command=echo bar
- 将所有job资源文件打到一个zip包中
- 在azkaban的web管理界面创建工程并上传zip包
- 启动工作流flow
4.3 HDFS操作任务
# fs.job
type=command
command=/usr/local/hadoop-2.7.3/bin/hadoop fs -mkdir /pengpeng
4.4 MAPREDUCE任务
# mrwc.job
type=command
command=/usr/local/hadoop-2.7.3/bin/hadoop jar hadoop-mapreduce-examples-2.6.1.jar pi 5 5
4.5 HIVE脚本任务
创建job描述文件和hive脚本
Hive脚本： test.sql
use default;
drop table aztest;
create table aztest(id int,name string) row format delimited fields terminated by ',';
load data inpath '/aztest/hiveinput' into table aztest;
create table azres as select * from aztest;
insert overwrite directory '/aztest/hiveoutput' select count(1) from aztest;
Job描述文件：hivef.job
# hivef.job
type=command
command=/home/hadoop/apps/hive/bin/hive -f 'test.sql'