Airflow安装详解（附airflow.cfg配置详解）

---

标题: Airflow安装详解
日期: 2021-11-16 21:27:21
标签: [airflow]
分类: 调度系统

在讲airflow安装之前，我们先来了解下airflow的架构，这有助于我们去理解安装的步骤到底是干嘛的。

来看这篇文章：airflow架构

我讲的airflow是1.10.14版本的哈。

所以，如果我们搭建airflow是做大量的任务调度，那么就推荐元数据库使用mysql/postgresql，消息队列使用redis/rabbitmq。

我以mysql和rabbitmq为例来讲解安装airflow 1.10.14版本。

1.AIRFLOW_HOME环境变量

这个变量是我们在初始化的时候，airflow它要去哪里生成对应的airflow.cfg和webserver_config.py文件
airflow.cfg配置文件很重要，配置了我们需要用到的所有组件信息，还有airflow自身的一些配置参数。

我们一般在用户根目录下的.bash_profile中添加该环境变量，这样在用户登录shell时，就会有对应的环境变量。

vim ~/.bash_profile

记住，在每台机器上都有执行。

2.安装

pip install apache-airflow==1.10.14

记住，在每台机器上都要执行。

3.生成配置文件

airflow initdb

4.修改配置文件

因为前面我们已经设置了AIRFLOW_HOME环境变量，所以airflow.cfg配置文件就生成在变量所指定的位置，我们cd到那里去，然后编辑它：

cd $AIRFLOW_HOME
vim airflow.cfg

然后我们来介绍一下重点的配置参数，重要的我都说一遍：

[core]
**dags_folder**：airflow所扫描的dag目录；

**default_timezone**：这是默认的时区，调度时间按照这个时区来计算，一定要设置`Asia/Shanghai`，不然国内用户会发现调度时间跟北京时间晚了8小时；

executor：有以下几个选择，生产一般使用CeleryExecutor
SequentialExecutor：按顺序调度，这个一般适用于开发、测试，因为按顺序调度，真的是太慢了。
LocalExecutor：local模式，就无法使用集群扩展了。
CeleryExecutor：分布式调度
DaskExecutor：没用过
KubernetesExecutor：kubernetes方式提交任务，也适用于生产，一般是那些单个任务比较大的情况。

----------------------------------------2021-11-18 更新----------------------------------------

sql_alchemy_conn：airflow的元数据库连接串，可以是sqlite、mysql、postgresql，推荐mysql和postgresql：
sql_alchemy_conn = mysql://airflow:airflow@localhost:3306/airflow_11?charset=utf8

----------------------------------------2021-11-19 更新----------------------------------------
parallelism：所有worker同时运行的task数；
dag_concurrency：单个dag中同时运行的task数；

max_active_runs_per_dag：单个dag最多同时运行的dag_run数；

load_examples：是否加载airflow自带的example dag；

fernet_key：connection和variable加密用的key，记住，如果你要升级airflow，升级后需要把此参数值copy到新的配置文件中，不然升级后，airflow中的connection和variable加密的值会解密失败，无法查看；

dagbag_import_timeout：scheduler加载新的dag使用的超时时间；
dag_file_processor_timeout：scheduler解析dag使用的超时时间；

store_serialized_dags：是否序列化dag，开启时，scheduler会定时将dag序列化到数据库中存储起来，这样我们的webserver就直接可以查数据库了，更方便快捷高效；
min_serialized_dag_update_interval：序列化dag的最小间隔时间，也就是说，scheduler序列化所有dag后，隔多长时间再序列化。
store_dag_code：是否存储dag代码到数据库；


[webserver]
base_url：webserver启动的访问url
web_server_host：webserver的host
web_server_port：webserver的访问端口

web_server_master_timeout：webserver其实启动的是gunicorn服务，那么webserver master gunicorn服务超过这个时间没有响应，就会抛出异常；
web_server_worker_timeout：webserver worker服务同理
workers：webserver启动的gunicorn服务个数，个数越多，webserver更快，当然根据系统资源来设置；

expose_config：是否可以在web上查看airflow.cfg；

authenticate：webserver认证方式，我们可以设置以下几个登录认证方式，这几个方式仅限登录认证：
- github_enterprise_auth
- google_auth
- kerberos_auth
- ldap_auth
- password_auth
当然我们后面还有一个rbac认证模式，这是生产用的最多的方式，因为它包含了web界面上每一个点击按钮的权限
filter_by_owner：当我们使用了以上认证方式时，如果filter_by_owner设置为true，那么登录后，界面上显示的dag设置的owner就是跟登录用户一致的。做到了dag的用户隔离；

dag_default_view：在我们从web界面进入某个dag时，默认展示的页面，可以设置tree, graph, duration, gantt, landing_times

hide_paused_dags_by_default：是否隐藏关闭的dag；

page_size：web页面主页默认展示的dag个数，设置越少，打开主页速度越快哦；

rbac：权限认证模式，开启时，可以做到web界面的权限控制，细粒度到每个dag的每个task的每个操作；

default_dag_run_display_number：打开dag的tree界面时，默认显示多少个运行批次：越少越好，打开的速度也就越快；

----------------------------------------2021-11-27 更新----------------------------------------

[sentry]
sentry_dsn: sentry是一个监控系统，可以监控到airflow服务的运行情况

[celery]
worker_concurrency: 单个worker的并发执行task数

broker_url: broker支持rabbitmq/redis/mysql/postgresql, task执行命令的中转站，scheduler发送执行命令到中转站，然后worker去消费这些task命令，并执行

result_backend：worker执行完task，将结果存储的位置，官方推荐使用落地的持久化数据库，如mysql、postgresql等

flower_host：flower是airflow中监控broker和worker的一个服务，有自己的单独页面，可以看到broker情况、task执行情况

flower_port：flower访问的端口


[scheduler]
airflow最重要的角色：调度器，它承担着初始化dag文件、动态编译dag文件、发现调度任务并发送执行命令的责任。我们调度的快慢，也需要从这里设置一些参数，下面来看看。

- job_heartbeat_sec：任务的心跳监控时间，每隔job_heartbeat_sec秒去监控一下任务的状态
- scheduler_heartbeat_sec：监控scheduler的状态，每隔scheduler_heartbeat_sec秒去监控scheduler状态
- run_duration：scheduler运行多长时间停止，-1表示不停止，持续调度
- num_runs：每隔dag的调度次数，-1表示无限次
- processor_poll_interval：解析每个dag之间的间隔时间
- min_file_process_interval：间隔多长时间一个新的dag被拾起；
- dag_dir_list_interval：间隔多长时间，scheduler从磁盘读取出dag列表。跟上一个参数min_file_process_interval的区别就是，此参数不解析dag，只获取dag列表。先获取dag列表，在解析dag文件；
- parsing_processes：编译dag所使用的schedule进程数，这个非常关键，影响到dag的调度速度和task的调度速度，官方推荐cpu盒数-1，但是我们可以设置到2倍的cpu盒数，榨干cpu。

5.启动

airflow scheduler -D
airflow webserver -D
airflow worker -D

记住，上述三条命令，会在执行命令的当前目录生成相应的pid和log文件，下次启动如果还在这个目录下，记住清理掉pid文件，不然会报文件已经存在异常。

好了，就到这里，airflow.cfg配置就介绍到这里，都是平时调整比较多的参数。

下期带你们看跟airflow相关的元数据表。

---

吾之初心，永世不忘。
要做一个有良心的人。

---

书山有路勤为径，学海无涯苦作舟。

欢迎关注我的微信公众号，比较喜欢分享知识，也喜欢宠物，所以做了这2个公众号：

喜欢宠物的朋友可以关注：【电巴克宠物Pets】

一起学习，一起进步。