DolphinScheduler-1.3.0-dev新功能尝鲜

1

DolphinScheduler是什么

Apache DolphinScheduler是一个分布式去中心化，易扩展的可视化DAG工作流任务调度系统。致力于解决数据处理流程中错综复杂的依赖关系，使调度系统在数据处理流程中开箱即用。

DS曾用名称EasyScheduler，在进入Apache孵化器后，更名为DolphinScheduler。DS-1.2.0版本是进入Apache基金会后发布的第一个Apache版本，也是目前生产环境使用较多的版本。

最近，DS-1.3.0在封版进行测试和bug修复工作，即将ga，各位敬请期待。

本文较长，前半部分是组件部署，功能测试在后半部分，木有耐心的老铁可以直接阅读后面的内容。

官网

https://dolphinscheduler.apache.org/en-us/

github

https://github.com/apache/incubator-dolphinscheduler

ds-1.3.0特性及RoadMap录播

https://www.slidestalk.com/DolphinScheduler/Dolphin_Scheduler_Roadmap?video

2

DS-1.3.0新特性

架构调整

• Master-Worker直接通信，降低延迟

• 去除Worker的DB操作，职责更单一

• 减轻DB元数据库的压力，减少极端情况下可能的调度延时

• Master添加多种任务分发策略

• 随机

• 轮询

• CPU和内存线性加权

新增任务类型

• 数据同步节点

• DataX

• Sqoop

• 条件分支节点

易用性

• 提供Ambari插件

• 支持k8s

• 资源中心目录化

其他特性（部分）

• 适配Windows任务

• 工作流复制

• 删流程实例级联删除任务日志

• 简化配置，优化部署体验

3

DS-1.3.0部署(CDH5.16.2)

集群环境

• CDH5.16.2

DS源码编译

代码拉取

git clone https://github.com/apache/incubator-dolphinscheduler.git

适配CDH5.16.2

创建CDH分支

git checkout dev-1.3.0
git checkout -b dev-1.3.0-cdh5.16.2

适配CDH5.16.2

• 修改外层pom文件

# 修改hadoop版本，也可以不修改
2.6.0
# 修改hive版本，必须进行调整
1.1.0
# 修改打包的version(所有模块均需要进行修改)
1.3.0-cdh5.16.2

源码编译

mvn -U clean package -Prelease -Dmaven.test.skip=true

正常编译完成后，会在dolphinscheduler-dist下生成:

apache-dolphinscheduler-incubting-1.3.0-cdh5.16.2-dolphinscheduler-bin.tar.gz。从1.2.1开始，ds打包之后并不会生成前端的tar.gz文件

组件部署

准备工作

创建部署用户免密（部署机都需要做）

# 添加部署用户
useradd dscheduler;
# 设置密码
echo "dscheduler" | passwd --stdin dscheduler
# 配置免密
echo 'dscheduler ALL=(ALL) NOPASSWD: NOPASSWD: ALL' >> /etc/sudoers

# 切换到部署用户并生成ssh key
su dscheduler;
ssh-keygen -t rsa;
ssh-copy-id -i ~/.ssh/id_rsa.pub dscheduler@[hostname];

创建MySQL数据库

CREATE DATABASE dolphinscheduler DEFAULT CHARACTER SET utf8 DEFAULT COLLATE
utf8_general_ci;
CREATE USER 'dscheduler'@'%' IDENTIFIED BY 'dscheduler';
GRANT ALL PRIVILEGES ON dolphinscheduler.* TO 'dscheduler'@'%' IDENTIFIED BY 'dscheduler';
flush privileges;

部署实施

上传安装包

解压安装包&修改权限

# /u01 为存放ds安装包的目录，跟根据实际情况进行调整
tar -zxvf apache-dolphinscheduler-incubating-1.3.0-cdh5.16.2-dolphinscheduler-bin.tar.gz -C /u01

# 改一波目录名称
mv apache-dolphinscheduler-incubating-1.3.0-cdh5.16.2-dolphinscheduler-bin.tar.gz ds-130-backend

# 修改所属用户和权限
chmod -R 755 ds-130-backend;
chown -R dscheduler:dscheduler ds-130-backend;

ds安装包各目录功能如下

bin - 服务启动脚本
conf - 配置文件目录
DISCLAIMER
install.sh - 一键部署脚本
lib - 依赖的jar包
LICENSE
licenses
NOTICE
script - 集群启动停止，更新数据库等脚本
sql - sql文件
ui - 前端UI

初始化元数据库

• ds默认的元数据库是pg，Hadoop平台一般使用mysql作为元数据，这里使用mysql

• 需要上传mysql的连接jar到ds的lib目录下，必须要做

• 修改数据库配置

vi /u01/ds-130-backend/conf/datasource.properties;

# 修改pg为mysql 填写刚才配置的数据库用户密码
spring.datasource.driver-class-name=com.mysql.jdbc.Driver
spring.datasource.url=jdbc:mysql://xxxxxx:3306/dolphinscheduler?useUnicode=true&characterEncoding=UTF-8
spring.datasource.username=xxxxxx
spring.datasource.password=xxxxxx

• 初始化数据库

./script/create-dolphinscheduler.sh

配置ds的环境变量

vi /u01/ds-130--backend/conf/env/dolphinscheduler_env.sh

# 测试集群上没有datax和flink请忽略相关配置
export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoop
export HADOOP_CONF_DIR=/opt/cloudera/parcels/CDH/lib/hadoop/etc/hadoop
export SPARK_HOME1=/opt/cloudera/parcels/CDH/lib/spark
export SPARK_HOME2=/opt/cloudera/parcels/SPARK2/lib/spark2
export PYTHON_HOME=/usr/local/anaconda3/bin/python
export JAVA_HOME=/usr/java/jdk1.8.0_131
export HIVE_HOME=/opt/cloudera/parcels/CDH/lib/hive
export FLINK_HOME=/opt/soft/flink
export DATAX_HOME=/opt/soft/datax/bin/datax.py

集群部署参数配置

• ds在1.3.0之前，一键部署的配置文件在install.sh中。1.3.0版本的install.sh脚本只是一个部署脚本，部署配置文件在conf/config/install_config.conf中

• 下面是1.3.0的配置文件，与之前版本的配置文件相比，精简了不少，只保留了必要的配置，如果是从老版本升级，需要自行去对应的模块配置文件中进行修改

• 对比1.2.0配置文件中去除的配置如下（升级需要关注，新版本建议各位老铁细看一下配置的变更项，这次测试的1.3.0的dev版本，正式版本ga之后会出一个详细的配置解读）

• excel文件路径 xlsFilePath -> alert.properties | xls.file.path

• alert master worker api模块的配置 -> 对应模块的properties文件修改

• 执行任务配置 -> conf/common.properties修改

• programPath

• downloadPath

• execPath

• 开发状态 devState -> conf/common.properties修改

• zk的连接配置和znode相关配置，如果使用一套zk托管了多套ds，需要自行修改配置 -> conf/zookeeper.properties

• 配置文件中，在配置worker机器的时候，需要在后面配置上worker的所属worker group，这是因为在新版本中，worker group分组信息从mysql移动到了zk中

# NOTICE : If the following config has special characters in the variable `.*[]^${}\+?|()@#&`, Please escape, for example, `[` escape to `\[`
# postgresql or mysql
dbtype="mysql"

# db config
# db address and port
dbhost="xxxx:3306"

# db username
username="xxxx"

# database name
dbname="dolphinscheduler"

# db passwprd
# NOTICE: if there are special characters, please use the \ to escape, for example, `[` escape to `\[`
password="xxxx"

# zk cluster
zkQuorum="xxx:2181,xxx:2181,xxx:2181"

# Note: the target installation path for dolphinscheduler, please not config as the same as the current path (pwd)
installPath="/opt/ds-1.3.0-dev-agent"

# deployment user
# Note: the deployment user needs to have sudo privileges and permissions to operate hdfs. If hdfs is enabled, the root directory needs to be created by itself
deployUser="dscheduler"


# alert config
# mail server host
mailServerHost="xxx"

# mail server port
# note: Different protocols and encryption methods correspond to different ports, when SSL/TLS is enabled, make sure the port is correct.
mailServerPort="25"

# sender
mailSender="xxx"

# user
mailUser="xxx"

# sender password
# note: The mail.passwd is email service authorization code, not the email login password.
mailPassword="xxx"

# TLS mail protocol support
starttlsEnable="false"

# SSL mail protocol support
# only one of TLS and SSL can be in the true state.
sslEnable="false"

#note: sslTrust is the same as mailServerHost
sslTrust="xxx"


# resource storage type：HDFS,S3,NONE
resourceStorageType="HDFS"

# if resourceStorageType is HDFS，defaultFS write namenode address，HA you need to put core-site.xml and hdfs-site.xml in the conf directory.
# if S3，write S3 address，HA，for example ：s3a://dolphinscheduler，
# Note，s3 be sure to create the root directory /dolphinscheduler
defaultFS="hdfs://master.eights.com:8020"

# if resourceStorageType is S3, the following three configuration is required, otherwise please ignore
s3Endpoint="http://192.168.xx.xx:9010"
s3AccessKey="xxxxxxxxxx"
s3SecretKey="xxxxxxxxxx"

# if not use hadoop resourcemanager, please keep default value; if resourcemanager HA enable, please type the HA ips ; if resourcemanager is single, make this value empty
yarnHaIps="192.168.xx.xx,192.168.xx.xx"

# if resourcemanager HA enable or not use resourcemanager, please skip this value setting; If resourcemanager is single, you only need to replace yarnIp1 to actual resourcemanager hostname.
singleYarnIp="master.eights.com"

# resource store on HDFS/S3 path, resource file will store to this hadoop hdfs path, self configuration, please make sure the directory exists on hdfs and have read write permissions。/dolphinscheduler is recommended
resourceUploadPath="/dscheduler"

# who have permissions to create directory under HDFS/S3 root path
# Note: if kerberos is enabled, please config hdfsRootUser=
hdfsRootUser="hdfs"

# kerberos config
# whether kerberos starts, if kerberos starts, following four items need to config, otherwise please ignore
kerberosStartUp="false"
# kdc krb5 config file path
krb5ConfPath="$installPath/conf/krb5.conf"
# keytab username
keytabUserName="[email protected]"
# username keytab path
keytabPath="$installPath/conf/hdfs.headless.keytab"


# api server port
apiServerPort="12345"


# install hosts
# Note: install the scheduled hostname list. If it is pseudo-distributed, just write a pseudo-distributed hostname
ips="master.eights.com"

# ssh port, default 22
# Note: if ssh port is not default, modify here
sshPort="22"

# run master machine
# Note: list of hosts hostname for deploying master
masters="master.eights.com"

# run worker machine
# note: need to write the worker group name of each worker, the default value is "default"
workers="master.eights.com:default"

# run alert machine
# note: list of machine hostnames for deploying alert server
alertServer="master.eights.com"

# run api machine
# note: list of machine hostnames for deploying api server
apiServers="master.eights.com"

# whether to start monitoring self-starting scripts
monitorServerState="false"

添加Hadoop集群配置文件

• 如果集群未启用HA，直接在install_config.conf文件中进行编写

• 如果集群启用了HA，请将hadoop的hdfs-site.xml和core-site.xml拷贝到/conf目录下

修改JVM参数

• 两个文件

• /bin/dolphinscheduler-daemon.sh

• /scripts/dolphinscheduler-daemon.sh

export DOLPHINSCHEDULER_OPTS="-server -Xmx16g -Xms1g -Xss512k
-XX:+DisableExplicitGC -XX:+UseConcMarkSweepGC -XX:+CMSParallelRemarkEnabled
-XX:LargePageSizeInBytes=128m -XX:+UseFastAccessorMethods
-XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=70"

一键部署&进程检查&单服务启停

• 一键部署

sh install.sh

• 进程检查

su dscheduler;
jps;

• 服务启停

# 一键停止
sh ./bin/stop-all.sh
# 一键开启
sh ./bin/start-all.sh
# 启停master
sh ./bin/dolphinscheduler-daemon.sh start master-server
sh ./bin/dolphinscheduler-daemon.sh stop master-server
# 启停worker
sh ./bin/dolphinscheduler-daemon.sh start worker-server
sh ./bin/dolphinscheduler-daemon.sh stop worker-server
# 启停api-server
sh ./bin/dolphinscheduler-daemon.sh start api-server
sh ./bin/dolphinscheduler-daemon.sh stop api-server
# 启停logger
sh ./bin/dolphinscheduler-daemon.sh start logger-server
sh ./bin/dolphinscheduler-daemon.sh stop logger-server
# 启停alert
sh ./bin/dolphinscheduler-daemon.sh start alert-server
sh ./bin/dolphinscheduler-daemon.sh stop alert-server

前端访问

• 1.3.0中的前端不需使用nginx

• 直接使用[api-server]:12345/dolphinscheduler进行访问

• 访问成功 - 账号admin，密码dolphinscheduler123

4

新增组件功能测试

shell使用资源文件

• 在资源中心中创建一个文件夹-文件夹测试，然后创建一个资源文件-这是一个文件测试.sh

• 文件内容，打印简单的字符串

• 新建shell任务，按照老版本的方式引用资源文件

• 运行任务，出现找不到文件的异常

• 找到worker机器，查看生成的执行文件，发现创建资源文件的时候，新建了资源的上级目录文件夹
  

• 修改shell中引用资源文件的方式，加上上级资源目录

• 重新运行任务，成功

总结：ds-1.3.0引入了资源目录，在任务节点应用的时候，需要加上对应资源的目录层级！！！

条件分支任务

• 创建一个条件分支任务，每个shell都是简单打印1,2,3

• 根据shell-1的执行情况，决定执行shell-2还是shell-3

• 条件节点的配置如下，这里特别注意，条件节点中的自定义参数，自定义的是前置任务的状态判断！！！这个自定义参数必须要选的，不然条件分支会一直处于成功状态。

shell-1执行成功测试

执行结果，1节点执行成功，然后执行2节点，3节点未执行

shell-1执行失败测试

执行结果，1节点执行失败，执行3节点，2节点未执行

总结：条件节点！这个真的可以。

Sqoop

• 目前的Sqoop任务基本满足需求，单表导入|查询接入|Hive导出这里就不进行测试了

• 下面是槽点（手动狗头）

• 接入和导出不支持-D类型的Hadoop自定义参数，如设置MR任务的名称，MR的内存和数量等自定义参数

• 导入大表的时候有可能OOM，目前不支持设置Map和Reduce的内存

• 不支持split-by字段。在-m大于1的条件下，如果关系库表的主键不是自增的，Sqoop有可能会造成导入Hadoop的数据重复，一般的解决方案是指定一个split-by字段。因此，split-by需要支持。

• 不可自定义参数，比如导入mysql，某些表可以加上--direct加快导入速度

• 解决方案

• 任务名称是通用的，需要在Sqoop页面上补充作为必选项

• 增加两个自定义参数框，用于用户编写所需的自定义参数

• MR任务级别的参数，如设置MR的内存，Mapper数量和Reducer数量等

• Sqoop任务级别的参数，类似--direct和--fetch-size这些在特定场景下使用的参数

• 类似DataX节点，直接增加一个自定义配置

5

新功能-点点点

工作流复制

DAG格式化

美化前

美化后

6

总结

1. DS-1.3.0架构大的变动就是任务队列的变化，在之前的版本中任务队列是存到zk上的，worker去抢锁，然后消费对应znode中累积的任务数据，而1.3.0引入了netty框架进行master-worker之间的任务数据传输。减少了分布式锁的竞争，降低任务触发延迟

2. 引入了数据同步节点，DataX和Sqoop，虽然封装的程度还不算很完善，但是能用。当然，为了好用需要更多的社区用户提交issue，提pr！！!

3. 条件分支节点真的可以，不过建议大家多尝试一下条件节点的逻辑组合，有点绕，需要多尝试！！！

4. 资源目录终于是有了，但是还有进步的空间。点击按钮创建目录，还是没有右键来得自然