浅谈工作流调度系统
每个公司都有自己的一套或者多套调度系统，从简单到复杂，满足各种定制化的需求。
Crontab任务调度
在没有工作流调度系统之前，公司里面的任务都是通过crontab来定义的，时间长了后会发现很多问题：
- 大量的crontab任务需要管理
- 任务没有按时执行，各种原因失败，需要重试
- 多服务器环境下，crontab分散在很多集群上，光是查看log就很花时间
于是，出现了一些管理crontab任务的调度系统。
CronHub
CronHub是暴风影音的马晨开源的时间调度系统。CronHub通过web界面来管理分散在不同机器上的crontab任务。详见：Cronhub 开源的时间调度系统。
CronWeb
CronWeb也是类似的系统
CronWeb的UI:
工作流调度系统
在很多公司，随着处理的数据量增长，需要管理的工作流也变得越来越大，里面充斥着大量的ETL任务：有些依赖某个时间点去执行，有些依赖数据或者外部的事件来执行。工作流中的有些任务会失败，需要有重试和报警功能，而不是等到整个工作流失败才发现问题。
总的来说，一个workflow scheduler system需要的主要功能有：
- DAG定义 （DAG的定义方式：表达式，脚本定义，通过WEB UI定义；还需要支持子DAG）
- 执行节点 （节点类型：unix cmd，shell，python，mapreduce, logging etc…）
- 节点控制（ignore, retry, suspend, run now, test mode）
- Metrics （需要对比一段时间内任务的运行时间）
- Monitor （失败策略，报警通知功能）
- CLI & Web UI (查询workflow执行情况，以及简单的控制)
Hadoop工作流引擎
OOZIE
Oozie是一个管理hadoop任务的工作流/协调系统。Oozie工作流中拥有多个Action，如Hadoop Map/Reuce job,Hadoop Pig job等，所有的Action以有向无环图(DAG Direct Acyclic Graph)的模式部署运行。详见：Hadoop工作流调度系统Oozie
Oozie的优点是与Hadoop生态圈结合紧密，比如：
- 有MapReduce的Action，定义一个mapreduce任务很方便，而且可以直接通过job id关联到hadoop history页面
- Oozie任务的资源文件都必须存放在HDFS上
- Action也方便扩展，比如添加自定义的任务类型或者报警方式
缺点是通过XML文件来定义DAG依赖，虽然支持的功能很多，比如分支，ok，failed节点，但是总感觉定义过于复杂，维护成本高。
Oozie的UI:
Oozie目前是Hadoop生态圈工作流调度事实上的标准，很多公司都在使用。其实，很难用，UI只能查看，不能进行任何操作。好在社区出现了HUE，可以弥补oozie的不足。
HUE是一个开源的Apache Hadoop UI系统，最早是由Cloudera Desktop演化而来，由Cloudera贡献给开源社区，它是基于Python Web框架Django实现的。通过使用Hue我们可以在浏览器端的Web控制台上与Hadoop集群进行交互来分析处理数据，例如操作HDFS上的数据，运行MapReduce Job等等。
HUE提供了一个Oozie编辑器，可以通过仪表板提交和监控Workflow、Coordinator和Bundle。
HUE的UI:
AZKABAN
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。详见：工作流调度器Azkaban
Azkaban和Oozie一样，也属于Hadoop生态圈。它的DAG定义方式比Oozie简单很多，在properties文件里面可以通过dependencies指定任务的上游依赖。Azkaban支持可插拔的扩展插件，方便扩展，比如支持pid，hive等。
Azkaban的特点是所有的任务资源文件都需要打成一个zip包上传。这个在资源文件较大的时候不是太方便，当前也可以进行扩展，比如存放在HDFS上，任务实际运行的时候才拉到本地。
Azkaban的UI:
ZEUS
Zeus是Alibaba开源的一个完整的Hadoop的作业平台，用于从Hadoop任务的调试运行到生产任务的周期调度。
宙斯支持任务的整个生命周期。从功能上来说，支持：
* Hadoop MapReduce任务的调试运行
* Hive任务的调试运行
* Shell任务的运行
* Hive元数据的可视化查询与数据预览
* Hadoop任务的自动调度
* 完整的文档管理
Zeus是针对Hadoop集群任务定制的，通用性不强。
基于Python的工作流引擎
基于Python的工作流引擎优点是：
The DAG definition is code
因此可维护性，版本管理，可测性和协作性更好。
dagobah
dagobah是一个Python写的基于DAG的任务调度系统。Dagobah可以使用Cron语法调度周期性任务，任务之间可以定义依赖关系。Dagobash可以支持重试某个失败的任务，并在任务结束或失败的后发送汇总邮件，跟踪任务的输出log，持久化到不同的后端。Dagobash是一个相当轻量级的调度系统。
dagobah可以通过Web UI通过拖拉的方式操作dag，也支持直接通过代码定义：
from dagobah import Dagobah
from dagobah.backend.base import BaseBackend
my_dagobah = Dagobah(BaseBackend())
my_dagobah.add_job('My Job')
my_job = my_dagobah.get_job('My Job')
my_job.add_task('python required_task.py', 'Required Task')
my_job.add_task('python dependent_task.py', 'Dependent Task')
my_job.add_dependency('Required Task', 'Dependent Task')
my_job.schedule('0 10 * * *')
dogobah的UI:
Luigi
Luigi 是Spotify开源的，关注流程复杂的长时间运行的批次任务，例如Hadoop任务，推送数据，或者从数据库拉数据的任务，机器学习算法任务等。它能处理依赖关系，工作流关系，可视化等。它内置对Hadoop的支持。
一个hadoop上运行的wordcount任务定义如下：
import luigi
import luigi.contrib.hadoop
import luigi.contrib.hdfs
class InputText(luigi.ExternalTask):
"""
This task is a :py:class:`luigi.task.ExternalTask` which means it doesn't generate the
:py:meth:`~.InputText.output` target on its own instead relying on the execution something outside of Luigi
to produce it.
"""
date = luigi.DateParameter()
def output(self):
"""
Returns the target output for this task.
In this case, it expects a file to be present in HDFS.
:return: the target output for this task.
:rtype: object (:py:class:`luigi.target.Target`)
"""
return luigi.contrib.hdfs.HdfsTarget(self.date.strftime('/tmp/text/%Y-%m-%d.txt'))
class WordCount(luigi.contrib.hadoop.JobTask):
"""
This task runs a :py:class:`luigi.contrib.hadoop.JobTask`
over the target data returned by :py:meth:`~/.InputText.output` and
writes the result into its :py:meth:`~.WordCount.output` target.
This class uses :py:meth:`luigi.contrib.hadoop.JobTask.run`.
"""
date_interval = luigi.DateIntervalParameter()
def requires(self):
"""
This task's dependencies:
* :py:class:`~.InputText`
:return: list of object (:py:class:`luigi.task.Task`)
"""
return [InputText(date) for date in self.date_interval.dates()]
def output(self):
"""
Returns the target output for this task.
In this case, a successful execution of this task will create a file in HDFS.
:return: the target output for this task.
:rtype: object (:py:class:`luigi.target.Target`)
"""
return luigi.contrib.hdfs.HdfsTarget('/tmp/text-count/%s' % self.date_interval)
def mapper(self, line):
for word in line.strip().split():
yield word, 1
def reducer(self, key, values):
yield key, sum(values)
if __name__ == '__main__':
luigi.run()
Luigi的UI:
Pinball
Pinball 是Pinterest开源的扩展性较好的工作流系统。Pinball的架构是一种master-worker模式，master节点负责管理任务调度，worker节点是无状态的。Pinball无缝集成了Hadoop/Hive/Spark等。
Pinball提供了自动重试，单任务邮件报警，运行时替换，任务优先级，过载策略等功能。
Pinball的UI:
Airflow
Airflow是Airbnb开源的DAG任务调度系统，用于管理，调度和监控工作流。它与Luigi，Pinball很像。后端是基于Flask，Celery，RabbitMQ/Redis。
Airflow工作流的定义：
"""
Code that goes along with the Airflow located
[here](http://pythonhosted.org/airflow/tutorial.html)
"""
from airflow import DAG
from airflow.operators import BashOperator
from datetime import datetime, timedelta
seven_days_ago = datetime.combine(datetime.today() - timedelta(7),
datetime.min.time())
default_args = {
'owner': 'airflow',
'depends_on_past': False,
'start_date': seven_days_ago,
'email': ['[email protected]'],
'email_on_failure': False,
'email_on_retry': False,
'retries': 1,
'retry_delay': timedelta(minutes=5),
\# 'queue': 'bash_queue',
\# 'pool': 'backfill',
\# 'priority_weight': 10,
\# 'schedule_interval': timedelta(1),
\# 'end_date': datetime(2016, 1, 1),
}
dag = DAG('tutorial', default_args=default_args)
\# t1, t2 and t3 are examples of tasks created by instatiating operators
t1 = BashOperator(
task_id='print_date',
bash_command='date',
dag=dag)
t1.doc_md = """\
\#### Task Documentation
You can document your task using the attributes `doc_md` (markdown),
`doc` (plain text), `doc_rst`, `doc_json`, `doc_yaml` which gets
rendered in the UI's Task Details page.
"""
dag.doc_md = __doc__
t2 = BashOperator(
task_id='sleep',
depends_on_past=False,
bash_command='sleep 5',
dag=dag)
templated_command = """
{% for i in range(5) %}
echo "{{ ds }}"
echo "{{ macros.ds_add(ds, 7)}}"
echo "{{ params.my_param }}"
{% endfor %}
"""
t3 = BashOperator(
task_id='templated',
depends_on_past=False,
bash_command=templated_command,
params={'my_param': 'Parameter I passed in'},
dag=dag)
t2.set_upstream(t1)
t3.set_upstream(t1)
Airflow的功能很多，对于工作流可以支持Cron语法调度，失败重试策略，各种任务依赖调度策略等。
Airflow的一大亮点是backfill功能，对于数据仓库这种应用很有帮助，可以指定开始时间，将一个时间范围的任务重跑。Airflow还提供了丰富的命令行CLI和UI供操作。
Airflow通过Celery来实现分布式调度，架构的设计上很清晰，利于扩展。
Airflow的UI:
其他
工作流调度系统很多，有人做了统计：
- Existing-Workflow-systems
- awesome-pipelone