Airflow简介

1、什么是Airflow
 

Airflow 是一个 Airbnb 的 Workflow 开源项目，使用Python编写实现的任务管理、调度、监控工作流平台。Airflow 是基于DAG(有向无环图)的任务管理系统，可以简单理解为是高级版的crontab，但是它解决了crontab无法解决的任务依赖问题。与crontab相比Airflow可以方便查看任务的执行状况（执行是否成功、执行时间、执行依 赖等），可追踪任务历史执行情况，任务执行失败时可以收到邮件通知，查看错误日志。

2、Airflow与同类产品的对比

系统名称	介绍
Apache Oozie	使用XML配置, Oozie任务的资源文件都必须存放在HDFS上. 配置不方便同时也只能用于Hadoop.
Linkedin Azkaban	web界面尤其很赞, 使用java properties文件维护任务依赖关系, 任务资源文件需要打包成zip, 部署不是很方便.
Airflow	具有自己的web任务管理界面，dag任务创建通过python代码，可以保证其灵活性和适应性

3、Airflow基础概念

（1）DAG：有向无环图（Directed Acyclic Graph），描述数据流的计算过程。

（2）Operators：DAG中一个Task要执行的任务，如：①BashOperator为执行一条bash命令；②EmailOperator用于发送邮件；③HTTPOperator用于发送HTTP请求；④PythonOperator用于调用任意的Python函数。

（3）Task：是DAG中的一个节点，是Operator的一个实例。

（4）Task Instance：记录Task的一次运行，Task Instance有自己的状态，包括：running、success、failed、 skipped、up for retry等。

（5）Trigger Rules：task的触发条件。

4 、Airflow安装

 

依赖：yum -y install python-devel libevent-devel mysql-devel mysqlclient

（1）安装airflow：pip install apache-airflow

（2）修改airflow对应的环境变量：export AIRFLOW_HOME=/usr/local/airflow

（3）执行airflow version，在/usr/local/airflow目录下生成配置文件

（4）修改默认数据库：修改/usr/local/airflow/airflow.cfg

[core]

executor = LocalExecutor

sql_alchemy_conn = mysql://airflow:[email protected]:3306/airflow

（5）创建airflow用户,创建airflow数据库并给出所有权限给次用户：

create database airflow;
create user 'tairflow'@'%' identified by '123123';
GRANT all privileges on airflow.* TO 'testairflow'@'%'  IDENTIFIED BY '123456';
FLUSH PRIVILEGES;
（6）初始化数据库：airflow initdb

（7）启动web服务器：airflow webserver –p 8080

在安装过程中如遇到如下错误：

在my.cnf中加explicit_defaults_for_timestamp=1，然后重启数据库

5、Airflow主要功能模块 

下面通过Airflow调度任务管理的主界面了解一下各个模块功能，这个界面可以查看当前的DAG任务列表，有多少任务运行成功，失败以及正在当前运行中等：

在Graph View中查看DAG的状态。DAG是一个有向无环图，它是一个单向流动的ETL流程图。只有前置task执行成功后，后续task才会被Trigger；如果后续task有并行分支，会被同时Trigger执行。

对于已经执行完的task，鼠标停留在task上面，会自动浮现出一个黑色的提醒框，显示该task的基本情况。①Airflow当前UTC时间；②默认显示一个与①一样的时间，自动跟随①的时间变动而变动；③DAG当前批次触发的时间，也就是Dag Run时间，没有什么实际意义④数字4：该task开始执行的时间⑤该task开始执行和结束执行的UTC时间⑥该task开始执行和结束执行的CST时间，也就是香港本地时间。

Airflow中每一个task可能有8种状态，使用8种不同的颜色标注，分别是success、running、failed、skipped、up_for_reschedule、up_for_retry、queued、no_status。每一个task被调度执行前都是no_status状态；当被调度器传入作业队列之后，状态被更新为queued；被调度器调度执行后，状态被更新为running；如果该task执行失败，如果没有设置retry参数，状态立马被更新为failed；如果有设置retry参数，第一次执行失败后，会被更新为up_for_retry状态，等待重新被调度执行，执行完retry次数仍然失败则状态会被更新为failed；skipped状态是指该task被跳过不执行；up_for_reschedule状态是指等待重新调度；

 

每点击一个button，可以跳转到对应页面，查看这个task对应的Task Instance Details、Rendered、Task Instance、Log

"Run"可以单次执行该task，右边3个button是执行task时可以选择的条件，鼠标停留在每一个条件上会显示该条件表示的含义。选择"Ignore All Deps"表示忽略该task的前后依赖条件及之前批次的执行状态，直接执行该task。

"Clear"表示可以清除当前task的执行状态，清除执行状态后，该task会被自动重置为no_status，等待Airflow调度器自动调度执行；"Downstream"和"Recursive"是默认选中的，是当你点击"Clear"后，当前task及所有后置task的状态都会被清除，即当前task及所有后置task都会重新等待调度执行；如果同时选中"Upstream"和"Recursive"，点击"Clear"后则表示从Dag第一个task到当前task，这条路径上的所有task会被重新调度执行；

 

点击"Clear"按钮后，会将当前task及所有后续task作业的task id打印出来。点击"OK"后，Airflow会将这些task的最近一次执行记录清除，然后将当前task及后续所有task生成新的task instance，将它们放入队列由调度器调度重新执行

以树状的形式查看各个Task任务的调度如下图

 

显示DAG调度持续的时间

 

甘特图显示每个任务的起止、持续时间

 

 

配置DAG运行的默认参数

查看DAG的调度脚本

6、DAG脚本示例

 以官网的脚本为例进行说明

from datetime import timedelta
# The DAG object; we'll need this to instantiate a DAG
from airflow import DAG
# Operators; we need this to operate!
from airflow.operators.bash_operator import BashOperator
from airflow.utils.dates import days_ago
# These args will get passed on to each operator
# You can override them on a per-task basis during operator initialization
default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': days_ago(2),
    '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,
    # 'end_date': datetime(2016, 1, 1),
    # 'wait_for_downstream': False,
    # 'dag': dag,
    # 'sla': timedelta(hours=2),
    # 'execution_timeout': timedelta(seconds=300),
    # 'on_failure_callback': some_function,
    # 'on_success_callback': some_other_function,
    # 'on_retry_callback': another_function,
    # 'sla_miss_callback': yet_another_function,
    # 'trigger_rule': 'all_success'
}
dag = DAG(
    'tutorial',
    default_args=default_args,
    description='A simple tutorial DAG',
    schedule_interval=timedelta(days=1),
)
 
# t1, t2 and t3 are examples of tasks created by instantiating operators
t1 = BashOperator(
    task_id='print_date',
    bash_command='date',
    dag=dag,
)
 
t2 = BashOperator(
    task_id='sleep',
    depends_on_past=False,
    bash_command='sleep 5',
    retries=3,
    dag=dag,
)
dag.doc_md = __doc__
 
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 Instance Details page.
![img](http://montcs.bloomu.edu/~bobmon/Semesters/2012-01/491/import%20soul.png)
"""
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,
)
 
t1 >> [t2, t3]

（1）需要引入的包

 

2）DAG默认参数配置：

①depends_on_past：是否依赖上游任务，即上一个调度任务执行失 败时，该任务是否执行。可选项包括True和False，False表示当前执 行脚本不依赖上游执行任务是否成功；

②start_date：表示首次任务的执行日期；

③email：设定当任务出现失败时，用于接受失败报警邮件的邮箱地址；

④email_on_failure：当任务执行失败时，是否发送邮件。可选项包括 True和False，True表示失败时将发送邮件；

⑤retries：表示执行失败时是否重新调起任务执行，1表示会重新调起；

⑥retry_delay：表示重新调起执行任务的时间间隔；

（3）实例化DAG

设定该DAG脚本的id为tutorial；  设定每天的定时任务执行时间为一天调度一次。

调度时间还可以以“* * * * *”的形式表示，执行时间分别是“分，时，天，月，年”

注意：① Airflow使用的时间默认是UTC的，当然也可以改成服务器本地的时区。

②*/30 * * * * 指的是每个小时的30分的时候调度而不是半小时一次，比如说：1:30 , 2:30  ...

半小时调度一次的写法应该是：0/30 * * *

（4）Operator，即Task要执行的任务

段脚本中引入了需要执行的task_id，并对dag 进行了实例化。

里面的bash_command参数是对于具体执行这个task任务的脚本或命令。

还有Trigger_rule参数为该task任务执行的触发条件，官 方文档里面该触发条件有5种状态，一般常用的包括 “ ALL_DONE ” 和 ”ALL_SUCCESS” 两 种 。 其中 “ALL_DONE”为当上一个task执行完成，该task即 可执行，而”ALL_SUCCESS”为只当上一个task执行成功时，该task才能调起执行，执行失败时，本 task不执行任务。

（5）Task脚本的调度顺序

t1 >> [t2, t3]命令为task脚本的调度顺序，在该命令中先执行“t1” 任务后执行“t2, t3”任务。

一旦Operator被实例化，它被称为“任务”。实例化为在调用抽象Operator时定义一些特定值，参数化任务使之成为DAG中的一个节点。

调度顺序的其他表示方式①t1 >> t2 等价于t1.set_downstream(t2)    表示t1任务先执行②t1 << t2 等价于t1.set_upstream(t2) 表示t2任务先执行
 

7 Airflow常用命令行

Airflow通过可视化界面的方式实现了调度管理的界面操作，但在测试脚本或界面操作失败的时候，可通过命令行的方式调起任务。下面介绍几个常用的命令：

命令	描述
airflow list_tasks userprofile	用于查看当前DAG任务下的所有task列表，其中userprofile是DAG名称
airflow test userprofile age_task 20200101	用于测试DAG下面某个task是否能正常执行，其中userprofile是DAG名称，age_task是其中一个task名称
airflow backfill -s 2020-01-01 -e 2020-01-02 userprofile	用于调起整个DAG脚本执行任务，其中userprofile是DAG名称，2020-01-01是脚本执行的开始日期；